根據 2009 年的一項研究，美國成年人每年檢視天氣預報的次數接近 3000 億次。可靠的預報可以在事件發生前 9-10 天預測危險天氣，例如暴風雪、颶風和山洪暴發。估計這些預測的價值為每年 315 億美元。
儘管天氣預報的短期預測逐年提高，但預測技能在 2 周到 2 個月的時間範圍內會下降。這些較長時間尺度的預測可以對許多部門發揮關鍵作用，包括節水、能源需求和備災。
在一項新研究中，Weyn 等人。眾所周知，使用一種新穎的天氣預報方法來改進這種次季節到季節性的預測。作者使用卷積神經網路開發了一種機器學習天氣預報系統，稱為深度學習天氣預報 (DLWP)。該模型是根據過去的天氣資料進行訓練的，這與建立物理定律數學表示的標準數值天氣預報模型不同。DLWP 為全球預測未來 2-6 周。
作者將 DLWP 模型與當前最先進的數值天氣模型進行了比較。評估表明，標準數值預測在較短的交付週期內表現更好，例如 2-3 周。然而，DLWP 模型在預測 4-6 周後表現良好。
作者說，雖然 DLWP 模型還不能與現有模型相媲美——而且目前無法預測降水——但機器學習方法顯示出前景。一方面，該模型在計算上比其他方法更有效。DLWP 模型只需 3 秒即可計算由 320 個獨立模型執行組成的集合預測。此外，該模型使用總柱狀水蒸氣且沒有降水，準確地提供了颶風艾瑪的 4.5 天重新預測。2017 年，5 級颶風肆虐加勒比海北部和佛羅里達群島。
研究人員表示，他們的研究代表了將機器學習用於天氣和氣候建模的重要一步。作者觀察到，它在學習基於物理的現象的能力方面非常出色。他們還指出，該模型可以補充熱帶地區以及春季和夏季月份的預測，而這些地區目前大多數天氣預報模型都存在困難。
