《Nature》发表机器学习后处理工具，可提升2至6周次季节天气预报精度

一项发表于《Nature》的最新研究提出一种机器学习后处理“包装器”工具，用于校正预报模型的系统性误差，提升2至6周次季节预报的精度。该工具在ECMWF 2025年实时预报竞赛中，所有天气变量和预报时段均取得最准确的全球预报，表现优于六个业务预报中心的数值模型、国际数值模型集合、ECMWF自研AI模型及34支参赛团队的预报系统。

该工具由麻省理工学院气候学家Judah Cohen与微软统计机器学习研究员Lester Mackey合作开发，双方历经十余年协作将该想法付诸实现。研究团队称，这一框架不依赖特定模型，可同时应用于传统数值模型与AI模型；在测试中，PBC包装器将ECMWF领先AI模型的次季节精度提升一倍，并改善了数值模型在91%气压、92%温度和98%降水目标上的技能。

研究还显示，该工具对多数地区的陆地预报有提升作用，并显著改善极端天气事件的次季节预报。针对过去十年真实洪水的测试中，工具将洪水预测技能提升76%至92%；对造成超过100人死亡或至少8万人流离失所的严重洪水，预测技能提升86%至150%。该工具为开源项目，无需超级计算机即可运行，肯尼亚气象部门已开始尝试将其应用于季风预报。