Benchmarking Turbulence Models to Represent Cloud-Edge Mixing

Diese Studie vergleicht mehrere statistische Turbulenzmodelle mit direkten numerischen Simulationen für die Mischung an Wolkenrändern und zeigt, dass zwar alle Modelle die thermodynamische Entwicklung erfolgreich erfassen, sie jedoch in ihrer Fähigkeit, Änderungen in der Wolkenmikrophysik genau darzustellen, variieren.

Das Wesentliche

Das große Ganze: Warum Wolken schwer vorherzusagen sind

Stellen Sie sich vor, Sie versuchen, das Wetter vorherzusagen. Wolken sind ein riesiger Teil davon, aber sie sind tückisch. Sie bestehen aus winzigen Wassertröpfchen, die mit Luft gemischt sind. Um zu verstehen, wie Wolken entstehen, wachsen oder verschwinden, müssen wir verstehen, wie sie sich mit der trockenen Luft um sie herum vermischen.

Das Problem ist, dass diese Vermischung auf zwei sehr unterschiedlichen Skalen stattfindet:

1. Das große Ganze: Wolken erstrecken sich über Kilometer.
2. Die winzigen Details: Die Vermischung von Luft und Wassertröpfchen findet im Millimeterbereich statt.

Computermodelle, die für die Wettervorhersage verwendet werden, sind wie Kameras mit niedriger Auflösung. Sie können die großen Wolken sehen, sind aber zu „unscharf", um die winzigen, chaotischen Luftwirbel (Turbulenzen) an den Rändern der Wolken zu erkennen. Da sie diese kleinen Wirbel nicht sehen können, müssen Wissenschaftler „Abkürzungen" (vereinfachte Modelle) verwenden, um zu raten, was an den Rändern passiert.

Dieses Paper stellt eine einfache Frage: Welche dieser Abkürzungen funktioniert tatsächlich?

Das Experiment: Der „Wolkenfaden"

Um dies zu testen, schufen die Forscher ein digitales Experiment. Stellen Sie sich ein langes, dünnes Band aus feuchter, wolkenhaltiger Luft vor, das in einem Raum voller trockener Luft schwebt. Dies wird als „Wolkenfaden" bezeichnet.

Sie wollten sehen, was passiert, wenn dieses feuchte Band mit der trockenen Luft vermischt wird. Verdampft das Wasser gleichmäßig? Verschwinden einige Tröpfchen, während andere übrig bleiben?

Sie verwendeten fünf verschiedene Methoden, um diese Vermischung zu simulieren:

1. Der „Goldstandard" (DNS): Dies ist eine super-detaillierte Simulation, die jede einzelne physikalische Gleichung für jeden kleinen Luftwirbel löst. Es ist wie die Aufnahme des Mischprozesses mit einer 4K-Kamera. Sie ist unglaublich genau, erfordert jedoch einen Supercomputer und dauert lange.
2. Die vier „Abkürzungen" (Statistische Modelle): Dies sind die einfacheren Modelle, die Wissenschaftler tatsächlich in der Wettervorhersage verwenden. Sie versuchen, das Ergebnis zu erraten, ohne die gesamte schwere Mathematik durchzuführen. Das Paper testete vier spezifische davon:
   • LEM (Linear Eddy Model): Verwendet eine eindimensionale Karte, um die Luft zu strecken und zu falten.
   • EHM (Eddy-Hopping Model): Geht davon aus, dass die Luft zufällig herumhüpft, behandelt aber den gesamten Bereich so, als wäre er überall gleich.
   • RMM (Relaxation-to-Mean Model): Geht davon aus, dass die Luft versucht, in einen Durchschnittszustand zurückzukehren.
   • MCM (Mapping-Closure Model): Verwendet einen komplexen mathematischen Trick, um basierend auf Wahrscheinlichkeiten vorherzusagen, wie sich die Luft vermischt.

Die Ergebnisse: Was funktionierte und was nicht?

Die Forscher verglichen die vier „Abkürzungen" mit dem „Goldstandard" (DNS), um zu sehen, welche die Wahrheit sagte.

