用机器学习提升短期气候预测能力

本文面向大众介绍一项改进次季节天气预报的研究。次季节预报一般指提前2到6周的天气预测，对农业安排、水资源调度、能源管理、野火防控和灾害准备很重要。现有基于物理方程的动力模型和人工智能天气模型已能在约2周内提供较高准确度，但超过2周后，由于每一步小误差不断累积、模型系统偏差以及大气运动高度混沌，预报技巧明显下降，因此次季节预报长期被称为可预报性沙漠。

研究团队提出概率偏差校正，即PBC，一种机器学习框架。它不是重新训练一个全新天气模型，而是学习如何修正已有模型的概率预报分布。PBC利用模型过去做出的预报以及随后被观测证实的实际天气，找出哪些系统误差可以被预测，并自适应地对当前预报进行校正。该方法兼容任何输入模型，可用于动力模型、纯AI模型和动力加AI的混合模型。PBC直接工作在概率分布空间，因此不仅修正预报中心值，还能调整分布的宽度和形状，保留模型原有预测信号。

方法流程可以概括为：先把模型集合预报转换为按气候分位数箱表示的概率预报，例如把温度、降水或气压分成五个等级；随后并行使用两类轻量级机器学习校正器。第一类是Debias++，主要学习随地点、日期和分位数变化的偏差修正量；第二类是Persistence++，把当前预报、近期已观测到的天气和气候平均状态融合，捕捉近期趋势和季节内变化。两个校正结果再投影为合法累积概率分布，并平均得到最终概率预报。为模拟业务运行，PBC每天只使用预报当天可获得的观测数据进行增量重训。

研究将PBC应用到三类先进次季节预报模型：欧洲中期天气预报中心ECMWF的动力集合模型、ECMWF的AI次季节预报系统AIFS-SUBS，以及混合模型POET。POET利用卷积神经网络和Transformer对ECMWF动力集合进行逐成员后处理。真值采用ERA5再分析资料。评估指标主要用排序概率技巧分数RPSS，它比较预报相对气候平均的改善，正值表示更好，负值表示更差。

技术评估细节包括：研究把ERA5再分析重网格到1.5度乘1.5度，预测逐周平均2米温度、逐周总降水和平均海平面气压；温度和降水只在陆地占比至少一半的网格评估。气候分位数通常由过去20年与目标日期相邻的观测确定。业务去偏基线使用模型反演气候，而不是观测气候。PBC的Debias++默认使用20年训练窗口，并从多个候选校正窗口中选择表现最好的一组；Persistence++把模型预报、两个滞后观测和气候概率融合做回归。若校正结果违反累积概率递增要求，则用保序回归投影到合法概率分布。统计显著性主要通过配对检验和块自助法判断。

针对ECMWF动力集合，PBC显著提升原始集合的低技巧预报，尤其在降水方面，把原本接近无技巧的预报转化为持续优于气候平均的预报。与ECMWF业务化去偏方案相比，PBC在全球约98%网格点的降水、91到92%温度以及89到91%气压上取得技巧增益。PBC还把温度和海平面气压的负技巧或低技巧转为正技巧，表明它可以作为现有业务去偏协议的改进替换方案。与已有AI次季节模型FuXi-S2S相比，PBC校正后的ECMWF在全球多数网格上也具有更高技巧。

针对AI模型，PBC同样能带来实质提升。把它应用到ECMWF的AIFS-SUBS后，2025年测试中平均预报技巧大约加倍。对混合模型POET，PBC在2024年进一步改进降水、气压和温度预报；其中降水技巧提升幅度最大，因为PBC能够整合近期观测，并直接优化概率分布，而不是仅修正单个确定性数值。分解实验显示，Debias++和Persistence++各自都能提升技巧，二者平均后更稳健。

在2025年ECMWF组织的AI Weather Quest实时次季节预报竞赛中，研究团队以PBC-ECMWF和PBC-POET的集合作为参赛作品，名为MicroDuet。该作品在2025年9至11月赛季的所有天气变量和提前期上均排名第一，超过六个政府气象机构的业务动力模型、它们的动力学多模型集合、ECMWF的AI系统以及全球34支参赛队伍。MicroDuet在12至2月赛季也表现突出，并且是唯一在全部变量上超过动力多模型集合的提交。尤其在降水极端事件方面，许多去偏动力模型相对气候平均为负技巧，而MicroDuet能明显更准。文章还提到一个实例：MicroDuet提前约4周预测了2025年12月中旬美国东部的一次强冷空气事件，该事件后来被确认为极端低温事件，而ECMWF去偏模型未能捕捉。

在极端天气预测方面，研究训练PBC关注95%以上极端高值和5%以下极端低值，使用Brier技巧分数评估。结果显示，PBC比业务去偏更能提升第3周和第4周的极端温度、降水和气压预报技巧。针对全球灾害警报与协调系统GDACS记录的洪水事件，PBC可显著提高洪水预报技巧，而普通去偏有时反而降低原始模型技巧。对造成超过100人死亡或8万人流离失所的严重洪水事件，PBC的提升尤其明显。

讨论部分指出，PBC的价值在于它把可预测的系统误差纠正出来，用较低成本提高已有预报产品质量。它不能取代物理模型或AI模型本身的改进，但能随着输入模型升级而重新学习。由于计算量小、适配范围广，PBC适合业务气象中心，也包括资源有限地区。次季节提前期恰好是许多高影响灾害从不可预测变为可行动预警的关键窗口：太早的预报不确定性大，太晚的预报可能来不及准备。PBC提供的更可靠概率预报，有助于减少洪水、热浪、干旱、寒潮等极端天气造成的生命和经济损失。