亚洲夏季风是全球最活跃的季风系统之一，其降水直接关系到东亚和南亚的水资源、农业生产及极端天气风险。然而，即使在当前先进的全球气候模式中，南亚—东亚季风降水的空间分布和强度仍存在长期、顽固的系统性偏差。一个重要原因是模式对深对流、云微物理和边界层湍流等次网格过程必须采用参数化表示，而这些方案包含大量经验性物理参数。不同参数既可能直接改变局地降水过程，也可能通过环流调整和海气反馈放大误差，因此，如何在可接受的计算成本下识别真正控制季风降水偏差的关键参数，是气候模式发展中的重要问题。

传统的扰动参数集合（perturbed parameter ensemble, PPE）通常依赖多年甚至几十年的气候积分，若同时考察数十个参数，计算成本极高，不利于模式版本快速迭代。针对这一问题，本研究提出“季节回报快速筛查—多参数联合扰动—长期气候验证”的分层PPE策略，以FGOALS-f2为试验平台，将2024年6—8月季节回报作为参数敏感性测试个例。研究首先从对流、云微物理、边界层和诊断云等方案中选取65个参数，设计257组单参数扰动试验（PPE1）；随后根据不同季风区域的降水空间相关系数（PCC）和均方根误差（RMSE）筛选高敏感参数，再选取12个参数开展300组拉丁超立方抽样（LHS）联合扰动试验（PPE2），并结合多元线性回归和随机森林分析参数对降水的线性与非线性影响。

这一设计的关键前提，是短期季节回报能够暴露与长期气候积分相似的系统误差。对比2024年回报试验与长期AMIP、CMIP型试验发现，三类模拟均表现出热带辐合带及热带中西太平洋偏湿、南亚和东亚陆地以及南印度洋偏干等大尺度共性偏差。说明相当一部分季风降水误差并非仅由某一年初值造成，而与模式物理过程的系统性缺陷有关，因此可利用季节尺度积分大幅降低参数筛选的计算成本。

图1（原文图4） PPE1中257组单参数扰动试验在不同区域的2024年夏季平均降水模拟技巧分布。（a）PCC；（b）RMSE。IND、BOB、EA、TRO和GLB分别表示印度洋、孟加拉湾、东亚、热带西太平洋和全球区域；图中Max和Min标注对应的PPE1成员编号。

图1揭示出参数扰动对季风降水模拟具有非常显著的区域依赖性。印度洋区域的PCC中位数最高，超过0.75，说明多数参数扰动不会破坏其大尺度降水型；全球区域的PCC和RMSE离散度也较小，表明单个大气物理参数变化对全球平均降水型的影响相对受限。与之相反，孟加拉湾的PCC中位数仅约0.4—0.5，集合离散度最大，最低技巧接近0.15，显示该区域对参数变化高度敏感且模拟不确定性显著。印度洋、孟加拉湾和热带西太平洋的RMSE总体也高于东亚和全球区域，说明这些热带季风海区不仅降水空间型不稳定，降水强度误差也更加突出。

这一结果具有两方面意义。第一，全球平均指标容易掩盖季风关键区的参数敏感性，同一参数调整在不同区域可能产生完全不同甚至相反的响应，因此模式调优必须开展区域化诊断。第二，孟加拉湾在大量单参数试验中持续表现出低PCC和高离散度，说明其误差很难通过单一参数调整解决，背后可能涉及深对流、天气尺度系统、地形影响和海气耦合等多过程共同作用。换言之，PPE不仅能够寻找“最优参数”，也能够识别单纯参数调优难以突破的结构性误差区域。

基于PPE1中不同区域PCC和RMSE的响应，本研究进一步筛选出12个高敏感或物理上相互关联的参数，包括深对流方案中的夹卷率和云水转化参数，云微物理方案中的雨、冰、霰粒子下落速度、陆地和海洋次网格总水变率及相关时间尺度参数，以及边界层和诊断云参数。随后通过300组LHS联合扰动构建PPE2，并利用多元线性回归识别各参数改变所对应的降水空间响应，从而把“哪个参数重要”进一步推进到“参数通过何种空间型影响季风降水”。

