静力平衡作为早期大气模式动力框架的重要假设，能够有效过滤垂直声波和重力波，提升数值模拟的稳定性。随着计算能力和模式分辨率的提高，静力平衡假设不再适用于数公里尺度的预报，对非静力模式的研究日益增多。将一个传统的静力模式发展成非静力模式，不仅需要改变垂直坐标系以及方程形式；并且在垂直方向上需要做隐式处理，计算量较大，不利于并行。此外对于大尺度气候模式，静力平衡假设带来的模式误差并不显著。因此本文主要是基于参数化的思想，通过建立非静力项（气压梯度力与重力之差）与模式原有变量的统计关系，对静力模式进行订正，使其更接近非静力模式，从而延长已有成熟的静力模式的使用时间，减小开发调试成本。机器学习作为现今较为热门的学习工具被广泛使用于大气模式参数化中。本文通过使用随机森林以及全连接神经网络等模型，发现对非静力信息影响最为显著的是两个特征分别为：上一时刻的非静力项以及垂直速度前后时刻的差值。通过对WRF模式斜压波理想试验的应用，可以证明该参数化方法能够稳定积分较长一段时间，并且大幅度减小模式的非静力误差。
 

静力平衡,机器学习,WRF,动力框架