新方法有助于减少数值模型中的不确定性

与物理参数相关的不确定性是数值建模中的主要挑战。然而，由于数值模型中此类参数数量众多，降低所有这些参数的不确定性在人力和资源方面将是极其昂贵的。

因此，能够识别和研究数值模型中最重要和最敏感的物理参数和参数组合是至关重要的。

针对这一问题，复旦大学和中国科学院大气物理研究所的中科院院士沐沐及其团队提出了一种新方法——“条件非线性最优扰动灵敏度分析(CNOPSA)”——以减少数值模型中的不确定性.

他们的发现发表在《大气科学进展》上。

他们首先分析了传统(基于方差的)参数敏感性分析方法的局限性，即由于离散参数样本的统计影响而似乎无法考虑极端事件，然后从确定性的角度提出了新方法。

他们发现CNOPSA方法能够充分考虑参数的非线性协同效应，能够确定性地估计由于物理参数的不确定性对模型输出的最大影响。因此，由于参数不确定性对模型输出的最大影响越大，该参数就越重要和敏感​​。

研究人员将CNOPSA应用于草地生态系统模型以测试其可行性。数值结果表明，该方法可有效识别被测草地生态系统模型中物理参数的敏感性。这些参数改变了模拟的枯萎生物量，从而影响了生态系统中草地状态的转变。

相比之下，基于方差的方法低估了参数敏感性，因为它没有考虑参数空间中所有参数的影响。

“在未来的工作中，我们打算采用更复杂的陆面过程模型来验证CNOPSA方法的实用性和有效性，”穆教授说。