DOI: https://doi.org/10.1175/aies-d-25-0113.1
تاريخ النشر: 2026-07-01
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: الظواهر الجوية والمحاكاة
نظرة عامة
تتناول هذه الدراسة التحديات التي تواجه أنظمة التنبؤ بالطقس المعتمدة على الذكاء الاصطناعي (AIWP) في التنبؤ بدقة بالأحداث الجوية المتطرفة. تقوم بتقييم أداء النماذج الحتمية المتطورة – FuXi وGraphCast وSFNO – عند تعرضها لاضطرابات مختلفة في الظروف الأولية (الضوضاء الغاوسية، ضوضاء بيرلين، متجهات مركز نصف الكرة الأرضية، والفرق الكبيرة). من خلال إنشاء فرق مكونة من 50 عضوًا لأحداث مهمة مثل فيضانات باكستان في أغسطس 2022 وموجة الحرارة في الصين، تقيم الأبحاث مهارة الفرق مقابل بيانات ERA5 وتقارنها مع النماذج الاحتمالية مثل IFS ENS وAIFS ENS. تشير النتائج إلى أنه بينما تؤدي طرق الاضطراب الأبسط إلى انتشار الفرق ومهارات احتمالية قابلة للمقارنة مع الأساليب المعتمدة على التدفق الأكثر تعقيدًا، فإن اختيار بنية النموذج هو المحدد الرئيسي لأداء الفرق.
تخلص الدراسة إلى أن نماذج AIWP الحتمية يمكن أن تستفيد من الاضطرابات البسيطة لتعزيز قدرات التنبؤ الاحتمالية، خاصة في البيئات ذات الموارد المحدودة. على الرغم من أن هذه الفرق المعتمدة على الاضطرابات تحسن الأداء، إلا أنها لا تتطابق تمامًا مع مهارة فرق التنبؤ العددي بالطقس أو النماذج الاحتمالية الأصلية، التي تظل متفوقة عندما تسمح الموارد الحاسوبية بذلك. بالإضافة إلى ذلك، أظهرت النماذج قدرة أكبر على التقاط درجات الحرارة القصوى مقارنةً بالهطول، مع تراجع ملحوظ في المهارة الاحتمالية مع زيادة زمن التنبؤ. تمثل هذه الأبحاث مساهمة كبيرة في فهم استراتيجيات توليد الفرق في نماذج AIWP الحتمية، حيث تجمع بين دراسة الحالة والتحليلات العالمية للمرة الأولى.
مقدمة
لدمج منهجيات متقدمة يمكن أن تعزز دقة التنبؤ. تقدم التطورات الأخيرة في الذكاء الاصطناعي، وخاصة في تقنيات التعلم الآلي ودمج البيانات، بدائل واعدة للتنبؤ العددي بالطقس التقليدي. يمكن أن تستفيد هذه الأساليب المعتمدة على الذكاء الاصطناعي من مجموعات بيانات ضخمة، مما يحسن من كفاءة وفعالية التنبؤات الجوية مع تقليل التكاليف الحاسوبية المحتملة.
علاوة على ذلك، فإن دمج الذكاء الاصطناعي في التنبؤ بالمناخ لا يعزز فقط دقة التنبؤات، بل يساعد أيضًا في الإدارة الاستباقية للمخاطر الطبيعية. من خلال استخدام الذكاء الاصطناعي لتحليل البيانات التاريخية وتحديد الأنماط، يمكن للباحثين تقييم المخاطر المرتبطة بالأحداث الجوية المتطرفة بشكل أفضل. تشير هذه النقلة نحو الذكاء الاصطناعي في الأرصاد الجوية إلى خطوة تحويلية في كيفية فهمنا والاستجابة للتحديات المتعلقة بالمناخ، مما يؤدي في النهاية إلى مجتمعات أكثر مرونة.
