摘要由 AI 生成
欧洲中期天气预报中心（ECMF）引入机器学习框架 PBC，通过纠正历史概率预报显著降低系统性误差。该框架整合于 ECMF 领先的动力与 AI 模型中，使亚季节尺度（2-6 周）预报技能翻倍，并将操作去偏差动力模型对气压、温度和降水目标的技能分别提升至 91%、92% 和 98%。在 ECMWF 2025 实时预报竞赛中，应用 PBC 的全球预报系统在所有天气变量及提前量上位列第一，优于六个运营预报中心、国际动力多模型集合、ECMF AI 系统及全球 34 个团队。这些进展有助于更准确预测极端事件，进而改善农业规划、能源管理及脆弱社区的灾害准备能力。
关键实体KEY ENTITIES
ECMWFarXiv
报道态势 · 每日报道量LANGUAGE SPLIT
信号强度SIGNALS
全部报道（1）SOURCES
↗
机器学习框架 PBC 通过纠正历史概率预报，显著降低了系统性误差。该框架应用于欧洲中期天气预报中心（ECMF）领先的动力与 AI 模型，使 AI 预报系统在亚季节尺度（2-6 周）的技能翻倍，并将操作去偏差动力模型对 91% 气压、92% 温度和 98% 降水目标的技能提升。在 ECMWF 2025 实时预报竞赛中，PBC 的全球预报在所有天气变量和提前量上位列第一，优于六个运营预报中心、国际动力多模型集合、ECMF AI 系统以及全球 34 个团队的系统。这些概率技能提升有助于更准确地预测极端事件，从而改善农业规划、能源管理及脆弱社区的灾害准备。