Abstract. Recent research has demonstrated that hidden Markov model (HMM) analysis is an effective tool to classify atmospheric observations of the stably stratified nocturnal boundary layer (SBL) into weakly stable (wSBL) and very stable (vSBL) regimes. Here we consider the development of explicitly stochastic representations of SBL regime dynamics. First, we analyze whether HMM-based SBL regime statistics (the occurrence of regime transitions, subsequent transitions after the first, and very persistent nights) can be accurately represented by “freely running” stationary Markov chains (FSMCs). Our results show that despite the HMM-estimated regime statistics being relatively insensitive to the HMM transition probabilities, these statistics cannot all simultaneously be captured by a FSMC. Furthermore, by construction a FSMC cannot capture the observed non-Markov regime duration distributions. Using the HMM classification of data into wSBL and vSBL regimes, state-dependent transition probabilities conditioned on the bulk Richardson number (RiB) or the stratification are investigated. We find that conditioning on stratification produces more robust results than conditioning on RiB . A prototype explicitly stochastic parameterization is developed based on stratification-dependent transition probabilities, in which turbulence pulses (representing intermittent turbulence events) are added during vSBL conditions. Experiments using an idealized single-column model demonstrate that such an approach can simulate realistic-looking SBL regime dynamics.

中文翻译：

---

稳定分层大气边界层中状态行为的原型随机参数化

摘要。最近的研究表明，隐马尔可夫模型 (HMM) 分析是将稳定分层的夜间边界层 (SBL) 的大气观测分为弱稳定 (wSBL) 和非常稳定 (vSBL) 状态的有效工具。在这里，我们考虑了 SBL 机制动态的显式随机表示的发展。首先，我们分析基于 HMM 的 SBL 状态统计数据（状态转换的发生、第一个夜晚之后的后续转换以及非常持久的夜晚）是否可以由“自由运行”的平稳马尔可夫链（FSMC）准确表示。我们的结果表明，尽管 HMM 估计的状态统计数据对 HMM 转换概率相对不敏感，但 FSMC 无法同时捕获这些统计数据。此外，通过构建 FSMC 无法捕获观察到的非马尔可夫状态持续时间分布。使用 HMM 将数据分类为 wSBL 和 vSBL 制度，研究了以批量理查森数 (RiB) 或分层为条件的状态相关转移概率。我们发现分层条件下比 RiB 条件下产生更稳健的结果。基于分层相关的转换概率开发了一个明确的随机参数化原型，其中在 vSBL 条件下添加了湍流脉冲（代表间歇性湍流事件）。使用理想化单柱模型的实验表明，这种方法可以模拟逼真的 SBL 状态动力学。使用 HMM 将数据分类为 wSBL 和 vSBL 制度，研究了以批量理查森数 (RiB) 或分层为条件的状态相关转移概率。我们发现分层条件下比 RiB 条件下产生更稳健的结果。基于分层相关的转换概率开发了一个显式随机参数化原型，其中在 vSBL 条件下添加了湍流脉冲（代表间歇性湍流事件）。使用理想化单柱模型的实验表明，这种方法可以模拟逼真的 SBL 状态动力学。使用 HMM 将数据分类为 wSBL 和 vSBL 制度，研究了以批量理查森数 (RiB) 或分层为条件的状态相关转移概率。我们发现分层条件下比 RiB 条件下产生更稳健的结果。基于分层相关的转换概率开发了一个显式随机参数化原型，其中在 vSBL 条件下添加了湍流脉冲（代表间歇性湍流事件）。使用理想化单柱模型的实验表明，这种方法可以模拟逼真的 SBL 状态动力学。我们发现分层条件下比 RiB 条件下产生更稳健的结果。基于分层相关的转换概率开发了一个显式随机参数化原型，其中在 vSBL 条件下添加了湍流脉冲（代表间歇性湍流事件）。使用理想化单柱模型的实验表明，这种方法可以模拟逼真的 SBL 状态动力学。我们发现分层条件下比 RiB 条件下产生更稳健的结果。基于分层相关的转换概率开发了一个显式随机参数化原型，其中在 vSBL 条件下添加了湍流脉冲（代表间歇性湍流事件）。使用理想化单柱模型的实验表明，这种方法可以模拟逼真的 SBL 状态动力学。