--- TaiESM1中模擬的海洋層積雲特性

TaiESM1能夠在海洋層積雲區域重現實際的雲短波輻射效應，但我們對其機制仍不了解。藉由使用2001年7月在東北太平洋的DYCOMS-II野外觀測數據以及TaiESM1短期後報模擬，我們發現TaiESM1重現了觀測到的雲短波輻射效應，但低估了液態水路徑和邊界層高度。為了更好地理解TaiESM1的表現，我們對雲水的趨勢進行了詳細分析。分析顯示，紊流和雲巨觀物理是主要的過程，但它們的作用相反。在雲層中，雲巨觀物理生成雲水，而紊流則將其移除。在雲層下方，紊流擴散的雲水隨後被雲巨觀物理移除。這突顯了結合野外觀測數據、短期後報模擬和趨勢分析，能有助於理解氣候模式的行為和特性。

--- 冰雲的長波散射對極地氣候的影響

大多數的氣候模式沒有考慮雲的長波散射效應，因為散射通常遠遠弱於雲和溫室氣體的長波吸收效應。然而，在極區，乾燥的大氣使得溫室氣體的吸收效應不強，而且具有強散射能力的冰雲經常出現，顯示雲的長波散射效應需要被考慮。我們使用NCAR CESM耦合一維海洋熱力模式，發現冰雲的長波散射效應可以使北極冬季地面氣溫升高 0.8-1.8 K，南極冬季地面升高 1.3-1.9 K，而極地夏季的增溫沒有這麼明顯。我們也發現當模式的海面溫度和海冰是固定時，雲的長波散射效應無法顯現，因為這種效應是通過地表-大氣耦合表現出來的。更多細節請參考我們的 2020 GRL 論文 (https://doi.org/10.1029/2020GL090534)。

--- 探索兩種邊界層和對流方案的耦合策略

大氣邊界層 (Planet Boundary Layer; PBL)和對流(Convection; Conv) 關係緊密，邊界層的紊流傳遞熱量和水氣，幫助對流的形成發展，而對流又會影響邊界層的結構和紊流特性。我們探索了 GFDL AM4氣候模式中邊界層和對流參數法方案的兩種耦合策略：(1）PBL_then_Conv，對流方案看到的大氣狀態已經被邊界層方案更新，以及（2）PBL_and_Conv，邊界層和對流方案看到同樣的大氣狀態。 AMIP模擬結果顯示，這兩種耦合策略對海洋淺積雲地區有最大的影響， 跟PBL_then_Conv相比，PBL_and_Conv的對流減弱，邊界層的活動增強，而且低雲雲量增加。 我們認為這是因為 PBL_and_Conv 中，對流方案“看到”了一個相對穩定的大氣狀態，導致對流減弱。

--- 在GFDL AM4 加入 MYNN-EDMF 方案並評估其結果

GFDL AM4低估了北美洲、南美洲、和非洲西部海岸的海洋層積雲量，導致這些地區吸收過多的太陽輻射。 為了解決這個問題，我們在AM4中加入了一個新的邊界層/對流方案， Mellor-Yamada-Nakanishi-Niino Eddy-Diffusivity/Mass-Flux (MYNN-EDMF)，主要的挑戰包括 (1) MYNN-EDMF 雲方案和 AM4 雲方案的不兼容性，以及 (2) MYNN-EDMF與其他物理參數法方案的耦合。 AMIP模擬結果顯示，AM4使用MYNN ED可以改善海洋層積雲的偏差，然而，AM4使用MYNN-EDMF加劇了已經很嚴重的海洋層積雲偏差，部分原因是因為MYNN-EDMF與AM4層狀雲方案的耦合問題。