1. Die Temperaturgeschichte (Thermodynamik)

Das Urteil: Alle vier Abkürzungen waren gut.
Die Analogie: Stellen Sie sich vor, Sie mischen heißen Kaffee mit kalter Milch. Wenn Sie nur die durchschnittliche Temperatur der Tasse wissen wollen, bekamen alle vier Modelle es richtig. Sie konnten vorhersagen, wie sich Wärme und Feuchtigkeit im Laufe der Zeit änderten, genauso gut wie die super-detaillierte Simulation.

2. Die Tröpfchengeschichte (Wolkenmikrophysik)

Das Urteil: Nur einige Abkürzungen waren gut.
Die Analogie: Stellen Sie sich nun vor, Sie wollen wissen, was mit den einzelnen Zuckerkristallen in diesem Kaffee passiert.

• Das Problem: Wenn wolkenhaltige Luft mit trockener Luft vermischt wird, ist es keine glatte Mischung. Einige Teile der Wolke werden von trockener Luft getroffen, und die Tröpfchen verdampfen vollständig (verschwinden). Andere Teile bleiben feucht, und die Tröpfchen behalten ihre Größe. Dies wird als inhomogene Vermischung bezeichnet.
• Der Gewinner (LEM, MCM und teilweise RMM): Diese Modelle verstanden, dass die Luft chaotisch ist. Sie erkannten, dass sich einige Tröpfchen in „trockenen Taschen" und andere in „feuchten Taschen" befinden. Sie sagten korrekt voraus, dass einige Tröpfchen verschwinden würden, während andere überlebten.
• Der Verlierer (EHM): Dieses Modell ging davon aus, dass alles glatt und gleichmäßig ist. Es dachte, alle Tröpfchen befänden sich in derselben Umgebung. Daher sagte es voraus, dass sich alle Tröpfchen gleichzeitig ein wenig verkleinern würden, aber keine verschwinden würde. Dies wird als homogene Vermischung bezeichnet, und das Paper stellte fest, dass dieses Modell für diese spezifische Situation falsch war.

Die Hauptaussage: Es geht alles um den „Raum"

Der Hauptgrund, warum die Modelle scheiterten oder erfolgreich waren, lag an einer Sache: Räumliche Variabilität.

• Das Scheitern: Das Eddy-Hopping-Modell (EHM) behandelte die gesamte Wolke als einen einzigen, einheitlichen Klumpen. Es berücksichtigte nicht, dass trockene Luft vielleicht die eine Seite eines Tröpfchens berührt, aber nicht die andere.
• Der Erfolg: Die Modelle, die funktionierten (wie LEM und MCM), behielten im Auge, wo sich die Tröpfchen befanden und wie sich die Luftfeuchtigkeit von Ort zu Ort änderte.

Das Paper kommt zu dem Schluss, dass Sie, wenn Sie wissen wollen, wie viele Wolkentröpfchen ein Mischungsereignis überleben (was beeinflusst, wie Wolken Sonnenlicht reflektieren), unbedingt ein Modell verwenden müssen, das versteht, dass die Luftfeuchtigkeit nicht überall gleich ist. Sie können nicht einfach einen „Durchschnitt" verwenden.

Zusammenfassung

• Ziel: Das beste einfache Modell finden, um darzustellen, wie Wolken mit trockener Luft vermischt werden.
• Methode: Vier einfache Modelle mit einer super-detaillierten „Wahrheits"-Simulation vergleichen.
• Ergebnis: Alle Modelle sind gut darin, Durchschnittswerte für Temperatur und Feuchtigkeit vorherzusagen. Nur die Modelle, die lokale Unterschiede (räumliche Variabilität) berücksichtigen, können jedoch korrekt vorhersagen, wie Wolkentröpfchen wachsen oder schrumpfen.
• Implikation: Um Wetter- und Klimamodelle zu verbessern, müssen wir die „intelligenten" Abkürzungen verwenden, die daran erinnern, dass die Luft nicht perfekt vermischt ist, anstatt die „dummen" Abkürzungen, die davon ausgehen, dass alles gleich ist.

