The development of parameterizations is a major task in the development of weather and climate models. Model improvement has been slow in the past decades, due to the difficulty of encompassing key physical processes into parameterizations, but also of calibrating or “tuning” the many free parameters involved in their formulation. Machine learning techniques have been recently used for speeding up the development process. While some studies propose to replace parameterizations by data‐driven neural networks, we rather advocate that keeping physical parameterizations is key for the reliability of climate projections. In this paper we propose to harness machine learning to improve physical parameterizations. In particular, we use Gaussian process‐based methods from uncertainty quantification to calibrate the model free parameters at a process level. To achieve this, we focus on the comparison of single‐column simulations and reference large‐eddy simulations over multiple boundary‐layer cases. Our method returns all values of the free parameters consistent with the references and any structural uncertainties, allowing a reduced domain of acceptable values to be considered when tuning the three‐dimensional (3D) global model. This tool allows to disentangle deficiencies due to poor parameter calibration from intrinsic limits rooted in the parameterization formulations. This paper describes the tool and the philosophy of tuning in single‐column mode. Part 2 shows how the results from our process‐based tuning can help in the 3D global model tuning.

中文翻译：

---

基于过程的气候模型开发，利用机器学习：I。用于参数化改进的校准工具

参数化的开发是天气和气候模型开发的主要任务。由于难以将关键的物理过程包含到参数化中，而且难以校准或“调整”其配方中涉及的许多自由参数，因此模型的改进在过去几十年中一直很缓慢。机器学习技术最近已用于加速开发过程。虽然一些研究建议用数据驱动的神经网络代替参数化，但我们主张保持物理参数化对于气候预测的可靠性至关重要。在本文中，我们建议利用机器学习来改善物理参数化。特别是，我们从不确定性量化中使用基于高斯过程的方法来在过程级别校准无模型参数。为了实现这一点，我们专注于在多个边界层情况下对单列模拟和参考大涡模拟的比较。我们的方法返回与参考一致的自由参数的所有值以及任何结构上的不确定性，从而在调整三维（3D）全局模型时可以考虑减少可接受范围的值。该工具可以消除由于参数校准不佳而引起的缺陷与根植于参数化公式中的固有限制。本文介绍了在单列模式下进行调整的工具和原理。第2部分展示了基于过程的调整结果如何有助于3D全局模型调整。我们的方法返回与参考和任何结构不确定性一致的自由参数的所有值，从而在调整三维（3D）全局模型时可以考虑减少可接受值的范围。该工具可以消除由于参数校准不佳而引起的缺陷与根植于参数化公式中的固有限制。本文介绍了在单列模式下进行调整的工具和原理。第2部分展示了基于过程的调整结果如何有助于3D全局模型调整。我们的方法返回与参考一致的自由参数的所有值以及任何结构上的不确定性，从而在调整三维（3D）全局模型时可以考虑减少可接受范围的值。该工具可以消除由于参数校准不佳而引起的缺陷与根植于参数化公式中的固有限制。本文介绍了在单列模式下进行调整的工具和原理。第2部分展示了基于过程的调整结果如何有助于3D全局模型调整。该工具可以消除由于参数校准不佳而引起的缺陷与根植于参数化公式中的固有限制。本文介绍了在单列模式下进行调整的工具和原理。第2部分展示了基于过程的调整结果如何有助于3D全局模型调整。该工具可以消除由于参数校准不佳而引起的缺陷与根植于参数化公式中的固有限制。本文介绍了在单列模式下进行调整的工具和原理。第2部分展示了基于过程的调整结果如何有助于3D全局模型调整。