DOI: https://doi.org/10.5194/gmd-19-8167-2026
تاريخ النشر: 2026-09-03
المؤلف: Camille Le Coz وآخرون
الموضوع الرئيسي: الظواهر الجوية والمحاكاة
نظرة عامة
تناقش هذه القسم دمج التوقعات الجماعية من خلال عدسة فضاءات الاحتمالات، باستخدام مراكز ثقل توزيعات الاحتمالات المنفصلة. يعيد المؤلفون صياغة توقعات النماذج المتعددة (MME) باستخدام نوعين من مراكز الثقل: مركز الثقل L2، الذي يتماشى مع طرق التجميع التقليدية، ومركز الثقل فاسرشتاين، الذي يحتفظ ببعض الخصائص الهندسية لتوزيعات المدخلات. تطبق الدراسة هذه المراكز لتوقع درجة الحرارة الأسبوعية على ارتفاع 2 م، وسرعة الرياح على ارتفاع 10 م، وارتفاع الجيوإمكانات على 500 هكتوباسكال خلال شتاء أوروبا، مما يكشف أنه بينما تعطي كلا المراكز نفس المتوسط الجماعي، إلا أنها تختلف في تمثيلها لعدم اليقين في التوقعات. من الجدير بالذكر أن مركز الثقل L2 يظهر انتشارًا أكبر، مما يؤدي إلى احتمال نقص الثقة، بينما يظهر مركز الثقل فاسرشتاين أداءً متفوقًا من حيث درجة الاحتمال المرتبة المستمرة (CRPS) عبر سيناريوهات مختلفة.
تؤكد النتائج على فائدة مراكز الثقل في تعزيز التوقعات من الموسم إلى الموسم (S2S) من خلال دمج التوقعات الجماعية بشكل فعال. يمكن تحليل تباين مركز الثقل L2 إلى مكونات تعكس عدم اليقين في التوقعات الفردية وخطأ النموذج المنهجي، بينما يلتقط مركز الثقل فاسرشتاين هذه المعلومات بشكل مختلف. تشير النتائج إلى أن دمج نماذج متعددة في مركز ثقل يمكن أن يؤدي إلى توقعات بنفس مهارة أفضل مجموعة نماذج فردية (SME)، مما يعزز قيمة الأساليب متعددة النماذج. تشمل اتجاهات البحث المستقبلية تحسين أوزان مركز الثقل لتوقعات MME الموزونة واستكشاف مراكز ثقل فاسرشتاين متعددة المتغيرات لأخذ التغايرات المتغيرة في الاعتبار، بالإضافة إلى معالجة مشكلة انكماش التباين المرتبطة بمراكز ثقل فاسرشتاين المنفصلة.
مقدمة
تناقش المقدمة مزايا طرق النماذج المتعددة (MME) في تعزيز مهارة التوقع عبر مقاييس زمنية مختلفة، بما في ذلك التوقعات قصيرة المدى، ومتوسطة المدى، والتوقعات الموسمية. تشير الأبحاث إلى أن MME تتفوق على توقعات النموذج الفردي (SME) بسبب عدة عوامل رئيسية. من الجدير بالذكر أنه لا يوجد SME متفوق عالميًا، حيث تختلف فعاليتها بناءً على أهداف محددة مثل المنطقة والمتغير المعني. تستفيد MME من نقاط القوة التكميلية لمختلف SME، مما يؤدي إلى تحسين الأداء المتوسط.
بالإضافة إلى ذلك، يُعزى أداء MME إلى إلغاء الأخطاء وغير خطية المقاييس، كما حددها هاجيدورن وآخرون (2005). كما أنها تسمح باستكشاف عدم اليقين المرتبط بصياغة النموذج، وهو ما لا يمكن لـ SME معالجته بالكامل. يؤكد ويغيل وآخرون (2008) أن MME تعزز المهارة التنبؤية بشكل خاص عندما تفشل SME في التقاط عدم اليقين الكامل في التوقعات. أخيرًا، يساهم الحجم الأكبر لمجموعة MME في عينة أكثر دقة من توزيع الاحتمالات الأساسي، مما يحسن موثوقية التوقعات.
