L'atmosphère est un système chaotique, et même des erreurs initiales négligeables donneront lieu à une déviation progressive de l'état prévu par rapport au chemin réel, aboutissant finalement au chaos. Cela signifie que la météo a une limite de prévisibilité au-delà de laquelle les prévisions perdront toute précision. Basé sur ceci, toute prévision simple est simplement une estimation de l'état futur de l'atmosphère dans un cadre stochastique, mais ne fournit aucune information concernant sa fiabilité. La prédiction d'ensemble offre une approche pour générer des prévisions probabilistes de l'état futur du système sur la base d'une approche d'échantillonnage statistique.

Au cours des deux dernières décennies, la prévision d'ensemble a considérablement progressé, et est maintenant une approche puissante qui améliore la prévision numérique du temps. Le principe de base de la génération des membres initiaux de l'ensemble est d'échantillonner les incertitudes liées à l'analyse initiale. Divers schémas de génération d'ensembles basés sur la théorie de la croissance dynamique des erreurs ont été testés et utilisés dans des centres de prévision météorologique; par exemple, la méthode du vecteur de race (BV) utilisée au NCEP, et la méthode du vecteur singulier (SV) à l'ECMWF. Récemment, les schémas d'assimilation de données (DA) ont été en outre combinés avec les méthodes dynamiques pour mieux échantillonner les incertitudes d'analyse, comme dans le schéma de filtre de Kalman à transformée d'ensemble (ETKF).

Dans un article figurant sur la couverture de Avancées des sciences de l'atmosphère , Le Dr Ruiqiang Ding du CAS Institute of Atmospheric Physics et ses co-auteurs ont étendu la définition du NLLE des spectres unidimensionnels à n-dimensionnels, et démontrer la supériorité du spectre NLLE dans l'estimation de la prévisibilité des systèmes chaotiques par rapport au spectre traditionnel des exposants de Lyapunov. En plus d'estimer la prévisibilité des systèmes chaotiques, une autre application importante de la méthode NLLE est de fournir des perturbations initiales pour la prévision d'ensemble. Les résultats indiquent que le schéma NLLE a des compétences de prévision d'ensemble similaires à celles du schéma ETKF, qui démontrent tous deux une meilleure compétence de prévision d'ensemble par rapport aux schémas BV et SV. Malgré les compétences de prévision similaires des régimes NLLV et ETKF, la génération des NLLV est nettement plus rapide et plus simple à mettre en œuvre, par rapport au régime ETKF.

"Nous nous attendons à ce que le schéma NLLE soit efficace pour générer des perturbations d'ensemble dans un modèle numérique de grande dimension, " dit Ding. " Dans les travaux futurs, nous avons l'intention d'étudier plus avant les performances du NLLE par comparaison avec diverses méthodes dans des modèles plus complexes, et notre objectif ultime est d'appliquer la méthode NLLE aux prévisions météorologiques opérationnelles."