ترجمه فارسی مقاله گروه‌های عظیم بخش دوم: ویژگی‌های یک گروه عظیم از هندکست‌های تولید شده با عملگرهای عصبی فوریه کروی

چکیده

In Part I, we created an ensemble based on Spherical Fourier Neural Operators. As initial condition perturbations, we used bred vectors, and as model perturbations, we used multiple checkpoints trained independently from scratch. Based on diagnostics that assess the ensemble’s physical fidelity, our ensemble has comparable performance to operational weather forecasting systems. However, it requires several orders of magnitude fewer computational resources. Here in Part II, we generate a huge ensemble (HENS), with 7,424 members initialized each day of summer 2023. We enumerate the technical requirements for running huge ensembles at this scale. HENS precisely samples the tails of the forecast distribution and presents a detailed sampling of internal variability. For extreme climate statistics, HENS samples events 4$σ$ away from the ensemble mean. At each grid cell, HENS improves the skill of the most accurate ensemble member and enhances coverage of possible future trajectories. As a weather forecasting model, HENS issues extreme weather forecasts with better uncertainty quantification. It also reduces the probability of outlier events, in which the verification value lies outside the ensemble forecast distribution.

چکیده به فارسی (ترجمه ماشینی)

در قسمت اول ، ما یک گروه را بر اساس اپراتورهای عصبی کروی فوریه ایجاد کردیم.به عنوان آشفتگی های اولیه شرایط ، ما از بردارهای پرورش یافته استفاده کردیم و به عنوان آشفتگی مدل ، از چندین بازرسی استفاده کردیم که به طور مستقل از ابتدا آموزش داده می شوند.بر اساس تشخیصی که وفاداری فیزیکی این گروه را ارزیابی می کند ، گروه ما عملکرد قابل مقایسه ای با سیستم های پیش بینی آب و هوایی عملیاتی دارد.با این حال ، نیاز به چندین سفارش از اندازه کمترین منابع محاسباتی دارد.در قسمت دوم ، ما یک گروه بزرگ (HENS) تولید می کنیم که 7424 عضو هر روز از تابستان 2023 را آغاز می کنند. ما الزامات فنی را برای اجرای گروه های عظیم در این مقیاس شمارش می کنیم.مرغ ها دقیقاً از دم توزیع پیش بینی نمونه می گیرند و نمونه گیری مفصلی از تنوع داخلی را ارائه می دهند.برای آمار شدید آب و هوا ، نمونه ها نمونه ها 4 $ σ $ دور از این گروه را نشان می دهد.در هر سلول شبکه ، مرغ مهارت دقیق ترین عضو گروه را بهبود می بخشد و پوشش مسیرهای احتمالی آینده را افزایش می دهد.به عنوان یک مدل پیش بینی آب و هوا ، مرغ پیش بینی های شدید آب و هوا را با کمیت عدم اطمینان بهتر صادر می کند.همچنین احتمال وقوع حوادث دور را کاهش می دهد ، که در آن مقدار تأیید خارج از توزیع پیش بینی گروه قرار دارد.