L'atmosfera è un sistema caotico, e anche errori iniziali trascurabili daranno luogo a una graduale deviazione dello stato di previsione dal vero percorso, alla fine sfocia nel caos. Ciò significa che il tempo ha un limite di prevedibilità oltre il quale le previsioni perderanno ogni accuratezza. Basato su questo, ogni singola previsione è semplicemente una stima dello stato futuro dell'atmosfera all'interno di un quadro stocastico, ma non fornisce informazioni sulla sua affidabilità. La previsione dell'insieme offre un approccio per generare previsioni probabilistiche dello stato futuro del sistema basato su un approccio di campionamento statistico.

Negli ultimi due decenni, la previsione d'insieme è progredita notevolmente, ed è ora un potente approccio che migliora la previsione meteorologica numerica. Il principio di base della generazione dei membri iniziali dell'ensemble è quello di campionare le incertezze relative all'analisi iniziale. Vari schemi di generazione di ensemble basati sulla teoria della crescita dell'errore dinamico sono stati testati e utilizzati nei centri di previsione meteorologica; Per esempio, il metodo del vettore allevato (BV) utilizzato al NCEP, e il metodo del vettore singolare (SV) in ECMWF. Recentemente, gli schemi di assimilazione dei dati (DA) sono stati ulteriormente combinati con i metodi dinamici per campionare meglio le incertezze dell'analisi, come nello schema del filtro di Kalman della trasformata di insieme (ETKF).

In un articolo apparso sulla copertina di Progressi nelle scienze dell'atmosfera , Il Dr. Ruiqiang Ding del CAS Institute of Atmospheric Physics e i suoi coautori hanno esteso la definizione di NLLE dagli spettri da uno a n-dimensionale, e dimostrare la superiorità dello spettro NLLE nella stima della prevedibilità dei sistemi caotici rispetto allo spettro dell'esponente di Lyapunov tradizionale. Oltre a stimare la prevedibilità dei sistemi caotici, un'altra importante applicazione del metodo NLLE è fornire perturbazioni iniziali per la previsione di insieme. I risultati indicano che lo schema NLLE ha capacità di previsione d'insieme simili allo schema ETKF, entrambi i quali dimostrano una migliore capacità di previsione d'insieme rispetto agli schemi BV e SV. Nonostante le simili capacità di previsione degli schemi NLLV ed ETKF, la generazione dei NLLV è significativamente più rapida e più facile da implementare, rispetto allo schema ETKF.

"Ci aspettiamo che lo schema NLLE sia efficace nel generare perturbazioni di insieme in un modello numerico ad alta dimensione, " dice Ding. "Nel lavoro futuro, intendiamo approfondire le prestazioni del NLLE attraverso il confronto con vari metodi in modelli più complessi, e il nostro obiettivo finale è applicare il metodo NLLE nelle previsioni meteorologiche operative".