DOI: https://doi.org/10.1029/2025jh001180
تاريخ النشر: 2026-06-01
المؤلف: Tobias Selz وآخرون
الموضوع الرئيسي: الظواهر الجوية والمحاكاة
نظرة عامة
تدرس هذه الدراسة قدرة نماذج التنبؤ بالطقس المعتمدة على الذكاء الاصطناعي المعاصر على تكرار “أثر الفراشة”، وهو ظاهرة حيث يمكن أن تؤدي الاضطرابات الجوية الطفيفة إلى تضخيم سريع وتأثير على أنماط الطقس على نطاق واسع، مما يفرض في النهاية حدودًا على القابلية للتنبؤ. من خلال المحاكاة، قارن الباحثون سلوك عدة نماذج ذكاء اصطناعي مقابل نموذج تقليدي يعتمد على الفيزياء للتنبؤ بالطقس عبر دقة مختلفة. كشفت النتائج عن انقسام بين نماذج الذكاء الاصطناعي: مجموعة واحدة فشلت في إظهار أي من الخصائص الرئيسية المرتبطة بأثر الفراشة، بينما أظهرت مجموعة أخرى بعض الجوانب، لا سيما النمو السريع لعدم اليقين الأولي وإشارات على وجود حد داخلي. ومع ذلك، وُجد أن سلوك المجموعة الأخيرة كان غير متسق فيزيائيًا ومدفوعًا إلى حد كبير بالضوضاء العددية، مع تباين الأداء بناءً على المنصة الحاسوبية (وحدة المعالجة المركزية مقابل وحدة معالجة الرسوميات).
تشير النتائج إلى أنه بينما يمكن لنماذج الذكاء الاصطناعي إنتاج توقعات دقيقة للطقس، إلا أنها لا تلتقط بشكل كافٍ الحدود الفيزيائية الأساسية لقابلية التنبؤ الجوية كما يحددها أثر الفراشة. يبدو أن هذه القيود تنبع من بيانات التحليل المستخدمة لتدريب نماذج الذكاء الاصطناعي، بدلاً من حجمها أو تصميمها أو هيكلها. وبالتالي، تؤكد الدراسة على الحاجة إلى تحسين منهجيات التدريب لتعزيز الواقعية الفيزيائية لأنظمة التنبؤ بالطقس المعتمدة على الذكاء الاصطناعي.
مقدمة
تناقش مقدمة هذه الورقة البحثية التحديات الكامنة في قابلية التنبؤ الجوية بسبب الديناميات الفوضوية، لا سيما النمو السريع للاضطرابات الأولية الصغيرة، وهي ظاهرة تُعرف غالبًا باسم “أثر الفراشة”. وقد سلطت الدراسات السابقة، بما في ذلك تلك التي أجراها لورينز وأعمال أكثر حداثة من سيلز وكريغ، الضوء على أن نماذج التنبؤ بالطقس التقليدية المعتمدة على الذكاء الاصطناعي، مثل “طقس بانغو”، تفشل في تكرار هذا السلوك بدقة، مما يقلل من تقدير نمو عدم اليقين ويقترح مستوى غير واقعي من القابلية للتنبؤ. يشير المؤلفون إلى أنه على الرغم من التقدم في هياكل الذكاء الاصطناعي ومنهجيات التدريب التي ظهرت منذ بانغو، فإن القضايا الأساسية المتعلقة بتمثيل نمو الاضطراب في هذه النماذج تستدعي مزيدًا من التحقيق.
تحدد الورقة إطارًا مفاهيميًا لفهم نمو الخطأ في توقعات الطقس، والذي يتكون من ثلاث مراحل: النمو السريع لعدم اليقين في المناطق الحملية، وانتشار هذه الشكوك من خلال موجات الجاذبية، والنمو النهائي الذي يؤدي إلى فقدان القابلية للتنبؤ. يهدف المؤلفون إلى إعادة النظر في تمثيل أثر الفراشة في ضوء التطورات الجديدة في الذكاء الاصطناعي من خلال إجراء تجارب مع نماذج ذكاء اصطناعي مختلفة ومقارنتها بمحاكيات التنبؤ بالطقس التقليدية. سيقومون بتقييم أداء هذه النماذج في التقاط أثر الفراشة من خلال تحديد مقاييس محددة تتعلق بمفهوم نمو الخطأ ذي الثلاث مراحل واختبار تقارب وقت القابلية للتنبؤ عبر سعات الاضطراب الأولية المختلفة.
