云微物理过程对数值天气预报和气候模拟的准确性至关重要。在云微物理方案中，云滴凝结过程直接依赖于网格平均过饱和度，但实际大气中过饱和度在网格内存在显著的非均匀分布，是导致凝结量计算偏差，影响云和降水的模拟精度的主要原因。
本研究基于多个天气系统（弱天气尺度强迫下的局地强对流，锋面层云降水）的高分辨率大涡模拟数据集，对网格尺度内过饱和度的非均匀分布进行了统计分析。发现过饱和度的分布并非简单的对称高斯分布，而是呈现显著的偏态特征：云边界区域因干空气夹卷和局部上升气流差异，过饱和度分布高度不对称，偏度可高达0.5以上；云内部相对均匀，偏度接近零。垂直速度是控制过饱和度标准差的最主要因素，而云边界距离则是偏度的最强预测因子。
为实现尺度感知的凝结过程参数化，本研究采用随机森林模型分两步建立了次网格过饱和度统计量与可解析网格尺度物理量之间的映射关系：第一步训练sigma_S模型，第二步基于sigma_S预测偏度。模型在独立测试集上的R²分别达到0.88和0.83，交叉验证稳定。在此基础上生成了包含过饱和度标准差和偏度的三维查找表，以耦合进WRF模式Thompson微物理方案。
该方法的核心创新在于引入了次网格过饱和度分布的非对称信息，打破了传统对称高斯假设的限制，使PDF积分方法能够真正产生物理上有意义的凝结量修正。通过离线测试表明，在云边界区域，正偏态导致凝结增强，负偏态导致凝结减弱，修正幅度可达10%以上。通过对多个实际个例的测试表明，可改善云微物理方案在不同水平分辨率下的模拟一致性。
 

云微物理参数化方案,凝结,机器学习