طرق
في هذه الدراسة، يبحث المؤلفون في التوقعات من الموسم إلى الموسم عبر أوروبا خلال الشتاء الشمالي، مع التركيز على ثلاثة متغيرات أرصادية رئيسية: ارتفاع الجيوإمكانات عند 500 هكتوباسكال ($z_{500}$)، درجة الحرارة اليومية عند 2 م ($t_{2m}$)، وسرعة الرياح عند 10 م ($w_{10 m}$). اختيار $t_{2m}$ و $w_{10 m}$ ذو صلة خاصة بقطاع الطاقة، حيث يتأثر الطلب على الطاقة في الشتاء بشكل كبير بدرجة الحرارة بسبب الاعتماد على التدفئة الكهربائية، بينما تعتبر سرعة الرياح حاسمة لتقييم إنتاج الطاقة من مزارع الرياح. يشكل تضمين $z_{500}$ متغيرًا تقليديًا على نطاق واسع للتحليل المقارن.
نتائج
في هذا القسم، يقيم المؤلفون أداء مجموعة من أربعة نماذج باستخدام طريقتين من طرق النماذج المتوسطة المعتمدة على مركز الثقل، كما هو موضح في القسم 2، فيما يتعلق بدراسة الحالة المقدمة في القسم 3. النتائج مستمدة من مراكز الثقل المعينة بأوزان متساوية، على وجه التحديد $\lambda_{\text{ECMWF}} = \lambda_{\text{NCEP}} = \lambda_{\text{ECCC}} = \lambda_{\text{KMA}} = \frac{1}{4}$.
بالإضافة إلى ذلك، استكشف المؤلفون تحسين هذه الأوزان بناءً على درجة الاحتمال المرتبة المستمرة (CRPS). ومع ذلك، أسفر هذا التحسين عن تحسينات طفيفة أو، في بعض الحالات، انخفاض طفيف في مهارة التوقع، والتي تختلف اعتمادًا على المتغيرات المحددة ومقاييس التقييم المستخدمة. تشير هذه النتائج إلى أنه بينما يكون الوزن المتساوي فعالًا، قد لا يؤدي تحسين الوزن الإضافي إلى تعزيز كبير في أداء النموذج.
نقاش
يسلط قسم النقاش في ورقة البحث الضوء على أهمية مجموعات النماذج المتعددة (MMEs) في التوقعات من الموسم إلى الموسم (S2S)، والتي تمتد من أسبوعين إلى شهرين. يهدف مشروع التوقعات من الموسم إلى الموسم (S2S) إلى تعزيز مهارات التوقع وتسهيل تطبيقها من خلال توفير قاعدة بيانات من توقعات S2S من عدة مراكز تشغيلية. تشير الأبحاث إلى أن MME تتفوق عمومًا على مجموعات النماذج الفردية (SMEs) من حيث المهارة والموثوقية، على الرغم من أن مكاسب الأداء تُعزى جزئيًا إلى العدد الأكبر من الأعضاء في MME. على الرغم من الفوائد المثبتة لـ MME، لا تزال الطرق المثلى لدمج التوقعات من نماذج مختلفة غير مستكشفة بشكل كافٍ.
تقترح الورقة نهجًا جديدًا لبناء MME من خلال معالجة التوقعات الجماعية كتوزيعات احتمالية منفصلة وإعادة صياغة عملية الدمج كالبحث عن مركز الثقل لهذه التوزيعات. تتناقض هذه الطريقة مع تقنيات التجميع التقليدية من خلال استخدام مسافة فاسرشتاين، التي تأخذ في الاعتبار الخصائص الهندسية للتوزيعات. يقدم المؤلفون تقريبًا غاوسيًا للتخفيف من انكماش التباين المرتبط بالحساب المباشر لمركز الثقل فاسرشتاين، مما يعزز التقدير الإحصائي. تهدف الدراسة إلى مقارنة أداء مركز الثقل L2 (المتصل بالتجميع) ومركز الثقل فاسرشتاين الغاوسي، مع التأكيد على تمثيلاتهما المختلفة لعدم اليقين في التوقعات وإمكانية تحسين منهجيات التوقع الجماعي.
DOI: https://doi.org/10.5194/gmd-19-8167-2026
Publication Date: 2026-09-03
Author(s): Camille Le Coz et al.
Primary Topic: Meteorological Phenomena and Simulations
Overview
This section discusses the combination of ensemble forecasts through the lens of probability spaces, specifically utilizing barycenters of discrete probability distributions. The authors reformulate multi-model ensemble (MME) forecasts using two types of barycenters: the L2 barycenter, which aligns with traditional pooling methods, and the Wasserstein barycenter, which maintains certain geometric properties of the input distributions. The study applies these barycenters to forecast weekly 2 m temperature, 10 m wind speed, and 500 hPa geopotential height during European winters, revealing that while both barycenters yield the same ensemble mean, they differ in their representation of forecast uncertainty. Notably, the L2 barycenter exhibits greater ensemble spread, leading to potential underconfidence, whereas the Wasserstein barycenter demonstrates superior performance in terms of the Continuous Ranked Probability Score (CRPS) across various scenarios.
