来源：地球物理研究通讯
由于大气和地表条件的微小变化可能对未来的天气产生巨大且难以预测的影响，传统的天气预报只提前约10天发布。更长的预警时间可以帮助社区更好地为即将到来的情况做好准备，尤其是像创纪录的极端事件这样的情况。2021年6月美国太平洋西北地区热浪导致列车供电线路熔断、农作物受损以及数百人死亡。
气象学家通常使用伴随模型来确定预报对初始条件不准确的敏感性。这些模型有助于确定温度或大气水汽等小的变化如何影响几天后天气状况预测的准确性。理解初始条件与预报误差之间的关系使科学家能够进行调整，直到找到产生最精确预报的一组初始条件。
然而，运行伴随模型需要大量的财务和计算资源，并且这些模型只能提前测量最多5天的敏感性。冯尼奇和哈基姆测试了一种深度学习方法是否能提供一种更简单、更准确的方式来确定为期10天的预报的最佳初始条件。
为了测试他们的方法，他们创建了2021年6月美国太平洋西北地区的预测预报热浪使用两个不同的模型：由谷歌深度思维开发的GraphCast模型和由华为云开发的Pangu-Weather模型。他们比较了结果，以查看这些模型的行为是否相似，然后将预测与热浪期间实际发生的情况进行了比较。（为了避免影响结果，在训练预报模型的数据集中未包含热浪数据。）
研究团队发现，使用深度学习方法识别最优初始条件使得GraphCast模型的10天预报误差减少了大约94%。当该方法应用于Pangu-Weather模型时，也导致了类似的误差减少。团队注意到，新方法在提前23天的预报中提高了预测准确性。地球物理研究快报, https://doi.org/10.1029/2024GL110651, 2024)
莎拉·德鲁因（@sarahderouin.bsky.social)，科学作家