🔬 physics

Learning to Advect: A Neural Semi-Lagrangian Architecture for Weather Forecasting

यह शोध पत्र PARADIS को प्रस्तुत करता है, जो एक भौतिकी-प्रेरित न्यूरल आर्किटेक्चर है जो पूर्वानुमान प्रक्रिया को स्पष्ट रूप से विशिष्ट एडवेक्शन (advection), डिफ्यूजन (diffusion) और रिएक्शन (reaction) ब्लॉक्स में विभाजित करके मौसम के पूर्वानुमान में सुधार करता है, और लंबी दूरी के परिवहन को कुशलतापूर्वक मॉडल करने के लिए एक डिफरेंशिएबल न्यूरल सेमी-लैग्रेंजियन (Neural Semi-Lagrangian) ऑपरेटर का उपयोग करता है, जबकि ERA5 बेंचमार्क पर प्रतिस्पर्धी कौशल और उत्कृष्ट स्पेक्ट्रल फिडेलिटी (spectral fidelity) प्राप्त करता है।

मूल लेखक: Carlos A. Pereira, Stéphane Gaudreault, Valentin Dallerit, Christopher Subich, Shoyon Panday, Siqi Wei, Sasa Zhang, Siddharth Rout, Eldad Haber, Raymond J. Spiteri, David Millard, Emilia Diaconescu

प्रकाशित 2026-05-15

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Carlos A. Pereira, Stéphane Gaudreault, Valentin Dallerit, Christopher Subich, Shoyon Panday, Siqi Wei, Sasa Zhang, Siddharth Rout, Eldad Haber, Raymond J. Spiteri, David Millard, Emilia Diaconescu

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

मुख्य विचार: AI को "हवा की सवारी" करना सिखाना

कल्पना कीजिए कि आप यह अनुमान लगाने की कोशिश कर रहे हैं कि कल नदी में एक पत्ता कहाँ होगा।

पुराने AI मॉडल एक ऐसे चित्रकार की तरह काम करते हैं जो यह अनुमान लगाने की कोशिश करता है कि पत्ता अपनी नई स्थिति में कहाँ होगा, बस उसके ठीक बगल के पानी को देखकर और यह अंदाज़ा लगाकर कि पानी शायद कैसे हिलेगा। उन्हें कदम-दर-कदम गति का अनुमान लगाना पड़ता है, जिससे अक्सर पत्ता समय के साथ धुंधला, फैला हुआ या अपना आकार खो देता है।
नया मॉडल (PARADIS) एक स्मार्ट पर्यवेक्षक की तरह है जो वास्तव में पत्ते पर कूद जाता है, धारा की सवारी करता है और देखता है कि वह बिल्कुल कहाँ जाता है। यह केवल गति का अनुमान नहीं लगाता; यह हवा द्वारा लिए गए पथ को सीखता है और सीधे उसका अनुसरण करता है।

यह शोध पत्र PARADIS नामक एक नए प्रकार के मौसम AI को पेश करता है, जो मौसम के कैसे चलने का "अनुमान" लगाने के बजाय, विशेष रूप से हवा का अनुसरण करने का एक उपकरण बनाने पर केंद्रित है, ठीक वैसे ही जैसे वास्तविक भौतिकी (physics) करती है।

समस्या: पुराने AI मॉडल "धुंधले" क्यों हो जाते हैं?

वर्तमान मौसम AI मॉडल एक शक्तिशाली कैमरे की तरह हैं जो आकाश की तस्वीर लेते हैं और अनुमान लगाते हैं कि अगली तस्वीर कैसी दिखेगी। वे मानक "कनवल्शन" लेयर्स (एक प्रकार का गणित जो पड़ोसियों को देखता है) का उपयोग करते हैं।

उपमा: कल्पना कीजिए कि आपके पास स्याही का एक छोटा गोला वाला स्टैम्प (मोहर) है। उस स्याही को पूरे पन्ने पर चलाने के लिए, आपको उसे हर बार थोड़ा सा खिसकाकर बार-बार स्टैम्प करना होगा।
परिणाम: कई बार खिसकाने के बाद, स्याही फैल जाती है। मौसम की प्रणालियों (जैसे तूफान का मोर्चा) के तीखे किनारे धुंधले हो जाते हैं। AI पूर्वानुमान की "स्पष्टता" खो देता है, खासकर कुछ दिनों के बाद। यह बहुत अधिक स्मूथ (चिकना) हो जाता है, जैसे फोटोशॉप में धुंधली की गई कोई फोटो।