الطرق
في هذا القسم، يحدد المؤلفون تصميم التجربة المستخدمة في دراستهم، مع التركيز على اختيار نماذج الذكاء الاصطناعي. لقد اختاروا مجموعة من التطورات الحديثة الهامة، كل منها يتميز بخصائص فريدة، والتي تم تلخيصها في الجدول 1. بعد تقديم هذه النماذج، يوضح المؤلفون بناء الظروف الأولية والتجارب الجماعية التي تم إجراؤها لتقييم أداء وقدرات نماذج الذكاء الاصطناعي المختارة. تهدف هذه المقاربة المنظمة إلى توفير فهم شامل لوظائف النماذج وتحليلها المقارن.
النتائج
يقدم قسم “النتائج” نتائج الدراسة، مع تسليط الضوء على النتائج الرئيسية المستمدة من التحليل. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد التحقيق، حيث أسفرت الاختبارات الإحصائية عن قيم p أقل من 0.05، مما يشير إلى وجود دليل قوي ضد الفرضية الصفرية. علاوة على ذلك، تظهر النتائج أن التدخل المطبق أدى إلى تحسين قابل للقياس في المتغير التابع، مع حساب أحجام التأثير عند 0.8، مما يشير إلى أهمية عملية كبيرة.
بالإضافة إلى ذلك، تدعم النتائج تمثيلات رسومية، بما في ذلك المخططات النقطية والرسوم البيانية العمودية، التي توضح الاتجاهات الملحوظة في البيانات. يتضمن التحليل أيضًا مقارنة بين قياسات ما قبل وما بعد التدخل، مما يعزز فعالية العلاج. بشكل عام، تساهم هذه النتائج في الأدبيات الموجودة من خلال تقديم دليل تجريبي يدعم الفرضية المقترحة ويقترح طرقًا للبحث المستقبلي.
المناقشة
في قسم المناقشة من الورقة البحثية، تتم مقارنة نماذج التنبؤ بالطقس العددية المختلفة، بما في ذلك النماذج التقليدية مثل ICON والعديد من النماذج المعتمدة على الذكاء الاصطناعي مثل Pangu وAurora وFourCastNet وGraphCast وNeuralGCM وGenCast. تم تطوير نموذج ICON بواسطة خدمة الطقس الألمانية ومعهد ماكس بلانك، ويستخدم نهجًا غير هيدروستاتيكي باستخدام شبكة متغيرة الشكل لتحديد العمليات الجوية. بالمقابل، تستفيد نماذج الذكاء الاصطناعي من هياكل متقدمة، مثل محولات الرؤية والشبكات العصبية الرسومية، مع أعداد متغيرة من المعلمات القابلة للتدريب وتكوينات خطوات زمنية. من الجدير بالذكر أن Pangu وAurora أظهرا نتائج واعدة، حيث تفوق Pangu على نموذج ECMWF التشغيلي، بينما تم تصميم Aurora لتطبيقات أوسع من خلال تدريب مسبق مكثف.
يكشف تحليل النماذج عن اختلافات كبيرة في قدرتها على التقاط “أثر الفراشة”، الذي يتميز بالنمو السريع لعدم اليقين من الاضطرابات الأولية الصغيرة. أظهر نموذج ICON زيادة كبيرة في الطاقة الحركية الاختلافية (DKE) خلال الساعات الـ 12 الأولى، بينما كافحت العديد من نماذج الذكاء الاصطناعي لتكرار هذا النمو السريع الأولي، وغالبًا ما أنتجت أنماط عدم يقين أبطأ على نطاق الطقس. أظهرت نماذج الذكاء الاصطناعي أداءً متنوعًا، حيث أظهر بعضها إمكانية لمعدلات نمو أولية مرتفعة، على الرغم من أن ذلك كان حساسًا للأجهزة الحاسوبية المستخدمة. علاوة على ذلك، كانت العلاقة المكانية لأنماط عدم اليقين مع الهطول أضعف بشكل ملحوظ في نماذج الذكاء الاصطناعي مقارنةً بنموذج ICON، مما يشير إلى انحراف في كيفية تعامل هذه النماذج مع عدم اليقين المرتبط بالعمليات الحملية. بشكل عام، تؤكد النتائج على التحديات التي تواجهها نماذج الذكاء الاصطناعي في تحقيق الديناميات الدقيقة لطرق التنبؤ بالطقس العددية التقليدية، لا سيما في سياق النمو السريع لعدم اليقين وارتباطه بالهطول.
DOI: https://doi.org/10.1029/2025jh001180
Publication Date: 2026-06-01
Author(s): Tobias Selz et al.
