De atmosfeer is een chaotisch systeem, en zelfs verwaarloosbare initiële fouten zullen aanleiding geven tot een geleidelijke afwijking van de voorspelde toestand van het ware pad, uiteindelijk tot chaos. Dit betekent dat het weer een voorspelbaarheidslimiet heeft waarboven voorspellingen alle nauwkeurigheid verliezen. Op basis hiervan, elke enkele voorspelling is gewoon een schatting van de toekomstige toestand van de atmosfeer binnen een stochastisch kader, maar geeft geen informatie over de betrouwbaarheid ervan. Ensemble-voorspelling biedt één benadering om probabilistische voorspellingen van de toekomstige toestand van het systeem te genereren op basis van een statistische steekproefbenadering.

In de afgelopen twee decennia is ensemblevoorspelling is aanzienlijk gevorderd, en is nu een krachtige aanpak die de numerieke weersvoorspelling verbetert. Het basisprincipe van het genereren van initiële ensembleleden is om de onzekerheden met betrekking tot de initiële analyse te samplen. Verschillende schema's voor het genereren van ensembles op basis van dynamische foutgroeitheorie zijn getest en gebruikt in weersvoorspellingscentra; bijvoorbeeld, de bred vector (BV) methode gebruikt bij NCEP, en de singuliere vector (SV) methode bij ECMWF. Onlangs, data-assimilatie (DA) -schema's werden verder gecombineerd met de dynamische methoden om de analyseonzekerheden beter te bemonsteren, zoals in het ensemble-transformatie Kalman-filter (ETKF) -schema.

In een krant op de voorkant van Vooruitgang in atmosferische wetenschappen , Dr. Ruiqiang Ding van het CAS Institute of Atmospheric Physics en zijn co-auteurs hebben de definitie van de NLLE uitgebreid van een- naar n-dimensionale spectra, en demonstreren de superioriteit van het NLLE-spectrum bij het schatten van de voorspelbaarheid van chaotische systemen in vergelijking met het traditionele Lyapunov-exponentspectrum. Naast het inschatten van de voorspelbaarheid van chaotische systemen, een andere belangrijke toepassing van de NLLE-methode is het verschaffen van initiële verstoringen voor ensembleprognoses. De resultaten geven aan dat het NLLE-schema vergelijkbare vaardigheden voor het voorspellen van ensembles heeft als het ETKF-schema, beide demonstreren een betere ensemble-voorspellingsvaardigheid in vergelijking met de BV- en SV-schema's. Ondanks de vergelijkbare prognosevaardigheden van de NLLV- en ETKF-regelingen, het genereren van de NLLV's is aanzienlijk meer tijdbesparend en gemakkelijker te implementeren, in vergelijking met de ETKF-regeling.

"We verwachten dat het NLLE-schema effectief zal zijn in het genereren van ensembleverstoringen in een hoogdimensionaal numeriek model, " zegt Ding. "In toekomstig werk, we zijn van plan de prestaties van de NLLE verder te onderzoeken door vergelijking met verschillende methoden in complexere modellen, en ons uiteindelijke doel is om de NLLE-methode toe te passen in operationele weersvoorspellingen."