2021 年德克萨斯州因三场严寒风暴导致能源系统崩溃，死亡 246 人，暴露出两周以上天气预报的可靠性不足。MIT 团队研发了一种机器学习后处理模型，能够学习并纠正现有数值预报模型的系统误差，从而在两至六周的子季节尺度上显著提升预测精度。
该模型在一个金标准的数值预报系统上实验，预测准确率提升约两倍，并在欧洲中期天气预报中心（ECMWF）举办的国际预报竞赛中夺冠，首次实现对该时间段的预报优于气候平均值。
核心思路是将 AI 视为“后处理器”。研究者先利用历史观测数据量化原模型的误差分布，然后训练神经网络在每次预测时对原输出进行偏差修正。随着更多的预报和观测数据累积，模型能够自适应地改进纠正策略。
该方法不依赖超级计算资源，使用 MIT Engaging 超算集群训练模型后，普通服务器即可运行。团队将三套包含后处理层的模型提交给 ECMWF，获胜方案是将 ECMWF 的原始预报与另一模型结合后再加上后处理，结果在子季节范围内的预测能力翻倍。
除了整体准确率提升，模型在极端天气（洪水、寒潮等）预测上也表现出统计显著的改进。传统的偏差校正倾向于逼近均值，往往削弱对概率分布尾部的捕捉，而该 AI 后处理能够保留并强化极端事件的信号。
该技术可作为通用插件应用于任何数值或 AI 预报系统，甚至对已经经过其他 AI 校正的模型仍有增益，且完全开源、成本低廉。肯尼亚气象局已联系团队，希望利用该模型提升季风季的农业预报；能源和应急管理部门也表示，两周的提前预警足以进行调度准备。
该研究得到美国国家科学基金会、Carlos Chagas Filho 基金会和欧盟的资助。
点评