Technische Zusammenfassung

Technische Zusammenfassung: Benchmarking von Turbulenzmodellen zur Darstellung von Wolkenrand-Mischung

Problemstellung
Das Verständnis der Wolkenentwicklung erfordert die Auflösung von Prozessen über mehrere Skalen hinweg, die von großskaligen Wolkenfeldern (100 km) bis hin zu den kleinsten Skalen der Turbulenz (1 mm) reichen, wo Aerosole und Tröpfchen interagieren. Während Direkte Numerische Simulationen (DNS) diese kleinskaligen turbulenten Mischungsprozesse genau auflösen können, sind sie für große Domänen rechnerisch prohibitiv und typischerweise auf Skalen bis zu einem Meter begrenzt. Folglich müssen atmosphärische Modelle, die auf größeren Skalen operieren (z. B. Large-Eddy-Simulationen oder Globale Klimamodelle), die Mischung unterhalb der Gitterauflösung parametrisieren. Eine kritische Herausforderung besteht in der Darstellung der Mischung von wolkenhaltigen Fäden mit trockener, untersättigter Luft, welche die Wolkenmikrophysik (Tröpfchenzahlkonzentration und Größenverteilung) und die Thermodynamik verändert. Die Art dieser Mischung – ob „homogen" (Verringerung der Tröpfchengröße, aber nicht der Anzahl) oder „inhomogen" (vollständige Verdampfung einiger Tröpfchen bei gleichzeitiger Intaktheit anderer) – hat erhebliche Auswirkungen auf die Strahlungseigenschaften der Wolken. Es hat jedoch an einer systematischen Vergleichsstudie zwischen verschiedenen statistischen Turbulenzmodellen hinsichtlich ihrer Fähigkeit gefehlt, diese mikrophysikalischen Reaktionen zu erfassen.

Methodik
Diese Studie bewertet vier statistische Turbulenzmodelle anhand eines Satzes neuer Direkter Numerischer Simulationen (DNS), die als Referenz-„Wahrheit" dienen. Die DNS löst die inkompressiblen, durch die Oberbeck-Boussinesq-Näherung approximierten Navier-Stokes-Gleichungen, gekoppelt mit thermodynamischen Gleichungen für Temperatur und Wasserdampf sowie Lagrange-Gleichungen für die Wolken-Tröpfchendynamik.

Die vier verglichenen statistischen Modelle sind:

1. Linear-Eddy-Modell (LEM): Ein eindimensionales statistisches Modell, das turbulentes Strecken und Falten über einen Mapping-Ansatz zur Umplatzierung von Skalaren nachahmt, während es molekulare Diffusion sowie Kondensation/Verdampfung berechnet.
2. Eddy-Hopping-Modell (EHM): Ein statistisches Modell, das Fluktuationen der Übersättigung als Ornstein-Uhlenbeck-Prozess behandelt. Es geht von einer räumlichen Homogenität aus, bei der alle Fluidelemente ähnliche Mischungs dynamiken erfahren.
3. Relaxation-to-Mean-Modell (RMM): Ein eindimensionales Modell, das Lagrange-Fluidelemente verfolgt und deren Übersättigung gegen einen ensemblegemittelten Mittelwert relaxiert, wodurch eine gewisse räumliche Variabilität ermöglicht wird.
4. Mapping-Closure-Modell (MCM): Ein Modell, das auf Mapping-Closure-Näherungen basiert und die nicht-gaußsche Entwicklung der Übersättigung aus gaußschen Statistiken vorhersagt, wobei eine aus DNS-Daten abgeleitete Mapping-Funktion verwendet wird.

Alle Modelle verwenden eine vergleichbare Lagrange-Darstellung der Wolkenmikrophysik. Die Studie simuliert die Mischung eines wolkenhaltigen Fadens mit trockener Luft über verschiedene Turbulenzintensitäten hinweg (Energiedissipationsraten $\epsilon$ von 1 bis 1000 cm² s⁻³) und Umgebungsfeuchtigkeiten (Fälle n0 bis n3). Die Modelle werden mit spezifischen Profilen für das Mischungsverhältnis von Wasserdampf und der Temperatur initialisiert, und die Ergebnisse werden für domänengemittelte thermodynamische Größen, die Tröpfchenzahlkonzentration ($N_c$), den mittleren Tröpfchenradius ($r_m$) und die spektrale Breite der Tröpfchengrößenverteilungen analysiert.

