La atmósfera es un sistema caótico, e incluso errores iniciales insignificantes darán lugar a una desviación gradual del estado de pronóstico de la trayectoria real, eventualmente resultando en caos. Esto significa que el clima tiene un límite de previsibilidad más allá del cual los pronósticos perderán toda precisión. Basado en esto, cualquier pronóstico es simplemente una estimación del estado futuro de la atmósfera dentro de un marco estocástico, pero no proporciona información sobre su fiabilidad. La predicción por conjuntos ofrece un enfoque para generar pronósticos probabilísticos del estado futuro del sistema basado en un enfoque de muestreo estadístico.

En las últimas dos décadas, la previsión de conjuntos ha avanzado sustancialmente, y ahora es un enfoque poderoso que mejora la predicción numérica del tiempo. El principio básico de la generación de miembros del conjunto inicial es muestrear las incertidumbres relacionadas con el análisis inicial. Se han probado y utilizado varios esquemas de generación de conjuntos basados ​​en la teoría del crecimiento dinámico del error en centros de predicción meteorológica; por ejemplo, el método de vector reproducido (BV) utilizado en NCEP, y el método de vector singular (SV) en ECMWF. Recientemente, Los esquemas de asimilación de datos (DA) se combinaron además con los métodos dinámicos para muestrear mejor las incertidumbres del análisis, como en el esquema de filtro de Kalman de transformación de conjunto (ETKF).

En un documento que aparece en la portada de Avances en ciencias atmosféricas , El Dr. Ruiqiang Ding del Instituto CAS de Física Atmosférica y sus coautores ampliaron la definición de NLLE de espectros unidimensionales a n, y demostrar la superioridad del espectro NLLE en la estimación de la predictibilidad de sistemas caóticos en comparación con el espectro exponente tradicional de Lyapunov. Además de estimar la previsibilidad de los sistemas caóticos, Otra aplicación importante del método NLLE es proporcionar perturbaciones iniciales para la predicción por conjuntos. Los resultados indican que el esquema NLLE tiene una habilidad de pronóstico por conjuntos similar al esquema ETKF, ambos demuestran una mejor habilidad de pronóstico por conjuntos en comparación con los esquemas BV y SV. A pesar de las habilidades de pronóstico similares de los esquemas NLLV y ETKF, la generación de los NLLV ahorra mucho más tiempo y es más fácil de implementar, en comparación con el esquema ETKF.

"Esperamos que el esquema NLLE sea eficaz para generar perturbaciones de conjunto en un modelo numérico de alta dimensión, "dice Ding." En el trabajo futuro, pretendemos investigar más a fondo el rendimiento de la NLLE mediante la comparación con varios métodos en modelos más complejos, y nuestro objetivo final es aplicar el método NLLE en los pronósticos meteorológicos operativos ".