灾难应对中，预警时机至关重要。若缺乏足够的应急准备时间，即便资源充沛的城市也难逃极端天气的毁灭性打击。2021年2月，得克萨斯州遭遇冬季风暴“乌里”等三次寒潮袭击，导致数百万人断电断暖，246人死亡。若公用事业公司能提前获知风险以巩固天然气供应、加固基础设施并警示用户，伤亡本可减轻。
然而，预测两至六周后的“次季节”天气极具挑战。超过两周后，大气初始条件的微小差异会导致结果截然不同，使得单一确定性预报失效。气象学家虽依赖多模型模拟的概率预报，但随着时间步长推移，误差累积仍会削弱数周内的预测准确性。即便是欧洲中期天气预报中心（ECMWF）的顶尖数值模型，以及谷歌DeepMind的WeatherNext等先进AI模型，在此领域也面临瓶颈。
机器学习纠正系统性误差
今日发表于《自然》期刊的一项研究提出了解决方案：一种名为“概率偏差校正”（PBC）的后处理工具。该工具利用机器学习识别并纠正预报模型中的系统性误差，从而提升次季节展望的准确性。
在ECMWF 2025年实时预报竞赛中，PBC在所有天气变量和预报时段内均产出最准确的全球预报，击败了六个业务预报中心的数值模型、国际数值模型集合、ECMWF自研AI模型以及全球34个竞争团队的系统。
麻省理工学院气候学家朱达·科恩表示，PBC具有“模型无关”特性，既能修正传统模型，也能优化最新AI模型，“仅通过纠正固有系统性误差，就能让无技能的模型变得具备预测能力。”
极端天气预测技能显著提升
科恩与微软统计机器学习研究员莱斯特·麦基合作十余年开发了PBC。测试显示，该工具将AI系统的次季节准确性提高了一倍，并使数值模型在91%的压力目标、92%的温度目标和98%的降水目标上实现技能提升。
研究证实，PBC能改善全球大多数地区的陆地预报，并将其他模型的性能提升至ECMWF最先进系统水平。更为关键的是，它显著改善了次季节极端天气的预测。科恩指出，以往的偏差校正方案往往恶化极端天气预报，而PBC则实现了明显改善。
针对提前三周的预报，PBC显著增强了ECMWF数值模型对极端高温、极端降水及异常高海平面压力的预测能力。在过去十年真实洪水事件的回溯测试中，该工具将洪水预测技能提高了76%至92%；对于造成超过100人死亡或至少8万人流离失所的严重洪水，预测技能更是提升了86%至150%。
PBC框架开源且无需超级计算机即可运行，这使其在资金和基础设施有限的地区也具有高度可操作性。目前，肯尼亚共和国气象局已在试验该工具以优化季风预报。随着气候变化加剧极端天气频发，通过PBC等工具延长社区准备时间，有望挽救更多生命并减少损失。