TianQuan-Climate：通过融入气候态实现次季节至季节尺度全球天气预报的模型

基于摘要分析。该研究面向次季节至季节尺度（S2S）的全球天气预报，针对气候态信息利用不足，以及预报逐渐丢失细尺度细节、趋于过度平滑的问题，提出结合初始天气状态与气候态均值的模型。标题使用 TianQuan-Climate，摘要将所提模型称为 TianQuan-S2S，两者命名关系尚未验证。 方法包含两项主要设计：在 patch embedding 中融入气候态信息，并通过 uncertainty-augmented Transformer 增强对变化性的捕捉。摘要未说明气候态的计算范围、具体融合方式、不确定性的表示与训练目标，也未明确集合预报的生成机制；不能据来源栏目将其认定为采用 State Space Model 的架构。 作者报告，在 Earth Reanalysis 5（ERA5）再分析数据集上，该模型在确定性预报与集合预报中优于气候态均值、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。作者还报告消融实验支持其设计的有效性，但摘要未给出具体变量、预报时效、指标或提升幅度。训练与测试的时间划分、气候态估计所用数据范围、基线配置、消融及统计信息尚未验证。 平台推测（待验证）：其可供 EEG 研究考察的是“参考状态与当前状态联合建模”的思路，而非已证实的 BCI 方法。原研究依赖具有时空结构的气象场及气候态统计量；迁移假设是，以仅从训练数据估计的 EEG 参考统计量辅助时序表征，可能改善非平稳条件下的建模。可复用的是参考状态条件化思路，需改造输入分块、通道表示及参考状态估计；低信噪比、跨被试差异与小样本可能使参考统计量失真，或抹平任务相关变化。可在固定的 Cross-session 划分下，对照同一骨干模型有无参考统计量输入，并禁止使用测试会话估计参考量，以检验该假设。相关 EEG 工作尚未检索确认。