数值模式的模拟和预测仍然存在较大的不确定性，其中物理参数的不确定性是导致该类不确定性的重要来源之一。由于模式中包含大量的物理参数，减少所有物理参数的不确定性以提高模式的模拟能力和预测技巧将耗费大量的人力和物力。因此，识别敏感的物理参数或参数组合至关重要。
复旦大学穆穆院士和中科院大气所的联合研究提出了一种识别相对重要和敏感物理参数和参数组合的新方法：条件非线性最优扰动敏感性分析（CNOPSA）方法，将该方法应用到了理论的g-函数和五变量草原生态系统模型，检验了CNOPSA方法的适用性和有效性。结果表明，与从统计角度出发且依赖离散参数样本的Variance-based方法相比较，CNOPSA方法由于充分考虑了物理参数间的非线性协同效应，可识别出更为敏感和重要的物理参数和参数组合，能够定量估计由物理参数变化导致的数值模拟和预测不确定性的最大程度，因而适用于对极端事件的研究。
CNOPSA方法的流程图
基于五变量草原生态系统模型，研究团队还发现了利用CNOPSA方法所识别的物理参数（或参数组合）较传统统计方法更敏感。
与此同时，他们还研究分析了两种方法识别的敏感物理参数的误差对于枯草量模拟影响的物理过程，对由CNOPSA方法和传统统计方法识别的敏感物理参数（或参数组合）的误差对枯草量模拟影响差异作出了物理解释。
在未来工作中，团队建议考虑将CNOPSA方法应用于性能优越的复杂陆面过程模式，识别出模拟和预测中的关键物理参数和物理过程，为提高陆面过程模式的模拟能力和预测技巧提供科学指导。
Citation: Ren, Q. J., M. Mu, G. D. Sun, and Q. Wang. 2022: A new sensitivity analysis approach using conditional nonlinear optimal perturbations and its preliminary application. Adv. Atmos. Sci., https://doi.org/10.1007/s00376-022-1445-3，http://www.iapjournals.ac.cn/aas/en/article/doi/10.1007/s00376-022-1445-3
