ترجمه فارسی مقاله FuXi Weather: یک سیستم یکپارچه‌سازی و پیش‌بینی داده‌های آب و هوایی مبتنی بر یادگیری ماشین

چکیده

Operational numerical weather prediction systems consist of three fundamental components: the global observing system for data collection, data assimilation for generating initial conditions, and the forecasting model to predict future weather conditions. While NWP have undergone a quiet revolution, with forecast skills progressively improving over the past few decades, their advancement has slowed due to challenges such as high computational costs and the complexities associated with assimilating an increasing volume of observational data and managing finer spatial grids. Advances in machine learning offer an alternative path towards more efficient and accurate weather forecasts. The rise of machine learning based weather forecasting models has also spurred the development of machine learning based DA models or even purely machine learning based weather forecasting systems. This paper introduces FuXi Weather, an end-to-end machine learning based weather forecasting system. FuXi Weather employs specialized data preprocessing and multi-modal data fusion techniques to integrate information from diverse sources under all-sky conditions, including microwave sounders from 3 polar-orbiting satellites and radio occultation data from Global Navigation Satellite System. Operating on a 6-hourly DA and forecasting cycle, FuXi Weather independently generates robust and accurate 10-day global weather forecasts at a spatial resolution of 0.25textdegree. It surpasses the European Centre for Medium-range Weather Forecasts high-resolution forecasts in terms of predictability, extending the skillful forecast lead times for several key weather variables such as the geopotential height at 500 hPa from 9.25 days to 9.5 days. The system’s high computational efficiency and robust performance, even with limited observations, demonstrates its potential as a promising alternative to traditional NWP systems.

چکیده به فارسی (ترجمه ماشینی)

سیستم های پیش بینی آب و هوایی عددی عملیاتی شامل سه مؤلفه اساسی است: سیستم مشاهده جهانی برای جمع آوری داده ها ، جذب داده ها برای تولید شرایط اولیه و مدل پیش بینی برای پیش بینی شرایط آب و هوایی آینده.در حالی که NWP یک انقلاب آرام را پشت سر گذاشته است ، با پیشرفت مهارت های پیش بینی به تدریج طی چند دهه گذشته ، پیشرفت آنها به دلیل چالش هایی مانند هزینه های محاسباتی بالا و پیچیدگی های مرتبط با جذب حجم فزاینده ای از داده های مشاهده ای و مدیریت شبکه های فضایی ظریف کاهش یافته است.پیشرفت در یادگیری ماشین ، مسیری جایگزین را به سمت پیش بینی های کارآمدتر و دقیق تر آب و هوا ارائه می دهد.ظهور مدل های پیش بینی آب و هوا مبتنی بر یادگیری ماشین همچنین باعث توسعه مدل های DA مبتنی بر یادگیری ماشین یا حتی سیستم های پیش بینی آب و هوا مبتنی بر یادگیری ماشین می شود.در این مقاله ، آب و هوای Fuxi ، یک سیستم پیش بینی آب و هوا مبتنی بر یادگیری ماشین نهایی به پایان می رسد.Fuxi Weather از پیش پردازش داده های تخصصی و تکنیک های همجوشی داده های چند منظوره برای ادغام اطلاعات از منابع متنوع در شرایط تمام آسمان استفاده می کند ، از جمله صداپیشه های مایکروویو از 3 ماهواره قطبی و داده های غیرفعال رادیویی از سیستم ماهواره جهانی ناوبری.با استفاده از چرخه 6 ساعته DA و پیش بینی ، آب و هوای Fuxi به طور مستقل پیش بینی های کامل و دقیق 10 روزه جهانی هوا را با وضوح مکانی 0.25 textdegree ایجاد می کند.این پیش بینی از مرکز اروپایی برای پیش بینی آب و هوای متوسط ​​پیش بینی های با وضوح بالا از نظر پیش بینی ، افزایش زمان پیش بینی ماهرانه برای چندین متغیر آب و هوایی کلیدی مانند ارتفاع ژئوپتیکال در 500 HPA از 9.25 روز به 9.5 روز است.راندمان محاسباتی بالا و عملکرد قوی این سیستم ، حتی با مشاهدات محدود ، پتانسیل خود را به عنوان یک جایگزین امیدوارکننده برای سیستم های سنتی NWP نشان می دهد.