DOI: https://doi.org/10.1038/s41612-025-01009-9
تاريخ النشر: 2025-03-29
المؤلف: Jingchen Pu وآخرون
الموضوع الرئيسي: الظواهر الجوية والمحاكاة
الطرق
تستخدم الدراسة تصميمًا تجريبيًا مكونًا من عنصرين لتحليل وتعزيز توقعات مسار الأعاصير الاستوائية (TC). العنصر الأول يقارن بين ديناميات نمو الاضطراب بين نموذج ECMWF Integrated Forecasting System (IFS) ونموذج FuXi. يتم تحقيق ذلك من خلال نهج توقع متأخر، باستخدام توقعات حتمية من كلا النموذجين على مدار الفترة من 1 يوليو 2021 إلى 31 أكتوبر 2021، بفواصل زمنية تبلغ 12 ساعة. يتم تقييم معدلات نمو الاضطراب من خلال تغيير أحجام الاضطراب الأولية من خلال تعديلات في الفاصل الزمني المتأخر، تتراوح من 12 إلى 120 ساعة. بالإضافة إلى ذلك، تحقق الدراسة في النمو الديناميكي للضوضاء العشوائية Gaussian في نموذج FuXi، التي تم إنشاؤها بناءً على معلمات إحصائية من الاضطرابات الأولية.
في العنصر الثاني، يتم تحسين مخطط توليد المجموعة لنموذج FuXi، ويتم تقييم مهارة توقع مسار TC الخاصة به مقابل نظام التنبؤ الجماعي التشغيلي (EPS) لـ ECMWF. تركز التحليل على TCs في حوضي شمال المحيط الهادئ الغربي والأطلسي الشمالي من يوليو إلى أكتوبر 2021 إلى 2023، مع اختيار حالات تصل إلى قوة عاصفة استوائية على الأقل وتصل إلى اليابسة. تم تحليل ما مجموعه 36 TC، مصنفة وفقًا لمقياس إعصار سافير-سمبسون، مع إجراء 113 تجربة توقع جماعي كل يومين بعد الظهور الأول لـ TCs في بيانات توقع TIGGE. تشير الدراسة إلى أن التقييمات اليومية عبر جميع TCs تؤدي إلى اختلافات هامشية فقط في النتائج، مما يدعم تكرار التقييم المختار.
النتائج
تحقق قسم النتائج في الدراسة في ديناميات نمو الاضطراب في نماذج IFS وFuXi، مع التأكيد على أهمية فهم هذه الديناميات لتوليد الاضطرابات بشكل فعال في نماذج الطقس المعتمدة على الذكاء الاصطناعي. تكشف التحليلات أنه في نموذج IFS، تنخفض معدلات نمو الاضطراب مع زيادة أحجام الاضطراب الأولية، مما يشير إلى نمو سريع للاضطرابات الأصغر بسبب زيادة عدم الاستقرار الجوي. على العكس من ذلك، يظهر نموذج FuXi معدل نمو أقل للاضطرابات الأولية التي تقل عن حوالي $1.5 \, \text{m}^2 \, \text{s}^{-2}$، مع زيادة معدل النمو للاضطرابات الأكبر، مما يشير إلى حساسية ديناميكية مميزة مقارنة بنماذج التنبؤ العددي التقليدية (NWP). يتماشى هذا الاكتشاف مع الأبحاث السابقة التي تشير إلى قيود في قدرة نماذج الذكاء الاصطناعي على محاكاة “أثر الفراشة”، على الرغم من أن ديناميات نمو FuXi تتقارب مع تلك الخاصة بالنماذج المعتمدة على الفيزياء عندما تتجاوز الاضطرابات عتبات معينة.
