ترجمه فارسی مقاله گروه‌های بزرگ بخش اول: طراحی پیش‌بینی‌های آب و هوایی گروهی با استفاده از عملگرهای عصبی فوریه کروی

چکیده

Studying low-likelihood high-impact extreme weather events in a warming world is a significant and challenging task for current ensemble forecasting systems. While these systems presently use up to 100 members, larger ensembles could enrich the sampling of internal variability. They may capture the long tails associated with climate hazards better than traditional ensemble sizes. Due to computational constraints, it is infeasible to generate huge ensembles (comprised of 1,000-10,000 members) with traditional, physics-based numerical models. In this two-part paper, we replace traditional numerical simulations with machine learning (ML) to generate hindcasts of huge ensembles. In Part I, we construct an ensemble weather forecasting system based on Spherical Fourier Neural Operators (SFNO), and we discuss important design decisions for constructing such an ensemble. The ensemble represents model uncertainty through perturbed-parameter techniques, and it represents initial condition uncertainty through bred vectors, which sample the fastest growing modes of the forecast. Using the European Centre for Medium-Range Weather Forecasts Integrated Forecasting System (IFS) as a baseline, we develop an evaluation pipeline composed of mean, spectral, and extreme diagnostics. Using large-scale, distributed SFNOs with 1.1 billion learned parameters, we achieve calibrated probabilistic forecasts. As the trajectories of the individual members diverge, the ML ensemble mean spectra degrade with lead time, consistent with physical expectations. However, the individual ensemble members’ spectra stay constant with lead time. Therefore, these members simulate realistic weather states, and the ML ensemble thus passes a crucial spectral test in the literature. The IFS and ML ensembles have similar Extreme Forecast Indices, and we show that the ML extreme weather forecasts are reliable and discriminating.

چکیده به فارسی (ترجمه ماشینی)

مطالعه وقایع آب و هوایی شدید با تأثیر کم در دنیای گرم شدن یک کار مهم و چالش برانگیز برای سیستم های پیش بینی گروه فعلی است.در حالی که این سیستم ها در حال حاضر از 100 عضو استفاده می کنند ، گروه های بزرگتر می توانند نمونه گیری از تنوع داخلی را غنی سازند.آنها ممکن است دمهای بلند مرتبط با خطرات آب و هوایی را بهتر از اندازه گروههای سنتی ضبط کنند.با توجه به محدودیت های محاسباتی ، تولید گروههای عظیم (متشکل از 1000-10،000 عضو) با مدلهای عددی سنتی و فیزیک غیرممکن است.در این مقاله دو قسمتی ، ما شبیه سازی های عددی سنتی را با یادگیری ماشین (ML) جایگزین می کنیم تا از گروههای عظیم استفاده کنیم.در قسمت اول ، ما یک سیستم پیش بینی آب و هوا گروهی را بر اساس اپراتورهای عصبی کروی فوریه (SFNO) می سازیم و در مورد تصمیمات مهم طراحی برای ساخت چنین گروهی بحث می کنیم.این گروه عدم اطمینان مدل را از طریق تکنیک های پارامتر آشفته نشان می دهد ، و این نشان دهنده عدم اطمینان از شرایط اولیه از طریق بردارهای پرورش یافته است ، که نمونه های سریعترین حالت پیش بینی را نمونه می گیرند.ما با استفاده از مرکز اروپایی برای پیش بینی آب و هوا با برد متوسط ​​سیستم پیش بینی یکپارچه (IFS) به عنوان یک پایه ، ما یک خط لوله ارزیابی متشکل از میانگین ، طیفی و تشخیص شدید ایجاد می کنیم.با استفاده از SFNO در مقیاس بزرگ ، توزیع شده با 1.1 میلیارد پارامتر آموخته شده ، به پیش بینی های احتمالی کالیبره شده می رسیم.از آنجا که مسیرهای اعضای جداگانه واگرایی می کنند ، گروه ML میانگین طیف ها با زمان سرب ، سازگار با انتظارات جسمی است.با این حال ، طیف اعضای گروه فردی با زمان سرب ثابت می ماند.بنابراین ، این اعضا حالت های آب و هوایی واقع گرایانه را شبیه سازی می کنند ، و گروه ML از این رو یک آزمایش طیفی مهم در ادبیات می گذرد.گروه های IFS و ML دارای شاخص های پیش بینی شدید مشابه هستند و ما نشان می دهیم که پیش بینی های آب و هوای شدید ML قابل اعتماد و تبعیض آمیز است.