The findings underscore the utility of barycenters in enhancing subseasonal to seasonal (S2S) predictions by effectively merging ensemble forecasts. The L2 barycenter’s variance can be decomposed into components reflecting individual forecast uncertainty and model systematic error, while the Wasserstein barycenter captures this information differently. The results suggest that combining multiple models into a barycenter can yield forecasts as skillful as the best single model ensemble (SME), reinforcing the value of multi-model approaches. Future research directions include optimizing barycenter weights for weighted MMEs and exploring multivariate Wasserstein barycenters to account for variable covariances, as well as addressing the variance shrinkage issue associated with discrete Wasserstein barycenters.
Introduction
The introduction discusses the advantages of multi-model ensemble (MME) methods in enhancing forecast skill across various time scales, including short-range, medium-range, and seasonal forecasting. Research indicates that MMEs outperform single-model ensemble (SME) forecasts due to several key factors. Notably, there is no universally superior SME, as their effectiveness varies based on specific targets such as region and variable of interest. MMEs leverage the complementary strengths of different SMEs, leading to improved average performance.
Additionally, the performance of MMEs is attributed to error cancellation and the non-linearity of metrics, as identified by Hagedorn et al. (2005). They also allow for the exploration of uncertainties related to model formulation, which SMEs cannot fully address. Weigel et al. (2008) further emphasize that MMEs enhance predictive skill particularly when SMEs fail to capture the complete forecast uncertainty. Lastly, the larger ensemble size of MMEs contributes to a more accurate sampling of the underlying probability distribution, thereby improving forecast reliability.
Methods
In this study, the authors investigate subseasonal forecasts across Europe during the boreal winter, focusing on three key meteorological variables: the geopotential height at 500 hPa ($z_{500}$), daily temperature at 2 m ($t_{2m}$), and wind speed at 10 m ($w_{10 m}$). The selection of $t_{2m}$ and $w_{10 m}$ is particularly relevant for the energy sector, as winter energy demand is significantly influenced by temperature due to reliance on electrical heating, while wind speed is crucial for assessing wind farm energy production. The inclusion of $z_{500}$ serves as a traditional large-scale variable for comparative analysis.
Results
In this section, the authors assess the performance of an ensemble of four models using two barycenter-based Model Mean Ensemble (MME) methods, as outlined in Section 2, in relation to the case study presented in Section 3. The results are derived from barycenters assigned equal weights, specifically $\lambda_{\text{ECMWF}} = \lambda_{\text{NCEP}} = \lambda_{\text{ECCC}} = \lambda_{\text{KMA}} = \frac{1}{4}$.
Additionally, the authors explored the optimization of these weights based on the Continuous Ranked Probability Score (CRPS). However, this optimization yielded minimal improvements or, in some cases, a slight decline in forecast skill, which varied depending on the specific variables and scoring metrics employed. These findings suggest that while equal weighting is effective, further weight optimization may not significantly enhance model performance.
Discussion
The discussion section of the research paper highlights the significance of multi-model ensembles (MMEs) in subseasonal to seasonal (S2S) forecasting, which spans from two weeks to two months. The Subseasonal to Seasonal (S2S) prediction project aims to enhance forecast skills and facilitate their application by providing a database of S2S forecasts from multiple operational centers. Research indicates that MMEs generally outperform single-model ensembles (SMEs) in terms of skill and reliability, although the performance gains are partly attributed to the larger number of members in MMEs. Despite the established benefits of MMEs, the optimal methods for combining forecasts from different models remain underexplored.
The paper proposes a novel approach to MME construction by treating ensemble forecasts as discrete probability distributions and reformulating the combination process as finding the barycenter of these distributions. This method contrasts with traditional pooling techniques by utilizing the Wasserstein distance, which accounts for the geometric properties of the distributions. The authors introduce a Gaussian approximation to mitigate variance shrinkage associated with direct computation of the Wasserstein barycenter, thereby enhancing statistical estimation. The study aims to compare the performance of the L2 barycenter (linked to pooling) and the Gaussian Wasserstein barycenter, emphasizing their differing representations of forecast uncertainty and the potential for improved ensemble forecasting methodologies.