علاوة على ذلك، تقيم الدراسة أداء نموذج FuXi في توقع مسار الأعاصير الاستوائية (TC)، مما يظهر دقة محسنة مقارنة بنموذج IFS، مع تقليل متوسط أخطاء مسار TC بشكل كبير في كل من منطقتي شمال المحيط الهادئ الغربي والأطلسي الشمالي. تم تحديد الفاصل الزمني المتأخر الأمثل لتوليد الاضطرابات الأولية في مجموعة FuXi على أنه 36 ساعة، مما يوازن بين سعة الاضطراب ومعدل النمو، مما يؤدي إلى تطور دينامي موثوق في التوقعات. يتم تقييم أداء مجموعة FuXi بشكل كمي، مما يكشف عن تقليل مستمر في أخطاء المسار وتحسين درجات الموثوقية مقارنة بمجموعة IFS. على الرغم من أن مجموعة FuXi تظهر بعض التدهور في الأداء خلال الـ 12 ساعة الأولى، إلا أنها تظهر في النهاية مهارة متفوقة في التقاط عدم اليقين في مسار TC، كما يتضح من تحسين توقعات الاحتمالات وانخفاض درجات Brier عبر عتبات مختلفة. بشكل عام، تؤكد هذه النتائج على إمكانيات نموذج FuXi في التنبؤ الجماعي، خاصة عند استخدام الاضطرابات المتطورة التي تعكس بشكل فعال عدم اليقين الفيزيائي في الظروف الأولية.
المناقشة
في هذه المناقشة، يتناول المؤلفون قيود طرق التنبؤ الجماعي التقليدية المعتمدة على نماذج التنبؤ العددي (NWP)، لا سيما فيما يتعلق بمتطلبات الموارد الحاسوبية التي تقيد أحجام المجموعات. يبرزون إمكانيات نماذج الطقس المعتمدة على الذكاء الاصطناعي (AI)، التي تقدم دقة وكفاءة محسنتين، ومع ذلك تواجه تحديات في التنبؤ الجماعي بسبب ديناميات الخطأ غير الواضحة وطرق الاضطراب غير الكافية. تقدم الدراسة مخطط اضطراب جديد مقيد بالفيزياء يستفيد من ديناميات التطور الذاتي لنموذج معتمد على الذكاء الاصطناعي لتوقع الأعاصير الاستوائية (TC). ينتج هذا الأسلوب اضطرابات أولية بخصائص سعة ومكانية محددة، مما يؤدي إلى تحسينات كبيرة في توقعات مسار TC مقارنة بالنماذج التقليدية مثل المركز الأوروبي للتنبؤات الجوية متوسطة المدى (ECMWF).
يظهر المؤلفون أن نهجهم يسمح بتوقعات جماعية تصل إلى 2000 عضو، وهو مقياس لم يكن ممكنًا سابقًا، مما يؤدي إلى تحسين مهارات التنبؤ الاحتمالية وتمثيل أكثر دقة للسيناريوهات المتطرفة. يؤكدون على أهمية فهم العلاقة بين سعة الاضطراب وديناميات النمو، مشيرين إلى أن الاضطرابات المشروطة بشكل مناسب تؤدي إلى معدلات نمو وهياكل مكانية مشابهة لتلك الموجودة في نماذج NWP. بينما يظهر نموذج FuXi أداءً متفوقًا في توقعات مسار TC، يعترف المؤلفون بالحاجة إلى مزيد من تحسين مخطط الاضطراب الأولي واستكشاف عيوب النموذج، لا سيما في تمثيل عدم اليقين وشدة TC. بشكل عام، تؤكد هذه الدراسة على الإمكانيات التحويلية للذكاء الاصطناعي في تحسين التنبؤ الجماعي للأحداث الجوية ذات التأثير العالي مثل TCs.
DOI: https://doi.org/10.1038/s41612-025-01009-9
Publication Date: 2025-03-29
Author(s): Jingchen Pu et al.
Primary Topic: Meteorological Phenomena and Simulations
Methods
The study employs a two-component experimental design to analyze and enhance tropical cyclone (TC) track ensemble forecasts. The first component compares the dynamics of perturbation growth between the ECMWF Integrated Forecasting System (IFS) model and the FuXi model. This is achieved through a lagged forecast approach, utilizing deterministic forecasts from both models over the period from July 1, 2021, to October 31, 2021, at 12-hour intervals. The perturbation growth rates are assessed by varying the initial perturbation magnitudes through adjustments in the lagged interval, ranging from 12 to 120 hours. Additionally, the study investigates the dynamical growth of Gaussian random noise in the FuXi model, generated based on statistical parameters from the initial perturbations.