Hauptergebnisse

• Thermodynamik: Alle vier statistischen Modelle erfassen erfolgreich die Entwicklung thermodynamischer Größen (Mischungsverhältnis von Wasserdampf, Temperatur und domänengemittelte Übersättigung) während des Mischungsprozesses, unabhängig von der Turbulenzintensität oder der Umgebungsfeuchtigkeit. Geringfügige Abweichungen in den Mischungsrate wurden beobachtet, waren jedoch vernachlässigbar im Vergleich zu den Variationen, die durch Änderungen der Turbulenzparameter verursacht wurden.
• Wolkenmikrophysik: Bei der Darstellung der wolkenmikrophysikalischen Eigenschaften traten erhebliche Unterschiede auf.
  • Inhomogene Mischung: DNS, LEM und MCM erfassten erfolgreich den graduellen Rückgang der Tröpfchenzahlkonzentration ($N_c$), was auf eine inhomogene Mischung hindeutet, bei der einige Tröpfchen vollständig verdampfen, während andere erhalten bleiben.
  • Homogener Bias: Das EHM konnte dieses Verhalten nicht erfassen und sagte eine konstante $N_c$ voraus, bis alle Tröpfchen gleichzeitig verdampften. Dies deutet auf eine Verzerrung hin, die zu homogener Mischung tendiert.
  • Teilweiser Erfolg: Das RMM zeigte einen teilweisen Erfolg bei der Darstellung inhomogener Mischung, neigte jedoch dazu, die größten Tröpfchen im Vergleich zur DNS zu schnell zu verdampfen.
• Übersättigungsspektren: Die Fähigkeit, inhomogene Mischung darzustellen, war direkt mit der Kapazität der Modelle verknüpft, die breite, asymmetrische Verteilung der von den Tröpfchen erlebten Lagrange-Übersättigung wiederzugeben.
  • DNS und LEM reproduzierten die breiten, asymmetrischen Spektren, die aus der Mischung von hochübersättigter Wolkenluft mit niedrigübersättigter Umgebungsluft resultieren.
  • Das MCM stimmte bei hoher Turbulenz ($\epsilon = 1000$ cm² s⁻³) gut mit der DNS überein, hatte jedoch bei niedriger Turbulenz ($\epsilon = 1$ cm² s⁻³) Schwierigkeiten, da es darauf ausgelegt ist, sich gegen eine gaußsche Verteilung zu relaxieren.
  • EHM und RMM konnten die vollständige Verbreiterung der Übersättigungsverteilung nicht darstellen, wobei das EHM eine sehr schmale Verteilung annahm.
• Auflösungsabhängigkeit: Die Studie hob hervor, dass die Fähigkeit des LEM, inhomogene Mischung darzustellen, auflösungsabhängig ist. Gröbere Auflösungen im LEM verlangsamten die initiale Kondensation und die anschließende Verdampfung, befeuchteten die Umgebungsluft künstlich und reduzierten die Wolkenfragmentierung.

Bedeutung und Behauptungen
Die Arbeit behauptet, dass einfachere statistische Modelle zwar die thermodynamische Entwicklung der Wolkenrand-Mischung effektiv darstellen können, jedoch nicht alle gleichermaßen die daraus resultierenden wolkenmikrophysikalischen Veränderungen erfassen. Die Studie zeigt, dass die genaue Darstellung der räumlichen Variabilität der Übersättigung eine notwendige Bedingung dafür ist, dass Modelle inhomogene Mischung und die damit verbundenen Änderungen der Tröpfchenzahlkonzentration und der spektralen Breite korrekt simulieren.

Die Autoren schlussfolgern, dass das LEM und das MCM (mit geeigneten Closures) besser geeignet sind als das EHM, diese mikrophysikalischen Prozesse als Subgrid-Scale-Schemata in Modellen größerer Skalen darzustellen. Das MCM erfordert jedoch externe Daten (z. B. aus DNS oder maschinellem Lernen), um szenariospezifische Closures für die Mapping-Funktion zu generieren. Das EHM erfordert Anpassungsparameter, die mit den Umweltbedingungen variieren können, was eine Herausforderung für seine Anwendung als Subgrid-Scale-Modell darstellt. Letztlich bieten diese statistischen Modelle ein praktikables Mittel, um die Lücke zwischen kleinskaliger Turbulenz und Wolkenphysik zu schließen, wobei DNS jedoch weiterhin unverzichtbar bleibt, um die komplexen physikalischen Prozesse aufzulösen, die diese Modelle approximieren.