Benchmarking Turbulence Models to Represent Cloud-Edge Mixing

Deze studie toetst verschillende statistische turbulentiemodellen aan directe numerieke simulaties voor menging aan de rand van wolken, waarbij blijkt dat hoewel alle modellen de thermodynamische evolutie succesvol vastleggen, ze verschillen in hun vermogen om veranderingen in de microfysica van wolken nauwkeurig weer te geven.

De kern

Het Grote Plaatje: Waarom Wolken Moeilijk te Voorspellen Zijn

Stel je voor dat je het weer probeert te voorspellen. Wolken zijn een enorm belangrijk onderdeel daarvan, maar ze zijn lastig. Ze bestaan uit tiny waterdruppels die gemengd zijn met lucht. Om te begrijpen hoe wolken ontstaan, groeien of verdwijnen, moeten we begrijpen hoe ze mengen met de droge lucht eromheen.

Het probleem is dat deze menging plaatsvindt op twee heel verschillende schalen:

1. Het Grote Plaatje: Wolken strekken zich uit over kilometers.
2. De Kleine Details: Het mengen van lucht en waterdruppels gebeurt in millimeters.

Computersimulaties die worden gebruikt voor weersvoorspelling zijn als camera's met lage resolutie. Ze kunnen de grote wolken zien, maar ze zijn te "onscherp" om de kleine, chaotische draaikolken van lucht (turbulentie) te zien die aan de randen van de wolken plaatsvinden. Omdat ze deze kleine draaikolken niet kunnen zien, moeten wetenschappers "kortere wegen" (vereenvoudigde modellen) gebruiken om te raden wat er aan de randen gebeurt.

Dit artikel stelt een simpele vraag: Welke van deze kortere wegen werkt eigenlijk?

Het Experiment: De "Wolkenfilament"

Om dit te testen, creëerden de onderzoekers een digitaal experiment. Stel je een lange, dunne lint van natte, wolkachtige lucht voor die zweeft in een kamer vol droge lucht. Dit wordt een "wolkenfilament" genoemd.

Ze wilden zien wat er gebeurt als dit natte lint wordt gemengd met de droge lucht. Verdamp het water gelijkmatig? Verdwijnen sommige druppels terwijl andere blijven staan?

Ze gebruikten vijf verschillende methoden om deze menging te simuleren:

1. De "Gouden Standaard" (DNS): Dit is een supergedetailleerde simulatie die elke enkele natuurkundige vergelijking voor elke kleine draaikolk van lucht oplost. Het is alsof je het mengproces filmt met een 4K-camera. Het is ongelooflijk nauwkeurig, maar vereist een supercomputer en kost veel tijd.
2. De Vier "Kortere Wegen" (Statistische Modellen): Dit zijn de eenvoudigere modellen die wetenschappers daadwerkelijk gebruiken in weersvoorspellingen. Ze proberen het resultaat te raden zonder al die zware wiskunde te doen. Het artikel testte er vier specifieke:
   • LEM (Linear Eddy Model): Gebruikt een een-dimensionale kaart om de lucht te rekken en te vouwen.
   • EHM (Eddy-Hopping Model): Gaat ervan uit dat de lucht willekeurig springt, maar behandelt het hele gebied alsof het allemaal hetzelfde is.
   • RMM (Relaxation-to-Mean Model): Gaat ervan uit dat de lucht probeert terug te keren naar een gemiddelde toestand.
   • MCM (Mapping-Closure Model): Gebruikt een complexe wiskundige truc om te voorspellen hoe de lucht mengt op basis van waarschijnlijkheid.

De Resultaten: Wat Werkte en Wat Niet?

De onderzoekers vergeleken de vier "kortere wegen" met de "Gouden Standaard" (DNS) om te zien welke de waarheid vertelde.

1. Het Temperatuurverhaal (Thermodynamica)

Het Oordeel: Alle vier de kortere wegen waren goed.
De Analogie: Stel je voor dat je hete koffie mengt met koude melk. Als je alleen de gemiddelde temperatuur van het kopje wilt weten, kregen alle vier de modellen het goed. Ze konden voorspellen hoe de warmte en vochtigheid in de loop van de tijd veranderden, net zo goed als de supergedetailleerde simulatie.

2. Het Druppelverhaal (Wolkenmicrofysica)

Het Oordeel: Slechts sommige kortere wegen waren goed.
De Analogie: Stel je nu voor dat je wilt weten wat er gebeurt met de individuele suikerkristallen in die koffie.

• Het Probleem: Wanneer wolkachtige lucht mengt met droge lucht, is het geen gladde mengeling. Sommige delen van de wolk worden geraakt door droge lucht en de druppels verdampen volledig (verdwijnen). Andere delen blijven nat, en de druppels blijven even groot. Dit wordt inhomogene menging genoemd.
• De Winnaars (LEM, MCM en gedeeltelijk RMM): Deze modellen begrepen dat de lucht rommelig is. Ze realiseerden zich dat sommige druppels in "droge zakken" zitten en sommige in "natte zakken". Ze voorspelden correct dat sommige druppels zouden verdwijnen terwijl andere zouden overleven.
• De Verliezer (EHM): Dit model ging ervan uit dat alles glad en gelijk was. Het dacht dat alle druppels zich in dezelfde omgeving bevonden. Het voorspelde dus dat alle druppels tegelijkertijd een beetje zouden krimpen, maar dat geen enkele zou verdwijnen. Dit wordt homogene menging genoemd, en het artikel concludeerde dat dit model voor deze specifieke situatie verkeerd was.

