DOI: https://doi.org/10.5194/gmd-18-5605-2025
تاريخ النشر: 2025-09-04
المؤلف: Ankur Mahesh وآخرون
الموضوع الرئيسي: الظواهر الجوية والمحاكاة
نظرة عامة
في الجزء الأول من الدراسة، طور المؤلفون نظام توقعات جماعية باستخدام مشغلات عصبية فورية كروية، معتمدين على متجهات مربية لاضطرابات الحالة الأولية ونقاط تفتيش نموذج مدربة بشكل مستقل لاضطرابات النموذج. أظهر التجميع أداءً يعادل أنظمة التنبؤ بالطقس التشغيلية مع تقليل كبير في متطلبات الموارد الحاسوبية.
في الجزء الثاني، وسع المؤلفون هذا النهج لإنشاء تجميع كبير، يسمى HENS، يتكون من 7424 عضوًا يتم تهيئتهم يوميًا طوال صيف 2023. تم تفصيل المواصفات الفنية لإدارة مثل هذا التجميع الكبير، مع تسليط الضوء على قدرة HENS على أخذ عينات بدقة من ذيول توزيع التنبؤ والتقلبات الداخلية. يخدم HENS غرضين رئيسيين: يوفر مجموعة بيانات كبيرة لتحليل إحصائيات ودوافع أحداث الطقس المتطرفة، مع أخذ عينات من الحدوث حتى 4 انحرافات معيارية (4σ) من متوسط التجميع، ويعمل كنظام متقدم لتوقعات الطقس. يعزز هذا النظام مهارة التنبؤ لأكثر أعضاء التجميع دقة ويحسن تغطية المسارات المحتملة للطقس في المستقبل، بينما يقدم أيضًا تقديرًا أفضل لعدم اليقين ويقلل من احتمالية حدوث أحداث شاذة في التوقعات.
مقدمة
تؤكد مقدمة الورقة على الدور الحاسم لتوقعات التجميع في التنبؤ بالطقس والمناخ، لا سيما في إدارة عدم اليقين وتعزيز اتخاذ القرار (Mankin et al., 2020). تسلط الضوء على التقدم في التنبؤ العددي التشغيلي بالطقس (NWP) الذي حسن دقة التنبؤات الاحتمالية للتجميع (Palmer, 2002; Leutbecher and Palmer, 2008). يتم التأكيد على ضرورة التجميعات الكبيرة في علم المناخ، حيث تساعد في التمييز بين التقلبات الداخلية والاتجاهات المفروضة، مع أمثلة ملحوظة مثل نموذج النظام الأرضي المجتمعي الكبير المكون من 100 عضو ونموذج الملاحظات الكبير المكون من 1000 عضو (McKinnon et al., 2017). تناقش هذه الفقرة أيضًا التحديات التي تطرحها أحجام العينات الصغيرة في دراسة أحداث الطقس المتطرفة، لا سيما الحدوثات ذات الاحتمالية المنخفضة والأثر العالي، والتي لها آثار اجتماعية كبيرة.
تقدم الورقة مجموعة بيانات “HENS” (التجميع الضخم لمحاكاة عددية)، التي تم إنشاؤها باستخدام نهج تجميع جديد يعتمد على مشغلات عصبية فورية كروية، مما يسمح بإنشاء تجميع كبير مكون من 7424 عضوًا، يتم تشغيل كل منها لمدة 15 يومًا. هذه المجموعة من البيانات ذات صلة خاصة لتحليل الحرارة الشديدة في صيف 2023، الأكثر حرارة على الإطلاق (Esper et al., 2024). توضح المقدمة ثلاث مساهمات رئيسية للدراسة: تفصيل المتطلبات الفنية لإنشاء تجميعات كبيرة، تقديم رؤى حول إحصائيات الطقس المتطرف من خلال HENS، وتقييم قدراته في التنبؤ بأحداث الحرارة الشديدة. يجادل المؤلفون بأن HENS يعالج قيود أحجام العينات الصغيرة، ويعزز فهم الطقس المتطرف، ويحسن موثوقية التوقعات للأحداث ذات الاحتمالية المنخفضة والأثر العالي.
نقاش
في هذا القسم، يوضح المؤلفون الإعداد الفني وآثاره لإطار محاكاة التجميع عالي الدقة (HENS)، الذي يدمج المتجهات المربية وعدم اليقين في النموذج من خلال 7424 عضوًا في التجميع. يتم إنشاء كل عضو من 29 نقطة تفتيش لمشغلات التنبؤ العشوائي العصبية (SFNO)، مع تطبيق الاضطرابات على الحالات الأولية عبر 92 تاريخ تهيئة في صيف 2023. يتميز التجميع بدقة مكانية عالية (0.25°) وإنتاج بيانات واسع، يصل إجماليه إلى حوالي 2 بيتابايت، مما يطرح تحديات كبيرة لتخزين البيانات ونقلها. يستخدم المؤلفون تقنيات نقل بيانات متقدمة، مثل نظام Globus، لإدارة مجموعة البيانات الكبيرة بكفاءة، مما يضمن تخصيص الموارد الحاسوبية بشكل أساسي لتوليد البيانات بدلاً من النقل.
