黑箱优化驱动天气干预设计：基于模型预测控制框架的降水调控效能评估与算法优选

《Journal of Computational Science》：Development and evaluation of a black-box optimization framework for weather-intervention design

面对数值天气预报模拟中梯度缺失与计算成本高的双重挑战，本研究在模型预测控制框架下系统比较了贝叶斯优化、随机搜索、粒子群优化及遗传算法四种黑箱优化方法在降水调控中的表现。结果表明，贝叶斯优化在有限评估预算下控制效能最优，其超参数敏感性反映了优化过程的可控性，为天气干预方法选择提供了实用指导。

　　

随着全球变暖加剧，飓风、洪水与暴雨等天气灾害正变得越来越频繁且猛烈。数据显示，截至2014年的35年间，全球天气相关灾害事件数量翻了三倍，仅2005年的经济损失就高达1250亿美元。面对这一严峻形势，“天气干预”（Weather Intervention）作为减灾手段进入了科学家的视野。然而，想要给“老天爷”做手术并非易事，这面临着三大棘手难题：如何找到有效的干预手段？如何筛选出可行的干预方案？以及如何大幅降低干预计算的耗时？

传统的控制理论在处理像天气系统这样非线性、高维度的复杂模型时显得力不从心。更为致命的是，现代数值天气预报（Numerical Weather Prediction, NWP）模型虽然精准，但每一次模拟运行都极其耗费计算资源。这意味着在进行干预参数优化时，必须极度吝啬函数评估的次数。同时，大气动力学的复杂性使得目标函数的梯度信息难以获取，甚至不可靠。在这样的背景下，不依赖梯度信息、仅凭输入输出来寻找最优解的“黑箱优化”（Black-Box Optimization, BBO）方法似乎成了破局的关键。但是，哪种黑箱优化算法最适合这一特定场景？在有限的算力预算下，它们表现如何？这正是本篇发表于《Journal of Computational Science》的研究试图回答的核心问题。

为了攻克上述难题，研究团队构建了一个结合模型预测控制（Model Predictive Control, MPC）与黑箱优化的天气干预计算框架。他们选取了四种代表性的黑箱优化算法——贝叶斯优化（Bayesian Optimization, BO）、随机搜索（Random Search, RS）、粒子群优化（Particle Swarm Optimization, PSO）和遗传算法（Genetic Algorithm, GA），并在两种不同的实验环境中进行了系统的数值模拟对比。

在研究技术方法上，作者主要采用了两大关键技术。首先是Scalable Computing for Advanced Library and Environment Regional Model（SCALE-RM）数值天气预报模型，分别设置了“暖泡实验”（Warm Bubble Experiment，二维理想化对流云模拟，计算域约10 km²）和“真实大气实验”（Real Atmosphere Experiment，三维真实大气条件模拟，计算域约3?240?000 km²，基于2007年7月15日UTC 00:00的东亚实际气象数据）。其次是模型预测控制（MPC）框架，将风场干预（修改动量变量MOMX和MOMY，单位kg m/s）作为控制输入，以最小化目标区域累积降水量（单位kg/m²/s）为目标函数，在每个控制步长内利用黑箱优化算法迭代搜索最优干预参数序列，每个目标函数评估均需运行一次SCALE-RM模拟。

2. Control problem formulation

本章节首先明确了所使用的SCALE-RM模型及其两种实验设置。研究将天气干预定义为对初始大气状态的修改，具体操作为调整网格单元中的动量变量MOMX和MOMY。在MPC框架下，系统状态随时间演变，干预作为控制输入。优化问题的目标是最小化从t=1到T_e时间内，指定地表区域G内的总降水强度。由于NWP模型复杂且无法提供解析梯度，每个MPC子问题均被视为黑箱优化问题处理，即在有限的计算预算（每次MPC步骤运行15至300次SCALE-RM模拟不等）下寻找最优的风场干预参数（包括干预强度d_X、d_Y和位置(x, y, z)）。

2.3. Challenges of optimizing an intervention

本节深入分析了优化过程的难点。大气现象具有极强的非线性和对初值的敏感性（混沌效应），导致目标函数景观复杂、非凸且充满局部最优解。此外，SCALE-RM模型计算昂贵，且难以获取关于状态变量的显式解析梯度，使得基于梯度的方法失效。动量修改的约束、网格单元选择以及模型不确定性进一步增加了寻找精确最优解的复杂度。因此，研究放弃了寻找精确解，转而寻求在有限资源下的近似解，并由此确立了采用黑箱优化方法的路径。

3. Evaluation setting

研究详细设定了四种黑箱优化算法的超参数。BO采用高斯过程作为代理模型，Matérn核（ν=2.5），并使用期望改进（Expected Improvement, EI）作为主要采集函数；PSO采用线性递减惯性权重法（LDIWM），设置c₁=c₂=2.0，w在0.9到0.4之间线性递减；GA采用实数编码、锦标赛选择、混合交叉（Blend Crossover，α=0.5）和随机替换变异（突变率0.05）。为保证公平性，模拟设置了不同的函数评估上限（15, 30, 50, 100, 150, 200, 250, 300），并使用10种不同的随机种子进行重复实验以消除随机性影响。

4. Warm bubble experiment

在暖泡实验中，水平网格间距为500 m，垂直分为97层，模拟时长1小时。目标是减少整个计算域的累积降水。结果显示，随着函数评估次数的增加，降水减少率普遍提高。在单步MPC（初始值干预）问题中，PSO表现较好；但在多步MPC问题中，BO表现最优。特别是在固定300次评估预算的最坏情况下，BO的降水减少率仍超过了其他方法的中位数。这表明BO利用高斯过程回归平衡探索与开发的能力使其在反馈控制中更具优势。此外，通过可视化最优解发现，控制效果显著的区域集中在Z≤20的高度，且干预强度|d_Y|越大，控制效果越好。超参数敏感性分析显示，在暖泡环境下，各算法的性能对超参数变化相对不敏感，说明该环境下的优化问题相对容易。

5. Real atmosphere experiment

在真实大气实验中，水平网格间距为20 km，包含90×90个网格点，垂直36层，模拟时长6小时，目标区域设定为日本及周边特定网格区域。由于单点干预效果微弱，研究改为在5×5×5的立方体区域（R_?,m,n）施加均匀干预，并将干预限制在近地面（n=0）。为避免物理不一致导致模拟失败，干预边界调整为[-20, 20] kg m/s。结果与暖泡实验类似，BO在两种设置下均实现了最高的降水减少率。值得注意的是，在真实大气的单步MPC问题中，BO同样表现最佳，且其收敛性极高，中位数与最大值几乎持平。超参数敏感性分析揭示了与暖泡实验的不同：PSO和GA对种群大小变化不敏感，而BO对采集函数的选择表现出显著的敏感性，LCB（Lower Confidence Bound）和EI的表现远优于PI（Probability of Improvement）和GP-Hedge。这种敏感性并非弱点，反而反映了BO优化过程的可控性，意味着可以通过调整超参数来适应不同的大气条件。

6. Conclusion

本研究系统地探讨了基于数值天气模拟的黑箱优化在降水缓解问题中的应用。结果表明，在测试的四种方法中，贝叶斯优化（BO）表现最为强劲。BO对超参数选择的敏感性反映了其优化过程的可控性，而非缺陷，这为应对不同大气条件提供了更高的灵活性。尽管结论基于特定的实验设置，但这为天气干预计算提供了一种极具前景的实用方法。未来的工作将进一步测试更多样的气象场景，并深入探究不同黑箱优化方法间性能差异的内在机制。