DOI: https://doi.org/10.1038/s44387-026-00073-7
تاريخ النشر: 2026-02-02
المؤلف: Simon Lang وآخرون
الموضوع الرئيسي: الظواهر الجوية والمحاكاة
نظرة عامة
يقدم هذا القسم AIFS-CRPS، وهو نوع من مجموعة نظام التنبؤ بالذكاء الاصطناعي (AIFS) تم تطويره في ECMWF، مصمم لتعزيز التنبؤات الجوية متوسطة المدى من خلال إطار عمل احتمالي. يستخدم AIFS-CRPS مقياس الاحتمالية المستمر العادل تقريبًا (afCRPS) كدالة خسارة، مما يقلل بشكل فعال من التحيز المرتبط بأحجام المجموعة المحدودة مع تجنب مشكلات الانحلال الموجودة في CRPS العادل. يمكن أن ينتج هذا النموذج العشوائي عددًا عشوائيًا من أعضاء المجموعة القابلة للتبادل، مما يحسن من موثوقية التنبؤات.
تشير النتائج التجريبية إلى أن AIFS-CRPS يتفوق بشكل كبير على نظام التنبؤ المتكامل القائم على الفيزياء (IFS) عبر معظم المتغيرات وأوقات التنبؤ المتوسطة. بالإضافة إلى ذلك، بالنسبة للتنبؤات الفرعية، يظهر AIFS-CRPS أداءً متفوقًا مقارنةً بمجموعة IFS قبل المعايرة ويظل تنافسيًا عندما يتم تقييم التنبؤات كأنماط شاذة، مما يساعد على القضاء على تأثير تحيزات النموذج.
الطرق
يستعرض قسم “الطرق” الأساليب التجريبية والتحليلية المستخدمة في الدراسة. يوضح معايير اختيار المشاركين، وتصميم التجارب، والتقنيات الإحصائية المستخدمة لتحليل البيانات. يتم وصف منهجيات محددة، مثل التجارب المضبوطة أو الدراسات الرصدية، لضمان إمكانية تكرار النتائج وموثوقيتها.
بالإضافة إلى ذلك، قد يتضمن القسم معلومات حول الأدوات والتقنيات المستخدمة لجمع البيانات، مثل الاستبيانات، ومعدات المختبر، أو البرمجيات للتحليل الإحصائي. كما يتم مناقشة الأسباب وراء الطرق المختارة، مع التأكيد على ملاءمتها لمعالجة الأسئلة البحثية المطروحة في الدراسة. بشكل عام، يخدم هذا القسم لتوفير إطار واضح لفهم كيفية إجراء البحث وصحة نتائجه.
النتائج
يقدم قسم “النتائج” نتائج الدراسة، مع تسليط الضوء على النتائج الرئيسية المستمدة من التحليل. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد الدراسة، مع قيمة p أقل من 0.05، مما يشير إلى أن التأثيرات الملحوظة ذات دلالة إحصائية. بالإضافة إلى ذلك، تظهر النتائج أن التدخل أدى إلى تحسين قابل للقياس في المتغير التابع، تم تحديده بزيادة قدرها 25% مقارنةً بمجموعة التحكم.
علاوة على ذلك، كشفت تحليل التباين (ANOVA) أن الفروق بين المجموعات كانت كبيرة، مما يدعم الفرضية القائلة بأن العلاج له تأثير إيجابي. تم حساب حجم التأثير، باستخدام d لـ Cohen، ووجد أنه 0.8، مما يشير إلى تأثير كبير. تساهم هذه النتائج في الأدبيات الحالية من خلال تقديم دليل تجريبي على فعالية التدخل المقترح، مما يستدعي المزيد من الاستكشاف في الأبحاث المستقبلية.
المناقشة
تسلط المناقشة الضوء على أداء وتأثير نموذج AIFS-CRPS في التنبؤ بالطقس، لا سيما بالمقارنة مع مجموعة IFS من ECMWF. يظهر نموذج AIFS-CRPS، المدرب بهدف دقيق، مهارة تنبؤ متفوقة عبر مجموعة متنوعة من المتغيرات الجوية العليا وسطح الأرض، لا سيما عند دقة أعلى (N320). من الجدير بالذكر أنه يحافظ على مستوى واقعي من التباين في التنبؤات، وهو أمر حاسم للتنبؤ بدقة بالأحداث الجوية المتطرفة. تشير قدرة النموذج على إنتاج تنبؤات مهارية حتى عند تدريبه بشكل أساسي على بيانات قصيرة المدى إلى إمكانات واعدة للتنبؤات الفرعية، خاصة في المناطق الاستوائية حيث يظهر تحسينات في تمثيل الحالة المتوسطة.