समाधान: "न्यूरल सेमी-लैग्रेंजियन" (NSL)

लेखकों ने अपने AI के अंदर एक विशेष इंजन बनाया है जिसे न्यूरल सेमी-लैग्रेंजियन (NSL) ऑपरेटर कहा जाता है।

उपमा: स्याही को स्टैम्प करने के बजाय, कल्पना कीजिए कि आपके पास एक GPS ट्रैकर है। आप ट्रैकर से पूछते हैं: "यदि मैं यहाँ से शुरू करूँ और 6 घंटे तक हवा का पीछा करूँ, तो मैं कहाँ पहुँचूँगा?" ट्रैकर उस शुरुआती बिंदु तक एक रेखा खींचता है, वहाँ से मौसम का डेटा लेता है, और उसे आगे की ओर लाता है।
यह कैसे काम करता है:
1. ट्रैकर: AI दुनिया के हर एक बिंदु के लिए इन "हवा के रास्तों" (trajectories) को बनाना सीखता है।
2. पिकअप: यह उस पथ के पीछे देखता है कि शुरुआत में मौसम कैसा था।
3. ड्रॉप-ऑफ: यह उस मौसम के डेटा को ठीक उसी जगह रखता है जहाँ उसे अब होना चाहिए।

चूंकि यह हवा के वास्तविक पथ का अनुसरण करता है, इसलिए मौसम की विशेषताएं (जैसे तूफान) तीखी बनी रहती हैं और कई दिनों के बाद भी फैलती या धुंधली नहीं होतीं।

रेसिपी: एडवेक्शन (Advection), डिफ्यूजन (Diffusion) और रिएक्शन (Reaction)

लेखकों ने केवल एक बड़ा, उलझा हुआ दिमाग नहीं बनाया। उन्होंने मौसम के पूर्वानुमान को तीन अलग-अलग "शेफ" में विभाजित किया जो एक रसोई में काम कर रहे हैं, जिनमें से प्रत्येक एक विशिष्ट कार्य करता है। यह इस आधार पर है कि वास्तविक मौसम कैसे काम करता है:

ट्रांसपोर्ट शेफ (एडवेक्शन - Advection): यह शेफ चीजों को ले जाने के लिए जिम्मेदार है। वे मौसम प्रणालियों (जैसे बादल या ठंडे मोर्चे) को दुनिया भर में ले जाने के लिए NSL टूल का उपयोग करते हैं। वे भोजन का आकार नहीं बदलते; वे बस उसे स्थानांतरित करते हैं।
मिक्सिंग शेफ (डिफ्यूजन - Diffusion): यह शेफ "स्मूथिंग" (चिकना करने) का काम संभालता है। वास्तविक जीवन में, हवा थोड़ी मिश्रित होती है, और घर्षण चीज़ों को धीमा कर देता है। यह शेफ थोड़ा सा धुंधलापन जोड़ता है ताकि पूर्वानुमान बहुत अधिक अराजक या शोर भरा न हो जाए।
लोकल शेफ (रिएक्शन - Reaction): यह शेफ उन चीजों को संभालता है जो बिना हिले-डुले, वहीं स्थानीय स्तर पर होती हैं। इसमें सूरज द्वारा जमीन को गर्म करना, बादलों का बनना या बारिश गिरना शामिल है। वे चलते हुए नहीं, बल्कि स्थानीय स्थितियों के आधार पर मौसम को बदलते हैं।

इन कार्यों को अलग करके, AI अपना दिमाग इस बात में बर्बाद नहीं करता कि हवा को कैसे चलाया जाए, उसे कैसे गर्म किया जाए और उसे कैसे मिलाया जाए—यह सब एक साथ करने के बजाय, यह प्रत्येक कार्य को एक विशेष उपकरण के साथ करता है।

यह क्यों महत्वपूर्ण है: लंबे समय तक सटीक पूर्वानुमान

इस नए मॉडल का परीक्षण मौजूदा सर्वश्रेष्ठ AI मौसम मॉडलों और मौसम विज्ञानियों द्वारा उपयोग किए जाने वाले पारंपरिक सुपरकंप्यूटर मॉडलों के विरुद्ध किया गया।