الطرق
تستخدم المنهجية الموضحة في هذه الدراسة نهجًا منهجيًا للتنبؤ بالفرق باستخدام بيانات إعادة تحليل ERA5 كظروف أولية. في البداية، يتم تطبيق أربع طرق اضطراب لتوليد $M = 50$ حالة أولية متميزة، والتي يتم إدخالها بعد ذلك في نماذج AIWP المختلفة لإنتاج $M = 50$ تنبؤًا لفترة زمنية تصل إلى 10 أيام. يتم تقييم هذه التنبؤات الفرقية عند دقة 6 ساعات و يوميًا مقابل بيانات ERA5 المرجعية لتقييم قدراتها التنبؤية. يسهل إطار عمل Earth2Studio، الذي تم تطويره بواسطة NVIDIA، التعامل مع البيانات وتنفيذ التنبؤات عبر نماذج وطرق اضطراب متعددة. بالإضافة إلى ذلك، يتم استخدام إطار عمل WeatherBench، مع امتداد مقاييسه الاحتمالية، لتقييم دقة التنبؤ.
تشمل طرق الاضطراب المختارة لهذه الدراسة الضوضاء الغاوسية، ضوضاء بيرلين، متجه مركز نصف الكرة الأرضية (HCBV)، والفرق الكبيرة (HENS). تولد الطريقتان الأوليان اضطرابات مرتبطة مكانيًا مستقلة عن الحالة الجوية، بينما HCBV وHENS هما أساليب تعتمد على التدفق مصممة لالتقاط أسرع أنماط التدفق الجوي. يسمح هذا الاختيار بالتحقيق في تأثير الارتباط المكاني في الاضطرابات (غاوسي مقابل بيرلين) والفوائد المحتملة للهياكل المعتمدة على التدفق (HCBV/HENS مقابل غاوسي/بيرلين). يتم استخدام عامل قياس بلا أبعاد $s$ للتحكم في حجم الاضطرابات، مع إجراء تحليل حساسية لتحديد القيم المثلى لكل طريقة.
النتائج
في هذا القسم، يتم تقييم أداء ثلاثة نماذج للتنبؤ بالطقس المعتمدة على الذكاء الاصطناعي (AIWP) في التنبؤ بالأحداث الجوية المتطرفة تحت اضطرابات إدخال مختلفة. تركز التحليلات على درجة مهارة خاصية التشغيل النسبية (ROCSS) عبر عتبات النسب المئوية المختلفة (من 90 إلى 99.5) للمتغيرات مثل إجمالي الهطول اليومي ودرجة الحرارة القصوى. تشير النتائج إلى أن مهارة النماذج تختلف بشكل كبير بناءً على المتغير المتوقع، وبنية النموذج، واستراتيجية الاضطراب، وزمن التنبؤ. من الجدير بالذكر أن مهارة التنبؤ تتناقص مع زيادة النسبة المئوية، حيث يظهر إجمالي الهطول أقل مهارة، بينما يظهر الجيوإمكان أعلى مهارة تمييز.
تكشف الدراسة عن اختلافات كبيرة في الأداء بين النماذج، خاصة بالنسبة للهطول، حيث يظهر FuXi أكبر تباين عبر أوقات التنبؤ. عمومًا، تتفوق نماذج ENS وAIFS ENS على الآخرين من حيث مهارة التمييز، خاصة لتنبؤات الهطول. من المثير للاهتمام أن اختيار طريقة الاضطراب له تأثير نسبي ضئيل على مهارة التنبؤ، كما يتضح من الانتشار المماثل عبر استراتيجيات الاضطراب المختلفة. من بين هذه الطرق، حققت الغاوسية، بيرلين، وHCBV أعلى مهارة احتمالية، مما يعزز قدرات النماذج الحتمية. بشكل عام، تفوقت AIFS ENS على ENS في مقاييس ROCSS حتى زمن 5 أيام للهطول و6 أيام لدرجة الحرارة، مما يبرز مزايا التدريب الاحتمالي في نماذج AIWP.