De Belangrijkste Conclusie: Het Draait Alles om "Ruimte"

De belangrijkste reden waarom de modellen faalden of slaagden, kwam neer op één ding: Ruimtelijke Variabiliteit.

• Het Falen: Het Eddy-Hopping Model (EHM) behandelde de hele wolk als één enkele, uniforme klomp. Het hield geen rekening met het feit dat droge lucht misschien de ene kant van een druppel raakt, maar niet de andere.
• Het Succes: De modellen die werkten (zoals LEM en MCM), hielden bij waar de druppels waren en hoe de luchtvochtigheid van plek tot plek varieerde.

Het artikel concludeert dat als je wilt weten hoeveel wolkdruppels een menggebeurtenis overleven (wat beïnvloedt hoe wolken zonlicht reflecteren), je moet een model gebruiken dat begrijpt dat luchtvochtigheid niet overal hetzelfde is. Je kunt niet zomaar een "gemiddelde" gebruiken.

Samenvatting

• Doel: Het beste eenvoudige model vinden om weer te geven hoe wolken mengen met droge lucht.
• Methode: Vergelijk vier eenvoudige modellen met een supergedetailleerde "waarheids"-simulatie.
• Resultaat: Alle modellen zijn goed in het voorspellen van gemiddelden voor temperatuur en vochtigheid. Echter, alleen de modellen die rekening houden met lokale verschillen (ruimtelijke variabiliteit) kunnen correct voorspellen hoe wolkdruppels groeien of krimpen.
• Betekenis: Om weers- en klimaatmodellen te verbeteren, moeten we de "slimme" kortere wegen gebruiken die onthouden dat lucht niet perfect gemengd is, in plaats van de "domme" kortere wegen die ervan uitgaan dat alles hetzelfde is.

Technische samenvatting

Technische Samenvatting: Benchmarking van Turbulentiemodellen voor het Representeren van Wolk-Randmixing

Probleemstelling
Het begrijpen van wolkontwikkeling vereist het oplossen van multi-schaalprocessen, variërend van grootschalige wolkvelden (100 km) tot de kleinste schalen van turbulentie (1 mm), waar aerosolen en druppels interageren. Hoewel Directe Numerieke Simulaties (DNS) deze kleinschalige turbulente mengprocessen nauwkeurig kunnen oplossen, zijn ze computergewijs onhaalbaar voor grote domeinen en typisch beperkt tot schalen tot één meter. Bijgevolg moeten atmosferische modellen die op grotere schalen opereren (zoals Large-Eddy Simulaties of Global Climate Models) subgrid-schaalmixing parameteriseren. Een kritieke uitdaging is het representeren van de menging van wolkachtige filamenten met droge, onderverzadigde lucht, wat de wolkmicrofysica (druppelaantalconcentratie en grootteverdeling) en thermodynamica verandert. De aard van deze menging – of deze "homogeen" is (verkleining van druppelgrootte maar niet van aantal) of "inhomogeen" (volledige verdamping van sommige druppels terwijl andere intact blijven) – heeft aanzienlijke impact op de stralingskarakteristieken van wolken. Er is echter een gebrek aan systematische vergelijking tussen verschillende statistische turbulentiemodellen met betrekking tot hun vermogen om deze microfysische responsen vast te leggen.

Methodologie
Deze studie benchmarkt vier statistische turbulentiemodellen tegen een set nieuwe Directe Numerieke Simulaties (DNS) die dienen als referentie "ground truth". De DNS lost de incompressibele, Oberbeck-Boussinesq-geapproximeerde Navier-Stokes-vergelijkingen op, gekoppeld aan thermodynamische vergelijkingen voor temperatuur en waterdamp, en Lagrangiaanse vergelijkingen voor wolkdruppeldynamica.

De vier vergeleken statistische modellen zijn:

1. Linear-Eddy Model (LEM): Een een-dimensionaal statistisch model dat turbulente rek en vouwen nabootst via een mapping-benadering om scalairen te verplaatsen, terwijl het moleculaire diffusie en condensatie/verdamping oplost.
2. Eddy-Hopping Model (EHM): Een statistisch model dat fluctuaties in verzadigingsgraad behandelt als een Ornstein-Uhlenbeck-proces. Het neemt ruimtelijke homogeniteit aan, waarbij alle vloeistofelementen vergelijkbare mengdynamica ervaren.
3. Relaxation-to-Mean Model (RMM): Een een-dimensionaal model dat Lagrangiaanse vloeistofelementen volgt en hun verzadigingsgraad relaxeert naar een ensemble-gemiddelde, wat enige ruimtelijke variabiliteit toelaat.
4. Mapping-Closure Model (MCM): Een model gebaseerd op mapping-closure-approximaties dat de niet-Gaussische evolutie van verzadigingsgraad voorspelt vanuit Gaussische statistieken, gebruikmakend van een mappingfunctie afgeleid van DNS-gegevens.