अल्पकालिक (Short-term): यह बहुत सटीक है और बेहतरीन मॉडलों से मेल खाता है।
दीर्घकालिक (Long-term - जादू): जब पूर्वानुमान 5, 7 या 10 दिन आगे का होता है, तो पुराने AI मॉडल एक धुंधली, फीकी पेंटिंग की तरह दिखने लगते हैं। नया PARADIS मॉडल विवरणों को तीखा बनाए रखता है। यह तूफानों के "आकार" और हवा की "ऊर्जा" को बहुत बेहतर तरीके से याद रखता है।
परिणाम: यह भविष्यवाणी करता है कि मौसम अभी भी "सक्रिय" रहेगा (तूफान तूफान ही रहेंगे) बजाय इसके कि यह भविष्यवाणी करे कि सब कुछ शांत होकर सपाट हो जाएगा।

"नेटिव रेजोल्यूशन" ट्रिक

अधिकांश AI मॉडल समय और पैसा बचाने के लिए कम-रेजोल्यूशन वाले मैप (जैसे पिक्सेलेटेड इमेज) को देखते हैं और फिर विवरणों का अनुमान लगाते हैं।

PARADIS अपना सारा कठिन काम हाई-रेजोल्यूशन मैप (0.25 डिग्री, जो बहुत विस्तृत है) पर करता है।
उपमा: एक धुंधले मैप को देखकर पहाड़ों का अनुमान लगाने के बजाय, PARADIS पूरी अवधि के दौरान एक हाई-डेफिनिशन मैप को देखता है। यह सुनिश्चित करता है कि गणना के दौरान छोटे लेकिन महत्वपूर्ण विवरण खो न जाएं।

सारांश

शोध पत्र का दावा है कि AI को एक विशेष उपकरण का उपयोग करके हवा के रास्तों (एडवेक्शन) का पीछा करना सिखाकर, और मौसम को ले जाने (moving), मिलाने (mixing) और बदलने (changing) के कार्यों को अलग करके, उन्होंने एक ऐसा मॉडल बनाया है जो पिछले AI मॉडलों की तुलना में लंबे समय तक सटीक और स्पष्ट रहता है। यह केवल भविष्य का अनुमान नहीं लगाता; यह हवा की यात्रा का अनुकरण (simulate) करता है।

तकनीकी सारांश: लर्निंग टू एडवेक्ट (PARADIS)

समस्या विवरण

मौसम पूर्वानुमान के लिए वर्तमान मशीन लर्निंग (ML) दृष्टिकोण अक्सर मोनोलिथिक आर्किटेक्चर (जैसे ट्रांसफॉर्मर्स, ग्राफ न्यूरल नेटवर्क, या मानक CNN) पर निर्भर करते हैं जो एडवेक्शन (advection), डिफ्यूजन (diffusion), और रिएक्शन (reaction) जैसे भौतिक तंत्रों को अंतर्निहित रूप से सीखते हैं। इन आर्किटेक्चर की एक महत्वपूर्ण सीमा एडवेक्शन (दीर्घ-रेंज ट्रांसपोर्ट) को संभालने की क्षमता है। मानक संचालन, जैसे कि निश्चित रिसेप्टिव फील्ड वाले कन्वेल्शन या अटेंशन मैकेनिज्म, दीर्घ-रेंज ट्रांसपोर्ट को कुशलतापूर्वक प्रदर्शित करने में संघर्ष करते हैं। बड़ी दूरियों तक फीचर्स को ले जाने के लिए, इन मॉडलों को ऑपरेशन्स के गहरे स्टैक की आवश्यकता होती है, जो अक्सर डिफ्यूसिव आर्टिफैक्ट्स (diffusive artifacts) पेश करते हैं, जो लो-पास फिल्टर के रूप में कार्य करते हैं और हाई-फ्रीक्वेंसी विवरणों तथा तीक्ष्ण विशेषताओं को धुंधला कर देते हैं। इसके अलावा, इन मॉडलों में मीन स्क्वेर्ड एरर (MSE) को कम करने से "डबल पेनल्टी" प्रभाव उत्पन्न होता है, जो भविष्यवाणियों को यथार्थवादी स्थानीयकृत चरम सीमाओं (localized extremes) के बजाय कंडीशनल मीन्स (conditional means) की ओर ले जाता है।