图2（原文图6） PPE2中12个物理参数与2024年夏季平均降水响应之间的多元线性回归系数空间分布。正值表示参数增大对应降水增加，负值表示参数增大对应降水减少。各面板依次给出深对流、云微物理、次网格水汽变率、边界层及诊断云等参数的影响。

图2进一步明确了不同物理参数影响降水的空间结构。其中，深对流穿透性对流夹卷率参数entrpen表现出最强、最广泛的影响：entrpen增大时，ITCZ和印度洋部分区域降水增加，而西太平洋以及南亚、东亚等区域降水受到抑制，说明对流夹卷过程能够通过改变深对流强度和水汽垂直输送，对季风雨带产生大尺度重组。相比之下，其他参数的影响更具有区域性。控制冰相和雨滴次网格下落速度的vi_fac和vr_fac在东亚表现出较强正响应，而陆地次网格总水变率参数dw_land在东亚表现为负响应；vi_fac对西太平洋降水也具有显著控制作用。这些结果共同指向三个需要优先关注的过程：深对流夹卷、水凝物沉降以及次网格水汽变率。

线性回归与随机森林的结果相互补充：entrpen在全球尺度上是最重要的参数之一，vr_fac和vi_fac也具有较高的重要性，但不同季风子区域并不存在一个可以普遍解释所有降水偏差的单一参数。特别是在东亚，多种参数的重要性更加接近，反映出陆面热力、对流、云微物理和大尺度环流之间更复杂的耦合作用。这表明亚洲夏季风模式发展不宜采用“单参数—单指标”的调优思路，而应针对不同物理区采用多参数协同约束，并同时关注降水空间型和强度误差。

进一步的长期验证表明，季节回报中筛选出的优选参数组合能够迁移到AMIP型长期模拟并改善总体降水分布。例如，LHS54和LHS61将全球PCC由控制试验的0.80提高到0.84，同时将RMSE由1.82分别降低到1.68和1.56。但在全耦合CMIP型试验中，同一组大气参数的改进并不稳定，部分试验甚至出现双ITCZ等新的偏差。这说明季节回报PPE适合用于快速识别大气物理参数及其作用方向，但最终的耦合模式优化还必须同时考虑海温演变、云辐射反馈、表面通量以及海气耦合过程，不能把大气参数优化结果直接等同于耦合模式的最终最优参数。

总体而言，本研究建立了一套计算效率较高、物理解释清晰的气候模式参数敏感性诊断框架：先利用季节回报快速筛查大规模参数空间，再通过多参数联合扰动与统计学习识别关键参数及非线性相互作用，最后通过长期AMIP和CMIP型积分检验参数调优的可迁移性和边界。研究不仅识别了FGOALS-f2亚洲夏季风降水模拟中最关键的深对流夹卷和云微物理过程，也揭示了孟加拉湾和西太平洋等区域存在明显的参数调优“技巧上限”，为后续从单纯调参转向物理方案改进和耦合反馈优化提供了明确方向。

上述研究成果于2026年发表在《Journal of Geophysical Research: Atmospheres》。论文第一作者和通讯作者为何编研究员，其他作者包括冯适健、包庆、刘屹岷、吴国雄、何欣雨、刘潇喻和姚海兰。研究由国家重点研发计划（2022YFF0802003）和国家自然科学基金（42475020）共同资助，并得到“地球系统数值模拟装置”的技术支持。

文章信息：

He, B., Feng, S., Bao, Q., Liu, Y., Wu, G., He, X., Liu, X., Yao, H., 2026: Sensitivity of Asian summer monsoon precipitation simulations to perturbed parameters in FGOALS-f2 seasonal hindcasts. Journal of Geophysical Research: Atmospheres, 131, e2026JD047873. https://doi.org/10.1029/2026JD047873.