十天后的天气预报准确性往往急剧下降，即便最复杂的物理模拟也难以避免偏差。长期以来，气象学界普遍认为两到六周的次季节预测效果仅略优于基于历史平均值的猜测。然而，由微软研究人员主导的一项最新研究打破了这一僵局。
这项发表于《自然》杂志的研究引入了一种概率偏差校正方法。该方法并未构建全新的预报引擎，而是利用机器学习识别并修正现有模型的系统性错误。实验数据显示，将该方法应用于欧洲中期天气预报中心（ECMWF）的顶级物理基础系统后，其在98%的降水和92%的气温目标上的准确性均得到提升，甚至使ECMWF自身的人工智能预报系统技能得分翻倍。
低算力门槛与高精度突破
微软研究院高级首席研究员莱斯特·麦凯指出，该工具的核心优势在于实用性。它可在普通CPU上运行，无需依赖GPU集群或大型超级计算机。这一特性为难以承担高昂计算成本的发展中国家气象机构及小型运营单位提供了可能，也将直接惠及制定种植计划的农民、平衡电网的能源交易员以及应急管理人员。
该研究由来自微软、麻省理工学院（MIT）、哈佛大学、多伦多大学及ECMWF等多家机构的学者合作完成，汉娜·关主导了大部分工作。麻省理工学院大气科学家朱达·科恩评价该结果为“突破”。他表示：“在此之前，无人能证明模型在次季节预报中比长期平均值更准确，而以往几乎所有模型的表现都更差。”
以往的偏差校正尝试常将预报向均值平滑，虽有助于平均条件预测，却损害了对极端事件的捕捉能力。新的概率方法避免了这一陷阱，显著提升了三周前兆期的极端高温、极端降水和高压海平面气压的预报准确率。对过去主要洪水的测试显示，整体技能提升76%至92%；在造成超过100人死亡或至少8万人流离失所的毁灭性事件中，提升幅度达86%至150%。
击败全球34支团队夺冠
在论文发表前，ECMWF已认可此项工作。团队将包含PBC校正后的ECMWF和POET输出的集成预报MicroDuet提交至该中心的2025年AI气象挑战。在9月至11月及12月至2月的两个季节中，MicroDuet在所有变量和前兆期均获得第一名，击败了六个国家中心的去偏动力模型、六模型集成、ECMWF的AIFS以及全球其他34支团队的参赛作品。
ECMWF机器学习战略负责人马修·钱特里对此表示欢迎，称这是新思想造福社区的典范。目前该软件已开源，气象服务机构可立即在其数据流上进行测试。
从竞争走向混合模式
这一进展契合了行业大趋势。自2022年以来，谷歌GraphCast、华为盘古气象、英伟达FourCastNet和ECMWF的AIFS等纯人工智能预报者证明了其在中程预报中能匹配或超越传统数值天气预报，且速度快数千倍。然而，近期评估显示，AI系统在小雨和温度方面表现优异，但传统模型在导致严重洪水的强降雨方面仍占优势。
微软的方法另辟蹊径，不取代物理引擎或新型神经网络，而是对其进行后处理。这种方法既提升了平均准确性，又增强了对尾部风险的应对能力。实际应用测试已超出竞赛范围，Rhiza Research正与肯尼亚气象局合作评估该工具，早期迹象表明其有助于解决资源受限地区的高质量次季节指导缺失问题。
当然，该技术仍存在局限性，主要聚焦于两到六周的展望，日常预报仍属于高分辨率动力模型和最快AI系统的范畴。但随着气候变化增加破坏性天气的频率，提前预见的能力具有日益增长的经济和人文价值。随着代码的发布，该领域已从纯物理与纯学习模型的竞争转向深思熟虑的混合模式，尊重概率分布的偏差校正可能成为未来预报栈的标准层。