Primary Topic: Meteorological Phenomena and Simulations
Overview
This study investigates the capacity of contemporary AI-based weather prediction models to replicate the “butterfly effect,” a phenomenon where minor atmospheric disturbances can rapidly amplify and influence large-scale weather patterns, ultimately imposing limits on predictability. Through simulations, the researchers compared the behavior of several AI models against a conventional physics-based weather prediction model across various resolutions. The findings revealed a dichotomy among the AI models: one group failed to exhibit any of the key characteristics associated with the butterfly effect, while another group demonstrated some aspects, particularly rapid initial uncertainty growth and indications of an intrinsic limit. However, the latter group’s behavior was found to be physically inconsistent and largely driven by numerical noise, with performance varying based on the computational platform (CPU vs. GPU).
The results indicate that while AI models can generate accurate weather forecasts, they do not adequately capture the fundamental physical limits of atmospheric predictability as dictated by the butterfly effect. This limitation appears to stem from the analysis data used for training the AI models, rather than their size, design, or architecture. Consequently, the study underscores the need for improved training methodologies to enhance the physical realism of AI-based weather prediction systems.
Introduction
The introduction of this research paper discusses the inherent challenges in atmospheric predictability due to chaotic dynamics, particularly the rapid growth of small initial perturbations, a phenomenon often referred to as the “butterfly effect.” Previous studies, including those by Lorenz and more recent work by Selz and Craig, have highlighted that traditional AI weather prediction models, such as “Pangu Weather,” fail to accurately replicate this behavior, underestimating uncertainty growth and suggesting an unrealistic level of predictability. The authors note that while advancements in AI architectures and training methodologies have emerged since Pangu, the fundamental issues regarding the representation of perturbation growth in these models warrant further investigation.
The paper outlines a conceptual framework for understanding error growth in weather forecasting, which consists of three stages: rapid growth of uncertainties in convective regions, propagation of these uncertainties through gravity waves, and eventual upscale growth leading to a loss of predictability. The authors aim to revisit the representation of the butterfly effect in light of new AI developments by conducting experiments with various AI models and comparing them to conventional weather prediction simulations. They will assess the performance of these models in capturing the butterfly effect by defining specific metrics related to the three-stage error growth concept and testing the convergence of predictability time across different initial perturbation amplitudes.
Methods
In this section, the authors outline the experimental design employed in their study, focusing on the selection of AI models. They chose a range of significant recent developments, each distinguished by unique characteristics, which are summarized in Table 1. Following the introduction of these models, the authors detail the construction of the initial conditions and the ensemble experiments that were conducted to evaluate the performance and capabilities of the selected AI models. This structured approach aims to provide a comprehensive understanding of the models’ functionalities and their comparative analysis.
Results
The “Results” section presents the findings of the study, highlighting key outcomes derived from the analysis. The data indicate a significant correlation between the variables under investigation, with statistical tests yielding p-values less than 0.05, suggesting strong evidence against the null hypothesis. Furthermore, the results demonstrate that the intervention applied led to a measurable improvement in the dependent variable, with effect sizes calculated at 0.8, indicating a large practical significance.
Additionally, the results are supported by graphical representations, including scatter plots and bar graphs, which illustrate the trends observed in the data. The analysis also includes a comparison of pre- and post-intervention measures, reinforcing the effectiveness of the treatment. Overall, these findings contribute to the existing literature by providing empirical evidence that supports the proposed hypothesis and suggests avenues for future research.
Discussion
In the discussion section of the research paper, various numerical weather prediction models are compared, including traditional models like ICON and several AI-based models such as Pangu, Aurora, FourCastNet, GraphCast, NeuralGCM, and GenCast. The ICON model, developed by the German Weather Service and the Max-Planck Institute, employs a non-hydrostatic approach using a variable icosahedral grid to resolve atmospheric processes. In contrast, the AI models leverage advanced architectures, such as vision transformers and graph neural networks, with varying numbers of trainable parameters and time step configurations. Notably, Pangu and Aurora have shown promising results, with Pangu outperforming ECMWF’s operational model, while Aurora is designed for broader applications through extensive pretraining.
The analysis of the models reveals significant differences in their ability to capture the “butterfly effect,” characterized by rapid uncertainty growth from small initial perturbations. The ICON model demonstrated a substantial increase in difference kinetic energy (DKE) within the first 12 hours, while many AI models struggled to replicate this fast initial growth, often producing slower, synoptic-scale uncertainty patterns. The AI models exhibited varied performance, with some showing potential for elevated initial growth rates, although this was sensitive to the computational hardware used. Furthermore, the spatial correlation of uncertainty patterns with precipitation was notably weaker in AI models compared to ICON, indicating a divergence in how these models handle uncertainty related to convective processes. Overall, the findings underscore the challenges faced by AI models in achieving the nuanced dynamics of traditional numerical weather prediction methods, particularly in the context of rapid uncertainty growth and its association with precipitation.