मौजूदा फिजिक्स-इन्फॉर्म्ड मॉडल (जैसे NeuralGCM, ClimODE) इसे संबोधित करने का प्रयास करते हैं, लेकिन ऐतिहासिक रूप से वे परिचालन रिज़ॉल्यूशन (जैसे 0.25°) पर वैश्विक पूर्वानुमान के लिए कम्प्यूटेशनल रूप से अत्यधिक खर्चीले रहे हैं, जो अक्सर कोर्स लेटेंट ग्रिड्स या टोकन-रिड्यूस्ड रिप्रेजेंटेशन पर निर्भर करते हैं जो स्पेक्ट्रल फिडेलिटी (spectral fidelity) को कम कर देते हैं।

कार्यप्रणाली (Methodology)

लेखक PARADIS (Physically-inspired Advection, Reaction And DIffusion on the Sphere) प्रस्तावित करते हैं, जो एक ऐसा न्यूरल आर्किटेक्चर है जो लेटेंट वेरिएबल्स पर कार्य करने वाले तीन विशिष्ट भौतिक ब्लॉक्स: एडवेक्शन, डिफ्यूजन, और रिएक्शन में एक फोरकास्ट ऑपरेटर को विभाजित करके एक स्पष्ट इंडक्टिव बायस (inductive bias) लागू करता है।

1. न्यूरल सेमी-लैग्रेंजियन (NSL) एडवेक्शन

मुख्य नवाचार एक डिफरेंशिएबल न्यूरल सेमी-लैग्रेंजियन ऑपरेटर का एकीकरण है। शास्त्रीय सेमी-लैग्रेंजियन विधियों के विपरीत, जो ज्ञात भौतिक वेरिएबल्स को हल किए गए वेलोसिटी फील्ड्स के साथ एडवेक्ट करती हैं, PARADIS यह सीखता है:

किन लेटेंट फीचर्स को ट्रांसपोर्ट करना है: मॉडल उच्च-आयामी लेटेंट स्टेट को "ट्रांसपोर्टेबल मोड्स" के संकुचित सबस्पेस में प्रोजेक्ट करता है।
कैरेक्टरिस्टिक ट्रेजेक्टरीज (Characteristic Trajectories): एक वेलोसिटी नेटवर्क ( $V_{net}$ ) लेटेंट स्टेट से ट्रांसपोर्ट फील्ड्स का अनुमान लगाता है।

ऑपरेटर प्रत्येक ग्रिड पॉइंट $x$ के लिए डिपार्चर पॉइंट $x_d$ की गणना करता है (पीछे की ओर ट्रेस करके: $x_d = x - \Delta t \cdot u(x)$ ) और बाइक्यूबिक इंटरपोलेशन के माध्यम से वैल्यू प्राप्त करता है। यह सीधे नेटिव 0.25° ग्रिड पर किया जाता है, जिससे कोर्सनड लेटेंट ग्रिड्स से जुड़ी वेरिएंस डिके (variance decay) से बचा जा सके। इसकी कम्प्यूटेशनल लागत ग्रिड एलिमेंट्स की संख्या ( $O(N_{grid})$ ) के साथ रैखिक रूप से स्केल करती है, जो अटेंशन-आधारित अप्रोच ( $O(N_{grid}^2)$ ) की तुलना में काफी अधिक कुशल है।

2. फिजिक्स-इन्स्पायर्ड डिकंपोजिशन

मॉडल एडवेक्शन-डिफ्यूजन-रिएक्शन (ADR) संरचना का पालन करता है:

एडवेक्शन: NSL ऑपरेटर द्वारा संभाला जाता है, जो शार्प ग्रेडिएंट्स और फेज इंफॉर्मेशन को सुरक्षित रखता है।
डिफ्यूजन: इसे डेप्थवाइज-सेपरेबल स्पैटियल मिक्सिंग द्वारा मॉडल किया गया है। प्रभावी रिसेप्टिव फील्ड को कुशलतापूर्वक बढ़ाने के लिए, यह ब्रांच एक कारक चार द्वारा कोर्सन किए गए ग्रिड पर कार्य करती है, और परिणामी टेंडेंसी को नेटिव रिज़ॉल्यूशन पर वापस इंटरपोलेट किया जाता है।
रिएक्शन: स्थानीय स्रोत/सिंक टर्म्स (जैसे रेडिएटिव हीटिंग, फेज परिवर्तन) और वर्टिकल कपलिंग को संभालने के लिए पॉइंटवाइज (1×1) चैनल इंटरैक्शन के माध्यम से मॉडल किया जाता है।