كما يؤكد النقاش على أهمية أحجام التجميع الكبيرة لأخذ عينات دقيقة من توزيعات التنبؤ، لا سيما في التقاط الأحداث المتطرفة. يظهر المؤلفون أن تجميعهم يمكن أن يمثل عدم اليقين بفعالية ويقدم رؤى حول الأحداث الذيلية، محققين مكسب معلوماتي قدره 4 انحرافات معيارية من متوسط التجميع. تتيح هذه القدرة توصيفًا قويًا لكل من الإحصائيات المتوسطة والمتطرفة، وهو أمر حاسم لفهم الظواهر الجوية. يبرز المؤلفون إمكانية HENS ليس فقط لمحاكاة الأحداث المتطرفة الملاحظة ولكن أيضًا لاستكشاف السيناريوهات المضادة، مما يعزز فهم الدوافع الديناميكية وراء أنماط الطقس الكبيرة. بشكل عام، تؤكد النتائج على فائدة التجميعات الكبيرة في تحسين موثوقية ودقة توقعات الطقس، لا سيما في سياق أحداث الطقس المتطرفة.
DOI: https://doi.org/10.5194/gmd-18-5605-2025
Publication Date: 2025-09-04
Author(s): Ankur Mahesh et al.
Primary Topic: Meteorological Phenomena and Simulations
Overview
In Part 1 of the study, the authors developed an ensemble forecasting system utilizing spherical Fourier neural operators, employing bred vectors for initial condition perturbations and independently trained model checkpoints for model perturbations. The ensemble demonstrated performance on par with operational weather forecasting systems while significantly reducing computational resource requirements.
In Part 2, the authors expanded this approach to create a large ensemble, termed HENS, consisting of 7424 members initialized daily throughout the summer of 2023. The technical specifications for managing such a large ensemble are detailed, highlighting HENS’s capability to accurately sample the tails of the forecast distribution and internal variability. HENS serves two main purposes: it provides a substantial dataset for analyzing the statistics and drivers of extreme weather events, sampling occurrences up to 4 standard deviations (4σ) from the ensemble mean, and functions as an advanced weather forecasting system. This system enhances the predictive skill of the most accurate ensemble member and improves the coverage of potential future weather trajectories, while also offering better uncertainty quantification and reducing the likelihood of outlier events in forecasts.
Introduction
The introduction of the paper emphasizes the critical role of ensemble forecasts in weather and climate prediction, particularly in managing uncertainty and enhancing decision-making (Mankin et al., 2020). It highlights advancements in operational numerical weather prediction (NWP) that have improved the accuracy of probabilistic ensemble predictions (Palmer, 2002; Leutbecher and Palmer, 2008). The necessity of large ensembles in climate science is underscored, as they help distinguish between internal variability and forced trends, with notable examples like the 100-member Community Earth System Model Large Ensemble and the 1000-member Observational Large Ensemble (McKinnon et al., 2017). The section also discusses challenges posed by small sample sizes in studying extreme weather events, particularly low-likelihood, high-impact occurrences, which have significant societal implications.
The paper introduces the “HENS” (Huge Ensemble of Numerical Simulations) dataset, generated using a novel ensemble approach based on spherical Fourier neural operators, which allows for the creation of a large ensemble of 7424 members, each run for 15 days. This dataset is particularly relevant for analyzing the extreme heat of summer 2023, the hottest on record (Esper et al., 2024). The introduction outlines three key contributions of the study: detailing the technical requirements for creating large ensembles, providing insights into extreme weather statistics through HENS, and assessing its forecasting capabilities for extreme heat events. The authors argue that HENS addresses the limitations of small sample sizes, enhances the understanding of extreme weather, and improves the reliability of forecasts for low-likelihood, high-impact events.
Discussion
In this section, the authors detail the technical setup and implications of their High-Resolution Ensemble Simulation (HENS) framework, which integrates bred vectors and model uncertainty through 7424 ensemble members. Each member is generated from 29 Stochastic Forecasting Neural Operators (SFNO) checkpoints, with perturbations applied to initial conditions across 92 initialization dates in summer 2023. The ensemble is characterized by a high spatial resolution (0.25°) and extensive data output, totaling approximately 2 petabytes, which poses significant challenges for data storage and transfer. The authors employ advanced data transfer techniques, such as the Globus system, to efficiently manage the large dataset, ensuring that computational resources are primarily allocated to data generation rather than transfer.
The discussion also emphasizes the importance of large ensemble sizes for accurately sampling forecast distributions, particularly in capturing extreme events. The authors demonstrate that their ensemble can effectively represent uncertainty and provide insights into tail events, achieving an information gain of 4 standard deviations from the ensemble mean. This capability allows for a robust characterization of both mean and extreme statistics, which is crucial for understanding weather phenomena. The authors highlight the potential of HENS to not only simulate observed extreme events but also to explore counterfactual scenarios, thereby enhancing the understanding of the dynamical drivers behind significant weather patterns. Overall, the findings underscore the utility of large ensembles in improving the reliability and accuracy of weather forecasts, particularly in the context of extreme weather events.