Nature来源发表:
两周到六周的预报空档被补上：概率偏差订正让AI与动力模式同时提分，实时赛全变量第一
核心概要
次季节预报（提前2至6周）长期因误差累积而接近气候平均，业务动力集合与最先进的概率AI在较长时效上常低于气候平均。概率偏差订正用机器学习直接修正历史概率预报的分布，而不只是修正单点估计。它把AI预报系统的次季节技巧提高一倍，并在91%气压、92%温度、98%降水目标上优于业务去偏的动力模式；在2025年实时竞赛中，其全球预报在所有变量和时效上排名第一。
正在载入内容…
次季节预报的误差不再只能被动接受，而是可以被学习并订正。概率偏差订正把模式输出的概率预报当作可修正对象，直接调整预报分布的偏差。 此前业务做法是把确定性预报与模式回算的分位数比较来做去偏，订正只发生在单点预报层面，降水技巧常常接近零甚至为负。 在2016至2024年全球评估中，概率偏差订正把动力集合的降水技巧提高两倍，并把原本为负的温度和海平面气压技巧转为正技巧；相对业务去偏的动力模式，温度与气压技巧分别提升26%至37%和16%至32%，且98%降水、91%至92%温度、89%至91%气压格点显示改进。
订正同时作用于概率分布的中心、展宽和形状，因此能处理集合预报的系统性偏差。 单点订正只能移动预报值，无法改变预报的不确定度表达。 框架并行训练两个轻量模型：Debias++按位置、日期和分位数学习订正量，Persistence++把预报与近期观测和气候态回归融合，两者投影到合法累积分布函数后取平均；在AI预报系统上把平均技巧分数提高一倍，在混合系统POET上降水技巧提升68%至98%。
订正后的预报在实时业务竞赛中可直接使用，并覆盖极端事件预警。 此前次季节极端事件预警多依赖个例定制的后处理，缺少跨变量、跨模式的通用工具。 在2025年AI Weather Quest首个季节赛中，由概率偏差订正动力与混合预报组成的MicroDuet在所有变量和时效上排名第一，优于六个业务中心的去偏动力预报、其多模式集合、三个AI预报系统版本以及34支队伍；在GDACS记录的洪水事件上，严重洪水预报技巧提升86%至150%。
该框架定位为后处理工具，用于订正已有模式的系统性误差，而不是替代模式本身对大气动力过程的模拟。评估覆盖全球1.5度经纬网格上的2米气温、降水和海平面气压，时效为第3周和第4周，并以ERA5再分析作为真值。适用于希望在不重建集合预报的前提下提升现有产品技巧的气象业务与研究人员。
技巧提升幅度随输入模式、变量和时效变化，降水与极端低值事件的原始技巧最低，改进空间也最大。订正效果依赖历史预报与观测的可获得性，并需随输入模式升级而重新训练。极端事件与洪水评估基于特定分位数定义和GDACS事件目录，其结论范围限于所报告的事件集合。