东京大学工业科学研究所与乔治梅森大学理学院的研究人员提出一种提升一至五周气温预报准确性的新方法。研究团队表示，该方法无需新增模型模拟，在不显著增加计算成本的前提下即可改善预测效果。相关成果已发表于《美国国家科学院院刊》（PNAS）。

研究团队称，这一方法通过选择性保留过去表现出较高预测技能的集合成员，为在既有计算资源约束下提升季节内至季节（S2S）操作性预报提供了可行路径，并可能推广至基于机器学习的预测系统、水文预报及气候建模框架。

季节内预报面临的难点

研究人员指出，S2S预报连接短期天气预报与季节展望，但受大气动力学混沌特性影响，预报技能通常在两周后快速下降。扩大集合规模有助于提升预报能力，但计算资源往往限制了这一做法。

为此，团队引入一种后处理策略，称为“滞后集合类比子集选择”（LEAS）。研究人员介绍，LEAS并非将所有过去预报简单汇入最新集合，而是从历史集合成员中筛选出在最新初始化时刻最能准确再现观测条件的成员，并加以重复利用。

乔治梅森大学大气、海洋与地球科学系（AOES）杰出大学教授、海洋-陆地-大气研究中心（COLA）高级科学家保罗·迪尔迈耶（Paul Dirmeyer）表示，大气和陆面具有可影响数周天气的“记忆”，过去的预报并非必然失效；通过保留并组合一系列预报中表现最佳的成员，可以在不重新运行模型的情况下提升预报性能。

回溯检验显示误差下降

研究团队对来自全球四个操作性S2S模型的北美地区日最高气温回溯预报进行评估。结果显示，在第一周至第五周的多个预报时效中，LEAS提升了确定性与概率性预报技能。

研究人员称，在部分区域，气温预报误差减少约10%，对极端高温事件的预测技能也有所提升。东京大学工业科学研究所项目讲师德田大辅博士表示，令团队意外的是，这一相对简单的策略在四个独立预报系统中均呈现一致效果。

在效率与预报性能之间寻求平衡

研究人员指出，传统集合预报通常通过在略有不同的初始条件下运行多次模拟来应对大气混沌性，从而刻画不确定性，但集合规模扩大意味着更高的计算成本；同时，简单加入更早初始化的预报并不一定能改善最新预报。

德田表示，LEAS试图结合不同思路的优势：通过选择性保留高技能历史集合成员，避免纳入较旧、质量较低预报可能带来的性能下降。研究团队认为，由于LEAS不需要额外计算资源，该方法为在现有资源限制下提升操作性S2S预报提供了实用途径，并可能在机器学习预测系统、水文预报和气候建模框架中发挥作用。

此外，德田在文中回忆其与迪尔迈耶的一次交流，称对方曾指出工程学往往需要为问题找到唯一答案，而科学研究并不总要求立即得到答案；德田表示，这一观点改变了他对科研的看法，并称天气预报处于科学与工程的交汇点。