TianQuan-S2S：融合气候态的次季节至季节全球天气预测模型

基于摘要分析。TianQuan-S2S 面向次季节至季节（Subseasonal-to-Seasonal，S2S）全球天气预测，旨在缓解气候态信息融入不足，以及预测逐步丢失细尺度细节、趋于过度平滑的问题。其主要贡献是将初始天气状态与气候态均值结合，并引入不确定性增强 Transformer 以改善变率捕捉。 机制上，模型在 patch embedding 中纳入气候态信息，使预测同时利用初始状态与长期统计背景；不确定性增强模块用于增强对天气变化的刻画。摘要未说明气候态均值的计算范围、具体融合算子、不确定性的表示与训练方式，也未提供损失函数和集合预测生成细节，这些内容尚未验证。不能仅凭来源栏目将该模型归为状态空间模型。 作者报告，在 Earth Reanalysis 5（ERA5）再分析数据上的实验中，模型的确定性预测与集合预测均优于气候态均值、传统数值方法及数据驱动模型，并在关键气象变量上优于 ECMWF-S2S 和 Fuxi-S2S；作者亦报告消融实验支持其设计有效性。摘要未给出具体变量、预测时效、数据划分、指标与数值，实验协议、消融及统计信息尚未验证。摘要提供了代码实现链接，但代码内容及复现条件尚未核查。 平台推测（待验证）：可供 EEG 时序研究考察的是“当前状态与长期统计背景联合建模”的机制，而非气象预测结果本身。原方法依赖气象场及气候态统计；若迁移至 EEG，需要重新定义训练数据内的被试或会话背景统计，并改造输入嵌入。低信噪比、跨被试差异、通道变化及小数据条件可能使背景统计失稳，或使模型压低任务相关的短暂变化。一个可检验的小实验是在固定跨会话划分下，对比原有 EEG 预测基线与加入仅由训练集计算的背景统计版本，检验预测误差及瞬态信号保真度是否同时改善。该假设不构成已验证的 BCI 效果，相关 EEG 工作尚未检索确认。