Alle modellen maken gebruik van een vergelijkbare Lagrangiaanse representatie van wolkmicrofysica. De studie simuleert de menging van een wolkachtig filament met droge lucht over verschillende turbulentie-intensiteiten (energie-dissipatiesnelheden $\epsilon$ van 1 tot 1000 cm² s⁻³) en omgevingsvochtigheden (gevallen n0 tot n3). De modellen worden geïnitieerd met specifieke profielen voor het mengverhouding van waterdamp en temperatuur, en de resultaten worden geanalyseerd voor domein-gemiddelde thermodynamische grootheden, druppelaantalconcentratie ($N_c$), gemiddelde druppelstraal ($r_m$) en de spectrale breedte van druppelgrootteverdelingen.

Belangrijkste Resultaten

• Thermodynamica: Alle vier statistische modellen slaan erin de evolutie van thermodynamische grootheden (mengverhouding waterdamp, temperatuur en domein-gemiddelde verzadigingsgraad) tijdens het mengproces vast te leggen, ongeacht turbulentie-intensiteit of omgevingsvochtigheid. Er werden kleine discrepanties in mengsnelheden waargenomen, maar deze waren verwaarloosbaar in vergelijking met de variaties veroorzaakt door het veranderen van turbulentieparameters.
• Wolkmicrofysica: Er kwamen significante verschillen naar voren in de representatie van wolkmicrofysische eigenschappen.
  • Inhomogene Menging: DNS, LEM en MCM slaagden erin de geleidelijke afname van druppelaantalconcentratie ($N_c$) vast te leggen, wat inhomogene menging aangeeft waarbij sommige druppels volledig verdampen terwijl andere blijven bestaan.
  • Homogene Bias: Het EHM slaagde er niet in dit gedrag vast te leggen en voorspelde een constante $N_c$ totdat alle druppels gelijktijdig verdampten. Dit suggereert een bias naar homogene menging.
  • Gedeeltelijk Succes: Het RMM toonde gedeeltelijk succes in het representeren van inhomogene menging, maar neigde ertoe de grootste druppels te snel te verdampen in vergelijking met DNS.
• Verzadigingsgradenspectra: Het vermogen om inhomogene menging te representeren was direct gekoppeld aan het vermogen van de modellen om de brede, asymmetrische verdeling van Lagrangiaanse verzadigingsgraad die door druppels wordt ervaren, te reproduceren.
  • DNS en LEM reproduceerden de brede, asymmetrische spectra die voortvloeien uit de menging van lucht met hoge verzadigingsgraad in de wolk met lucht met lage verzadigingsgraad in de omgeving.
  • MCM stemde goed overeen met DNS bij hoge turbulentie ($\epsilon = 1000$ cm² s⁻³) maar had moeite met lage turbulentie ($\epsilon = 1$ cm² s⁻³) vanwege zijn ontwerp om te relaxeren naar een Gaussische verdeling.
  • EHM en RHM slaagden er niet in de volledige verbreding van de verzadigingsgradenverdeling weer te geven, waarbij EHM een zeer smalle verdeling aannam.
• Resolutiegevoeligheid: De studie benadrukte dat het vermogen van de LEM om inhomogene menging te representeren resolutie-afhankelijk is. Grovere resoluties in LEM vertraagden initiële condensatie en daaropvolgende verdamping, wat de omgevingslucht kunstmatig bevochtigde en wolkfragmentatie verminderde.

Betekenis en Claims
Het artikel claimt dat terwijl eenvoudigere statistische modellen de thermodynamische evolutie van wolk-randmixing effectief kunnen representeren, ze niet allemaal even goed de resulterende veranderingen in wolkmicrofysica vastleggen. De studie toont aan dat het nauwkeurig representeren van de ruimtelijke variabiliteit van verzadigingsgraad een noodzakelijke voorwaarde is voor modellen om inhomogene menging en de daarmee gepaard gaande veranderingen in druppelaantalconcentratie en spectrale breedte correct te simuleren.

De auteurs concluderen dat de LEM en MCM (met passende closures) beter geschikt zijn dan het EHM voor het representeren van deze microfysische processen als subgrid-schaalschema's in grootschalige modellen. Echter, de MCM vereist externe gegevens (bijvoorbeeld van DNS of machine learning) om scenariospecifieke closures voor de mappingfunctie te genereren. Het EHM vereist afstelparameters die kunnen variëren met omgevingscondities, wat een uitdaging vormt voor de toepassing ervan als subgrid-schaalmodel. Uiteindelijk bieden deze statistische modellen een uitvoerbare manier om de kloof te overbruggen tussen kleinschalige turbulentie en wolkfysica, hoewel DNS essentieel blijft voor het oplossen van de ingewikkelde fysische processen die deze modellen benaderen.