天气预报在两到六周这个区间长期不准，业内称之为"可预报性沙漠"：太远，初始观测的优势已经耗散；太近，又用不上季节尺度的缓慢信号。MIT News 在 2026 年 10 月 14 日报道，包含麻省理工学院研究人员在内的团队在《自然》杂志发表新方法：用机器学习修正现有预报模式的系统性误差，套在欧洲中期天气预报中心（ECMWF）的标杆模式之上后，两到六周预报的准确率提高一倍，并在 ECMWF 的预报竞赛中拿到第一名。
方法不是另起炉灶，而是给旧模式套一层纠错
这套方法的定位是后处理"外壳"：它不取代数值模式，而是学习某个预报系统在历史上的出错规律，再把新预报往回修正，并且会随着新数据持续自适应改进。这个区间的预报本来就用概率形式表达可能性，纠错层修正的也是概率分布。研究团队把同一纠错层套到其他较弱的模式上，效果同样提升，甚至能追平 ECMWF 的水平；它还能叠加在已经做过一轮 AI 纠错的模式上继续起效。模型本身开源、低成本，运行时不需要超级计算机，训练阶段用的是 MIT 的 Engaging 超算集群。
为什么极端天气也变准了
传统误差修正有个老毛病：它倾向于把预报往平均值拉，结果对日常天气还行，对寒潮、洪水这类极端事件反而更差，ECMWF 自己的非 AI 纠错就出现过这种情况。这次的方法在极端事件预测上取得了统计显著的改进。研究团队称，这是首次有模型在两到六周区间稳定超过"气候平均值"这个基准——过去多数模型在这个区间还不如直接查历史平均。
谁最先受益
共同作者 Judah Cohen 举的例子是能源和农业：2021 年得州寒潮的教训在于，两天预警根本不够调度天然气和抢修力量，两周则可能够。肯尼亚气象部门已经联系团队，希望用它改进季风预报来帮农民安排施肥和收获。需要说明的是，这仍是论文加竞赛验证的成果，离各国业务预报系统普遍采用还有距离；但它证明了次季节区间并非不可预报，后续看点是更多气象机构的独立复现结果。