المناقشة
تسلط قسم المناقشة في الورقة الضوء على التقدم في نماذج التنبؤ بالطقس المعتمدة على الذكاء الاصطناعي (AIWP)، خاصة في سياق الأحداث الجوية المتطرفة. يتم التأكيد على التنبؤ بالفرق، الذي يولد محاكاة متعددة لأخذ في الاعتبار عدم اليقين في الظروف الأولية وهياكل النماذج، كنهج حاسم لتحسين التنبؤات الاحتمالية. لقد عززت التطورات الأخيرة في التعلم الآلي، بما في ذلك استخدام المحولات، ومشغلات فورييه العصبية، والشبكات العصبية الرسومية، مهارة التنبؤ لنماذج AIWP، متجاوزة نماذج التنبؤ العددي التقليدية (NWP). يمثل التكامل التشغيلي لنظام التنبؤ بالذكاء الاصطناعي (AIFS) من قبل ECMWF علامة بارزة في هذه التطورات.
على الرغم من القدرات الواعدة لنماذج AIWP الحتمية، فإن أدائها في التنبؤ بالأحداث المتطرفة معقد. قد تؤدي هذه النماذج، التي غالبًا ما يتم تدريبها بهدف حتمي، إلى تسطيح ذيول التوزيعات التنبؤية، مما يؤدي إلى تحديات في التنبؤ بدقة بالأحداث النادرة. تشير الدراسات إلى أنه بينما يمكن لنماذج AIWP الحتمية التنافس مع NWP لبعض الأحداث المتطرفة، فإن مهارتها تختلف بشكل كبير بناءً على المتغير، والمنطقة، وزمن التنبؤ. تهدف الورقة إلى معالجة أسئلة بحثية رئيسية تتعلق بفعالية الفرق المعتمدة على الاضطرابات من نماذج AIWP الحتمية مقارنةً بالأنظمة الاحتمالية، والمهارة المقارنة عبر مختلف الأحداث الجوية المتطرفة، وتأثير بنية النموذج مقابل طرق الاضطراب على مهارة الفرق. من المتوقع أن تسهم النتائج في النشر العملي لنماذج AIWP في البيئات التشغيلية، خاصة للأحداث الجوية ذات التأثير العالي.
DOI: https://doi.org/10.1175/aies-d-25-0113.1
Publication Date: 2026-07-01
Author(s): Zhenyun Du et al.
Primary Topic: Meteorological Phenomena and Simulations
Overview
This study addresses the challenges faced by artificial intelligence-based weather prediction (AIWP) systems in accurately forecasting extreme weather events. It evaluates the performance of state-of-the-art deterministic models—FuXi, GraphCast, and SFNO—when subjected to various initial-condition perturbations (Gaussian, Perlin noise, Hemispheric Centered Bred Vectors, and Huge Ensembles). By generating 50-member ensembles for significant events such as the August 2022 Pakistan floods and the China heatwave, the research assesses ensemble skill against ERA5 data and compares it with probabilistic models like IFS ENS and AIFS ENS. The findings indicate that while simpler perturbation methods yield ensemble spreads and probabilistic skills comparable to more complex flow-based approaches, the choice of model architecture is the primary determinant of ensemble performance.
The study concludes that deterministic AIWP models can benefit from simple perturbations to enhance probabilistic forecasting capabilities, particularly in resource-constrained environments. Although these perturbation-based ensembles improve performance, they do not fully match the skill of numerical weather prediction ensembles or native probabilistic models, which remain superior when computational resources allow. Additionally, the models demonstrated a greater ability to capture temperature extremes compared to precipitation, with a noted decline in probabilistic skill as lead time increased. This research represents a significant contribution to understanding ensemble generation strategies in deterministic AIWP models, combining both case study and global analyses for the first time.
Introduction
to incorporate advanced methodologies that can enhance predictive accuracy. Recent advancements in AI, particularly in machine learning and data assimilation techniques, offer promising alternatives to traditional NWP. These AI-driven approaches can leverage vast datasets, improving the efficiency and effectiveness of weather predictions while potentially reducing computational costs.
Furthermore, the integration of AI in climate forecasting not only enhances the precision of predictions but also aids in the proactive management of natural hazards. By utilizing AI to analyze historical data and identify patterns, researchers can better assess risks associated with extreme weather events. This shift towards AI in meteorology signifies a transformative step in how we understand and respond to climate-related challenges, ultimately leading to more resilient communities.