3. आर्किटेक्चर और ट्रेनिंग

एनकोडर-प्रोसेसर-डिकोडर: सिस्टम भौतिक इनपुट्स को एक लेटेंट स्पेस ( $h$ ) में मैप करता है, ली-ट्रोटर ऑपरेटर स्प्लिटिंग (Lie-Trotter operator splitting) का उपयोग करके स्टेट को $N_{sub}$ सब-स्टेप्स के माध्यम से विकसित करता है, और फिजिकल स्पेस में वापस डिकोड करता है।
स्फेरिकल ज्योमेट्री: मॉडल जियोसाइक्लिक पैडिंग (Geocyclic Padding) का उपयोग करके ध्रुवीय सिंगुलैरिटीज़ को संभालता है, जहाँ पोल को पार करने वाली जानकारी 180° रोटेटेड होकर दूसरी तरफ उभरती है, और ध्रुवों पर स्केलर निरंतरता (scalar continuity) लागू करता है।
ट्रेनिंग करिकुलम: कम्प्यूटेशनल लागत को कम करने के लिए एक मल्टी-स्टेज अप्रोच का उपयोग किया गया है:
1. प्री-ट्रेनिंग: बड़े पैमाने की संरचना को सीखने के लिए 1° रिज़ॉल्यूशन पर 150,000 स्टेप्स के लिए प्रशिक्षित किया गया।
2. ट्रांसफर: भार (weights) को लीनियरली इंटरपोलेटेड बायस फैक्टर्स के साथ 0.25° आर्किटेक्चर में ट्रांसफर किया गया।
3. फाइन-ट्यूनिंग: एक्सपोजर बायस को कम करने के लिए 12h से 72h के बढ़ते फोरकास्ट होराइजन के साथ 0.25° पर ऑटो-रिग्रेसिव फाइन-ट्यूनिंग।
लॉस फंक्शन: एक स्यूडो-रिवर्सड हबर लॉस (pseudo-reversed Huber loss) का उपयोग किया जाता है, जो बड़े एरर्स को क्वाड्रेटिक रूप से दंडित करता है (विनाशकारी विफलताओं को रोकने के लिए) जबकि छोटे एरर्स के लिए लीनियर रहता है।

मुख्य योगदान

नेटिव-रिज़ॉल्यूशन न्यूरल सेमी-लैग्रेंजियन आर्किटेक्चर: PARADIS सीधे नेटिव 0.25° ग्रिड पर डायनेमिकल अपडेट करता है। यह छोटे पैमाने की परिवर्तनशीलता और स्पेक्ट्रल फिडेलिटी को बनाए रखता है, जिससे कोर्सनड-प्रोसेसर बेसलाइन्स की स्मूथिंग से बचा जा जा सकता है।
स्पष्ट भौतिक अपघटन (Explicit Physical Decomposition): ट्रांसपोर्ट (एडवेक्शन), मिक्सिंग (डिफ्यूजन), और लोकल फोर्सिंग (रिएक्शन) के अलगाव को हार्ड-कोड करके, मॉडल कुशल ट्रांसपोर्ट प्रक्रियाओं को फिर से सीखने से बचता है और नेटवर्क घटकों को भौतिक तंत्रों के साथ संरेखित करता है।
कुशल वैश्विक पूर्वानुमान: मॉडल एक प्रतिस्पर्धी डिटर्मिनिस्टिक स्किल प्राप्त करता है जिसका कम्प्यूटेशनल लागत ग्रिड रिज़ॉल्यूशन के साथ रैखिक रूप से स्केल करती है, जिससे लगभग 0.66 GPU-वर्षों के प्रशिक्षण के साथ 0.25° पर वैश्विक पूर्वानुमान संभव होता है (जो तुलनात्मक उच्च-रिज़ॉल्यूशन बेसलाइन्स से काफी कम है)।

