Nature于2026年10月14日发表一项多机构研究，提出“概率偏差校正”机器学习框架，用历史预报与实际观测学习天气模型的系统性误差，再对未来2至6周的概率预报进行修正。Nature论文指出，次季节预报处于传统意义上的“可预测性荒漠”：两周之后，初始条件误差、模型偏差和大气混沌效应会持续累积，导致现有动力学模型和人工智能模型的表现明显下降。
这项方法并不替换原有天气模型，而是作为一个后处理层接入动力学、人工智能或混合模型。研究团队将预测结果转化为概率分布，并结合两个机器学习模块：一个针对位置、日期和分位数学习偏差，另一个利用近期观测和气候基线补充趋势信息。这样做的重点不是简单把结果拉回平均值，而是在修正系统误差的同时保留极端天气信号。MIT News报道称，该模型不需要超级计算机运行，且被设计为低成本、可部署的附加工具。
论文摘要显示，在ECMWF动力学模型上，该方法对压力、气温和降水目标分别有91%、92%和98%的目标项获得技能改善；应用于ECMWF的次季节人工智能预报系统时，平均预测技能约翻倍。研究团队还将组合模型提交到ECMWF于2025年开展的实时预测竞赛，名为MicroDuet的方案在论文所述测试中覆盖全部天气变量和预报时段，并超过多个业务预报中心及其他参赛系统。
这项工作的现实价值在于把“长期预报是否值得使用”的问题，转化为“概率信息能否支持提前决策”。如果两到六周的预报更稳定，农业生产可以更早安排灌溉、施肥和防冻，能源企业也可能获得更长的供需调度窗口，灾害管理部门则能提前准备。不过，论文结果主要来自历史回测和竞赛评估，并不等于所有地区、季节或极端事件都能获得同等提升；概率技能提高也不代表具体天气结果已经能够被准确确定。后续仍需观察该框架在不同气候区、真实业务流程和持续分布变化下的表现。
事件日期：2026-10-14，Nature论文发表，MIT News同日发布研究报道。资料核验日期：2026-10-16。
参考来源：
- Advancing subseasonal forecasting with machine learning 2026-10-14
- Researchers improve weather forecasts looking two to six weeks out 2026-10-14
由 AI 整理，仅供参考；请以原始来源为准。