Methods
The methodology outlined in this study employs a systematic approach to ensemble forecasting using ERA5 reanalysis data as initial conditions. Initially, four perturbation methods are applied to generate $M = 50$ distinct initial states, which are then fed into various AIWP models to produce $M = 50$ predictions for a lead time of up to 10 days. These ensemble forecasts are evaluated at both 6-hourly and daily resolutions against the ERA5 reference data to assess their predictive capabilities. The Earth2Studio framework, developed by NVIDIA, facilitates the handling of data and execution of predictions across multiple models and perturbation methods. Additionally, the WeatherBench framework, along with its probabilistic metrics extension, is utilized for the evaluation of forecast accuracy.
The perturbation methods selected for this study include Gaussian noise, Perlin noise, Hemispheric Centered Bred Vector (HCBV), and Huge Ensembles (HENS). The first two methods generate spatially correlated perturbations independent of the atmospheric state, while HCBV and HENS are flow-dependent approaches designed to capture the fastest-growing modes of atmospheric flow. This selection allows for an investigation into the impact of spatial correlation in perturbations (Gaussian vs. Perlin) and the potential benefits of flow-dependent structures (HCBV/HENS vs. Gaussian/Perlin). A dimensionless scaling factor $s$ is employed to control the magnitude of perturbations, with a sensitivity analysis conducted to determine optimal values for each method.
Results
In this section, the performance of three deterministic Artificial Intelligence-based Weather Prediction (AIWP) models is evaluated in predicting extreme weather events under various input perturbations. The analysis focuses on the Relative Operating Characteristic Skill Score (ROCSS) across different percentile thresholds (90th to 99.5th) for variables such as daily total precipitation and maximum temperature. The results indicate that the skill of the models varies significantly based on the predicted variable, model architecture, perturbation strategy, and forecast lead time. Notably, the forecast skill diminishes as the percentile increases, with total precipitation exhibiting the lowest skill, while geopotential shows the highest discrimination skill.
The study reveals stark performance differences among the models, particularly for precipitation, with FuXi demonstrating the greatest variability across lead times. The ENS and AIFS ENS models generally outperform others in terms of discrimination skill, especially for precipitation forecasts. Interestingly, the choice of perturbation method has a relatively minor impact on forecast skill, as evidenced by the similar spread across different perturbation strategies. Among these methods, Gaussian, Perlin, and HCBV achieved the highest probabilistic skill, enhancing the models’ deterministic capabilities. Overall, AIFS ENS outperformed ENS in ROCSS metrics up to a 5-day lead time for precipitation and 6-day lead time for temperature, underscoring the advantages of probabilistic training in AIWP models.
Discussion
The discussion section of the paper highlights the advancements in artificial intelligence-based weather prediction (AIWP) models, particularly in the context of extreme weather events. Ensemble forecasting, which generates multiple simulations to account for uncertainties in initial conditions and model structures, is emphasized as a critical approach for improving probabilistic forecasts. Recent developments in machine learning, including the use of transformers, Fourier neural operators, and graph neural networks, have enhanced the predictive skill of AIWP models, surpassing traditional numerical weather prediction (NWP) models. The operational integration of the AI Forecasting System (AIFS) by ECMWF represents a significant milestone in this evolution.
Despite the promising capabilities of deterministic AIWP models, their performance in predicting extreme events is nuanced. These models, often trained with a deterministic objective, may smooth out the tails of predictive distributions, leading to challenges in accurately forecasting rare events. Studies indicate that while deterministic AIWP models can compete with NWP for certain extremes, their skill varies significantly based on the variable, region, and lead time. The paper aims to address key research questions regarding the effectiveness of perturbation-based ensembles from deterministic AIWP models compared to probabilistic systems, the comparative skill across different meteorological extremes, and the influence of model architecture versus perturbation methods on ensemble skill. The findings are expected to contribute to the practical deployment of AIWP models in operational settings, particularly for high-impact weather events.