परिणाम

ERA5 बेंचमार्क्स (2020 और 2022) पर ECMWF HRES और अग्रणी डेटा-ड्रिवन मॉडल्स (GraphCast, Pangu-Weather, FuXi, आदि) के विरुद्ध मूल्यांकन किया गया:

डिटर्मिनिस्टिक स्किल: PARADIS प्रतिस्पर्धी RMSE और एनोमली कोरिलेशन कोएफिशिएंट (ACC) प्राप्त करता है। यह विशेष रूप से कम लीड टाइम (जैसे 6h–72h) पर मजबूत प्रदर्शन प्रदर्शित करता है, जो अक्सर स्टेट-ऑफ-द-आर्ट बेसलाइन्स को पछाड़ता है या उनके बराबर होता है।
स्पेक्ट्रल फिडेलिटी: उन मॉडलों के विपरीत जो हाई-वेव-नंबर विवरणों को स्मूथ आउट कर देते हैं, PARADIS लंबे लीड टाइम पर व्यापक वेव-नंबरों में एम्प्लीट्यूड रेशियो को यूनिटी के करीब बनाए रखता है। यह उस हाई-वेव-नंबर पावर को बनाए रखता है जो अनस्ट्रक्चर्ड नॉइज़ के बजाय वेरिफिकेशन एनालिसिस के साथ फेज-कोहेरेंट है।
फोरकास्ट एक्टिविटी: PARADिस Baguan और FuXi जैसे बेसलाइन्स की तुलना में लंबे ऑटो-रिग्रेसिव रोलआउट्स (10 दिनों तक) के दौरान वायुमंडलीय गतिविधि (परिवर्तनशीलता) को अधिक सुसंगत रूप से संरक्षित करता है, जो अत्यधिक स्मूथिंग और गतिविधि क्षय प्रदर्शित करते हैं।
वर्टिकल स्ट्रक्चर: स्किल गेन्स मिड-टू-अपर ट्रोपोस्फीयर में डायनेमिकल वेरिएबल्स के लिए सबसे अधिक स्पष्ट हैं।
साइक्लोन ट्रैकिंग: मॉडल GraphCast और Pangu के समान पोजीशन एरर के साथ मजबूत ट्रैक पूर्वानुमान प्रदान करता है, हालांकि तीव्रता का पूर्वानुमान (सेंट्रल प्रेशर) चुनौतीपूर्ण बना हुआ है, जो AI वेदर फोरकास्टिंग की व्यापक सीमाओं के अनुरूप है।

महत्व और दावे

यह पेपर दावा करता है कि स्पष्ट ट्रांसपोर्ट न्यूरल वेदर प्रेडिक्शन के लिए एक शक्तिशाली इंडक्टिव बायस के रूप में कार्य करता है। एक सेमी-लैग्रेंजियन ऑपरेटर को एम्बेड करके, PARADIS सफलतापूर्वक यह सीखने को अलग करता है कि क्या ट्रांसपोर्ट करना है और कैसे इसे प्रस्तुत करना है। लेखक तर्क देते हैं कि यह दृष्टिकोण मॉडल को लंबे रोलआउट के दौरान सुसंगत छोटे पैमाने की वेरिएंस और स्पेक्ट्रल फिडेलिटी को बनाए रखने की अनुमति देता है, जो मानक डीप लर्निंग वेदर मॉडल्स की एक प्रमुख संरचनात्मक कमजोरी को संबोधित करता है।

यह कार्य प्रदर्शित करता है कि स्पष्ट भौतिक बाधाओं के साथ सीखे गए ऑपरेटरों को संयोजित करने वाले हाइब्रिड आर्किटेक्चर, उच्च-रिज़ॉल्यूशन, डेटा-ड्रिवन मौसम पूर्वानुमान के लिए एक व्यवहार्य मार्ग प्रदान करते हैं। लेखक विनम्रतापूर्वक नोट करते हैं कि हालांकि मॉडल गतिशील रूप से प्रासंगिक संरचनाओं को संरक्षित करने में सुधार करता है, फिर भी स्थानीयकृत चरम सीमाओं (जैसे उष्णकटिबंधीय चक्रवात की तीव्रता) की भविष्यवाणी करने में चुनौतियां बनी हुई हैं और वर्तमान में मॉडल में वर्षा जैसे डायग्नोस्टिक आउटपुट वेरिएबल्स का अभाव है।