通过概率偏差纠正提升 AI 与亚季节气候预报
机器学习
2026-04-20 v1 大气与海洋物理
机器学习
摘要
决策者依赖天气预报进行作物播种、野火管理、水能分配以及天气极端事件准备。如今，基于持续进步的物理驱动 dynamical 模型和数据驱动人工智能（AI）模型的预报已实现两周左右的空前准确性。然而，在亚季节时间尺度（2-6 周）上，模型技能会急剧下降，由于误差的叠加和持续偏差。为抵消这种退化，我们引入概率偏差纠正（PBC），一种机器学习框架，通过学习历史概率预报的偏差来显著降低系统性误差。将其应用于欧洲中期气候预报中心（ECMWF）的领先 dynamical 和 AI 模型后，PBC 将 AI Forecasting System 的亚季节技能提升一倍，并使 operationally debiased 的 dynamical 模型在 91% 的气压、92% 的温度和 98% 的降水目标上实现技能提升。我们设计 PBC 以便于部署，在 ECMWF 2025 年实时预报竞赛中，其全球预报在所有天气变量和 lead time 上均名列第一，超越了来自六家 operational 预报中心的 dynamical 模型、国际 dynamical 多模型集合、ECMWF 的 AI Forecasting System 以及 34 支团队的预报系统。这些概率技能提升有助于更准确地预测极端事件，并有望改善脆弱社区的农业计划、能源管理和灾害准备。
引用
@article{arxiv.2604.16238,
title = {Enhancing AI and Dynamical Subseasonal Forecasts with Probabilistic Bias Correction},
author = {Hannah Guan and Soukayna Mouatadid and Paulo Orenstein and Judah Cohen and Haiyu Dong and Zekun Ni and Jeremy Berman and Genevieve Flaspohler and Alex Lu and Jakob Schloer and Joshua Talib and Jonathan A. Weyn and Lester Mackey},
journal= {arXiv preprint arXiv:2604.16238},
year = {2026}
}