近日，E. K. de Jong等学者在《地球物理学杂志：机器学习与计算》发表研究，利用机器学习技术系统评估了三种模拟云内雨滴并合过程的计算模型。团队基于超滴法大涡模拟数据，采用自动编码器进行训练，旨在突破传统云微物理参数化方法精度低或算力消耗大的瓶颈。对比结果表明，结构最简的多项式稀疏非线性动力学识别框架表现最优，其预测不确定性最低，且对独立测试集的泛化能力显著优于神经网络驱动模型。研究证实，盲目增加模型复杂度并非提升性能的有效途径。模型成功复现了水滴平均尺寸增长规律及云滴与雨滴共存的双峰分布特征，但在处理数据噪声与极窄分布峰时仍有局限。研究团队强调，后续需整合凝结、蒸发等微物理过程，并结合真实大气观测实施在线测试与参数标定。该成果为优化云降水模拟提供了新范式，有望显著提升数值天气预报与气候系统的预测精度。