由于大气和地表条件的微小变化会对未来天气产生巨大且难以预测的影响，传统的天气预报仅提前约 10 天发布。更长的准备时间可以帮助社区更好地为即将到来的天气做好准备，尤其是极端事件，例如2021 年 6 月创纪录的美国太平洋西北部热浪，它熔化了火车电线、摧毁了农作物并造成数百人亡。

气象学家通常使用伴随模型来确定预报对初始条件误差的敏感度。这些模型有助于确定温度或大气水蒸气的微小变化如何影响几天后预报条件的准确性。

了解初始条件和预测误差量之间的关系可以帮助科学家做出改变，直到找到产生最准确预测的一组初始条件。

然而，运行伴生模型需要大量的财务和计算资源，而且这些模型只能提前五天测量这些敏感性。研究人员测试了深度学习方法是否可以提供一种更简单、更准确的方法来确定 10 天预报的最佳初始条件集。

该研究结果发表在《地球物理研究快报》上。

研究人员使用两种不同的模型对 2021 年 6 月太平洋西北地区热浪进行了预测：由 Google DeepMind 开发的 GraphCast 模型和由云开发的 Pangu-Weather 模型。

他们对比了结果，看看模型是否表现相似，然后将预测结果与热浪期间的实际情况进行比较。(为了避免影响结果，热浪数据未包含在用于训练预测模型的数据集中。)

研究团队发现，使用深度学习方法确定最佳初始条件可使 GraphCast 模型的 10 天预测误差减少约 94%。该方法与盘古天气模型一起使用时，误差也有类似的减少。研究团队指出，新方法可将预测时间提前 23 天。