Les previsions entre dues i sis setmanes són una de les més difícils de la meteorologia. Els experts la qualifiquen de «desert de previsibilitat»: ja no serveixen les condicions inicials de l'atmosfera i encara no pesen prou els factors lents, com l'oceà. Els models d'IA, a més, havien rendit pitjor que els models físics a distàncies llargues.
L'equip, amb autors de Harvard, MIT, la Universitat de Toronto, el Centre Europeu de Previsions Meteorològiques a Mitjà Termini (ECMWF), Microsoft i altres, ha publicat a *Nature* l'estudi «Advancing Subseasonal Forecasting with Machine Learning». El mètode és una capa de postprocessament: aprèn dels errors històrics d'un sistema de previsió i corregeix els seus resultats, i s'actualitza a mesura que arriben dades noves. Es pot aplicar a qualsevol model, també als que ja porten una correcció d'un altre tipus.
Els autors expliquen que van presentar tres models amb aquesta capa al concurs de previsió de l'ECMWF. El primer, que combinava el model de l'ECMWF amb un altre i hi aplicava la correcció, va doblar aproximadament la capacitat predictiva del model original en aquest horitzó. Segons el comunicat, és la primera vegada que un model supera les mitjanes climàtiques de llarg termini, i la millora és estadísticament significativa en fenòmens extrems, mentre que la correcció pròpia de l'ECMWF, sense IA, els empitjorava. L'eina és de codi obert i no necessita un superordinador per funcionar.
Hi ha límits. La millora s'ha mesurat en la majoria de regions terrestres, no en totes, i el comunicat no n'especifica les diferències; el rendiment depèn també de les dades disponibles. De moment no es parla d'un ús operatiu: l'oficina meteorològica de Kenya ha contactat amb l'equip per aplicar-la a les previsions dels monsons, però no hi ha cap desplegament. El treball ha rebut finançament de la National Science Foundation dels EUA, d'una fundació brasilera i de la Unió Europea.