Une équipe incluant des chercheurs du MIT, dont Judah Cohen, chercheur au département de génie civil et environnemental, décrit dans un article publié le 14 octobre 2026 dans Nature une technique d'apprentissage automatique qui corrige les erreurs des modèles de prévision existants pour la période de deux à six semaines, appelée prévision sous-saisonnière. Appliquée à un modèle de référence, cette couche de post-traitement aurait doublé la précision sur cet intervalle et permis, pour la première fois, de dépasser les moyennes climatologiques entre deux et six semaines, selon les auteurs.

La soumission a obtenu la première place lors d'une compétition saisonnière du Centre européen pour les prévisions météorologiques à moyen terme (ECMWF). Le modèle a aussi montré une amélioration jugée statistiquement significative pour les événements extrêmes. Selon Cohen, il peut être ajouté à n'importe quel modèle, est open source et peu coûteux. Le service météorologique du Kenya aurait manifesté son intérêt pour l'appliquer aux prévisions de la mousson afin d'améliorer les rendements agricoles cet hiver.

Ces travaux, soutenus notamment par la U.S. National Science Foundation, la Fondation Carlos Chagas Filho et l'Union européenne, relèvent de la recherche sur des modèles de prévision et ne constituent pas un conseil opérationnel ou médical.