主要的亚季节性预测——对未来2至6周的天气预测——是农业规划、水资源分配、灾害准备和能源管理的核心。然而，在这个时间尺度上实现准确预测仍然很困难。如今，我们对未来天气的最佳估计来自数值模拟大气和海洋随时间变化的动力模型和从历史数据中学习预测天气的人工智能（AI）模型。由于过去半个世纪内建模、计算和数据收集的持续改进，确定性预测系统现在可以提供准确的1-2周提前的天气点估计。然而，2周的预测期也标志着可预测性的转折点：在这一点之后，即使初始天气条件的微小差异也会导致结果的巨大差异，而单一的确定性预测无法捕捉这种不确定性。为了克服这种可预测性障碍，通常会考虑概率预测，即预测未来天气的分布而不是单一的点估计。概率预测明确地编码预测的不确定性，并提供高影响极端事件发生可能性的可操作估计。对于动力模型和AI模型，概率预测通常是通过扰动模型的输入、参数或内部状态来生成一个可能的未来天气状态的集合。虽然这些集合在较短的时间范围内（最多15天）通常表现良好，但在较长的亚季节性预测时段，操作性动力集合甚至最先进的概率AI通常表现不如气候平均，特别是在热带以外。一个核心难点是，领先的亚季节性集合是在多个时间步骤上迭代生成的，即使是小的逐步建模错误也会在几周内累积成大的系统性错误。这种效应在降水方面尤其明显，因为降水对模型组件之间的级联不准确性敏感，并且在空间和时间上变化很大。事实上，亚季节性预测长期以来被认为是一个“可预测性的沙漠”，因为模型错误的累积和大气、陆地、海洋与海冰组件之间复杂的相互依赖性，它们以不同的时间尺度演变。尽管现有的亚季节性集合确实容易出错，但我们表明，它们系统性错误的一部分是可预测的并且可通过机器学习纠正，从而在成本最小的情况下实现显著的技能提升。为了实现这一点，我们引入了一种概率偏差校正（PBC）框架，该框架自适应地学习使用其自身的历史预测和过去天气观测来修正模型的预测分布。PBC与任何输入模型兼容，我们用它来推动数据驱动和混合（AI + 动力）亚季节性预测的最新进展。所得到的预测旨在进行运营部署，并且在实时竞争中优于来自全球预测中心和竞争对手的最佳替代动力、AI和混合预测系统。概率偏差校正PBC是一个新的机器学习框架，用于改进来自动力、AI或混合预测系统的亚季节性预测。给定一个原始的确定性预测集合，PBC输出经过学习增强的概率，旨在修正系统性错误，同时保留基础模型中的预测信号。我们的方法受到参考文献27中的确定性偏差校正框架的启发，但直接在概率分布的空间上操作，而不是在原始观测数据的层面上。增加的灵活性使我们不仅能够直接优化分布的中心，还能优化其扩展和形状。图1展示了PBC的一个实例应用。首先，输入集合被转换为初始概率预测，与基于历史观察或模型的回测所衍生的气候分位数区间进行比较。接下来，两种计算效率高的机器学习模型——Debias ++和Persistence ++——并行应用于初始预测的互补修正。Debias ++使用通过最小化概率预测误差在自适应选择的训练期间学习到的与地点、日期和分位数相关的特定修正来扰动预测。同时，Persistence ++将预测与滞后观测和气候数据进行混合，以考虑近期天气趋势和年中的影响。最后，将这两个修正投影到有效累积分布函数（CDFs）空间上并平均形成最终的PBC预测。方法部分提供了更多细节。图1：PBC示意图。PBC的输入为滞后观测、气候分位数。