集合预报

机器学习方法可从海量历史样本中自动提取人类预报员难以显式建模的关系，且推理速度快、计算成本远低于传统集合预报。

在次季节尺度上，单一的确定性预报几乎没有意义，业务预报中通常采用集合预报方法，通过扰动初始条件或模型参数生成一组（数十个成员）预报，用成员的离散度来表征预报不确定性。

对于机器学习模型而言，如何生成有物理意义的集合成员、如何校准集合离散度使其与实际误差匹配，仍是一个活跃研究方向。