Pesquisadores, incluindo cientistas do MIT, apresentaram uma técnica de aprendizado de máquina que corrige erros de modelos de previsão meteorológica existentes e melhora o desempenho no intervalo de duas a seis semanas, a chamada previsão subsazonal. Segundo o estudo publicado na Nature, a abordagem dobrou a precisão de um modelo de referência nesse período e ficou em primeiro lugar em uma competição internacional do Centro Europeu de Previsões Meteorológicas de Médio Prazo (ECMWF).

Os autores relatam que, pela primeira vez, o método superou as médias climatológicas entre duas e seis semanas e mostrou melhora estatisticamente significativa na previsão de eventos extremos. A camada de pós-processamento, descrita como um complemento de baixo custo e código aberto, aprende com erros históricos e pode ser aplicada a diferentes modelos.

O trabalho foi apoiado parcialmente pela Fundação Nacional de Ciência dos EUA, pela Fundação Carlos Chagas Filho de Amparo à Pesquisa e pela União Europeia. O texto menciona ainda que o serviço meteorológico do Quênia manifestou interesse em aplicar o modelo à previsão da monção; trata-se de uma intenção relatada na data da publicação, sem confirmação de implementação.