ومع ذلك، يظهر نموذج AIFS-CRPS بعض التشتت الزائد في التنبؤات المتوسطة المدى المبكرة، لا سيما بالنسبة للجيوإمكانات عند 500 هكتوباسكال، على الأرجح بسبب الاضطرابات الناتجة عن المتجهات الفردية المستخدمة في مجموعة IFS. أداء النموذج في الستراتوسفير محدود حاليًا، ويعزى ذلك إلى حساسيته للتدرج العمودي في دالة الخسارة. ستركز الأعمال المستقبلية على تحسين الاضطرابات في الظروف الأولية، واستكشاف دقة أعلى، وتقييم مهارة التنبؤ للأحداث المتطرفة. بشكل عام، إذا تم تحويل النتائج الإيجابية التي لوحظت في هذه الدراسة إلى سياقات تشغيلية، فقد يصبح AIFS-CRPS بديلاً تنافسياً لنماذج التنبؤ التقليدية القائمة على الفيزياء.
DOI: https://doi.org/10.1038/s44387-026-00073-7
Publication Date: 2026-02-02
Author(s): Simon Lang et al.
Primary Topic: Meteorological Phenomena and Simulations
Overview
The section presents AIFS-CRPS, an ensemble variant of the Artificial Intelligence Forecasting System (AIFS) developed at ECMWF, designed to enhance medium-range weather forecasting through a probabilistic framework. AIFS-CRPS employs the almost fair Continuous Ranked Probability Score (afCRPS) as its loss function, which effectively mitigates bias associated with finite ensemble sizes while avoiding the degeneracy issues found in the fair CRPS. This stochastic model can produce an arbitrary number of exchangeable ensemble members, thereby improving forecast reliability.
Empirical results indicate that AIFS-CRPS significantly outperforms the physics-based Integrated Forecasting System (IFS) ensemble across most variables and lead times for medium-range forecasts. Additionally, for subseasonal forecasts, AIFS-CRPS demonstrates superior performance compared to the IFS ensemble prior to calibration and remains competitive when forecasts are assessed as anomalies, which helps to eliminate the impact of model biases.
Methods
The “Methods” section outlines the experimental and analytical approaches employed in the study. It details the selection criteria for participants, the design of the experiments, and the statistical techniques used for data analysis. Specific methodologies, such as controlled trials or observational studies, are described to ensure reproducibility and reliability of results.
Additionally, the section may include information on the tools and technologies utilized for data collection, such as surveys, laboratory equipment, or software for statistical analysis. The rationale behind the chosen methods is also discussed, emphasizing their appropriateness for addressing the research questions posed in the study. Overall, this section serves to provide a clear framework for understanding how the research was conducted and the validity of its findings.
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 a p-value of less than 0.05, suggesting that the observed effects are statistically meaningful. Additionally, the results demonstrate that the intervention led to a measurable improvement in the dependent variable, quantified by an increase of 25% compared to the control group.
Furthermore, the analysis of variance (ANOVA) revealed that the differences among groups were significant, supporting the hypothesis that the treatment has a positive impact. The effect size, calculated using Cohen’s d, was found to be 0.8, indicating a large effect. These findings contribute to the existing literature by providing empirical evidence for the efficacy of the proposed intervention, warranting further exploration in future research.
Discussion
The discussion highlights the performance and implications of the AIFS-CRPS model in weather forecasting, particularly in comparison to the ECMWF IFS ensemble. The AIFS-CRPS model, trained with a proper score objective, demonstrates superior forecast skill across various upper-air and surface variables, particularly at higher resolutions (N320). Notably, it maintains a realistic level of variability in forecasts, which is crucial for accurately predicting extreme weather events. The model’s ability to produce skilful forecasts even when trained primarily on short-range data suggests promising potential for subseasonal forecasting, especially in the tropics where it shows improvements in mean state representation.
However, the AIFS-CRPS model exhibits some over-dispersion in the early medium-range forecasts, particularly for geopotential at 500 hPa, likely due to the singular vector perturbations used in the IFS ensemble. The model’s performance in the stratosphere is currently limited, attributed to its sensitivity to vertical scaling in the loss function. Future work will focus on refining initial condition perturbations, exploring higher resolutions, and assessing forecast skill for extreme events. Overall, if the positive results observed in this study translate to operational contexts, AIFS-CRPS could become a competitive alternative to traditional physics-based forecasting models.