In the second component, the ensemble generation scheme for the FuXi model is optimized, and its TC track forecast skill is evaluated against the operational ensemble prediction system (EPS) of ECMWF. The analysis focuses on TCs in the western North Pacific and North Atlantic basins from July to October 2021 to 2023, specifically selecting cases that reach at least tropical storm strength and make landfall. A total of 36 TCs are analyzed, categorized according to the Saffir-Simpson Hurricane Scale, with 113 ensemble forecast experiments conducted every two days following the TCs’ first appearance in the TIGGE forecast data. The study indicates that daily evaluations across all TCs yield only marginal differences in outcomes, supporting the chosen evaluation frequency.
Results
The results section of the study investigates the perturbation growth dynamics in the IFS and FuXi models, emphasizing the significance of understanding these dynamics for effective perturbation generation in AI-based weather models. The analysis reveals that in the IFS model, perturbation growth rates decrease with increasing initial perturbation magnitudes, indicating a rapid growth for smaller perturbations due to heightened atmospheric instability. Conversely, the FuXi model exhibits a lower growth rate for initial perturbations below approximately $1.5 \, \text{m}^2 \, \text{s}^{-2}$, with an increasing growth rate for larger perturbations, suggesting a distinct dynamical sensitivity compared to traditional numerical weather prediction (NWP) models. This finding aligns with previous research indicating limitations in AI models’ ability to simulate the “butterfly effect,” although FuXi’s growth dynamics converge with those of physics-based models when perturbations exceed certain thresholds.
Furthermore, the study evaluates the performance of the FuXi model in tropical cyclone (TC) track forecasting, demonstrating improved accuracy over the IFS model, with average TC track errors reduced significantly in both the western North Pacific and North Atlantic regions. The optimal lagged interval for generating initial perturbations in the FuXi ensemble is identified as 36 hours, which balances perturbation amplitude and growth rate, leading to reliable dynamical evolution in forecasts. The FuXi ensemble’s performance is quantitatively assessed, revealing a consistent reduction in track errors and improved reliability scores compared to the IFS ensemble. Although the FuXi ensemble shows some degradation in performance during the initial 12 hours, it ultimately demonstrates superior skill in capturing TC track uncertainties, as evidenced by enhanced probability forecasts and lower Brier scores across various thresholds. Overall, these findings underscore the potential of the FuXi model in ensemble forecasting, particularly when utilizing evolved perturbations that effectively reflect physical uncertainties in initial conditions.
Discussion
In this discussion, the authors address the limitations of traditional ensemble forecasting methods based on numerical weather prediction (NWP) models, particularly regarding computational resource demands that restrict ensemble sizes. They highlight the potential of artificial intelligence (AI)-based weather models, which offer improved accuracy and efficiency, yet face challenges in ensemble forecasting due to unclear error dynamics and inadequate perturbation methods. The study introduces a novel physics-constrained perturbation scheme that leverages the self-evolution dynamics of an AI-based model for tropical cyclone (TC) ensemble forecasting. This method generates initial perturbations with specific amplitude and spatial characteristics, leading to significant improvements in TC track forecasts compared to traditional models like the European Centre for Medium-Range Weather Forecasts (ECMWF).
The authors demonstrate that their approach allows for ensemble forecasts with up to 2000 members, a scale previously unattainable, resulting in enhanced probabilistic forecasting skills and a more accurate representation of extreme scenarios. They emphasize the importance of understanding the relationship between perturbation amplitude and growth dynamics, noting that appropriately conditioned perturbations yield growth rates and spatial structures akin to those in NWP models. While the FuXi model shows superior performance in TC track predictions, the authors acknowledge the need for further refinement of the initial perturbation scheme and the exploration of model deficiencies, particularly in representing uncertainties and TC intensity. Overall, this study underscores the transformative potential of AI in improving ensemble forecasting for high-impact weather events like TCs.