Hundreds of millions of farmers make high-stakes decisions under uncertainty about future weather. Forecasts can inform these decisions, but available choices and their risks and benefits vary between farmers. We introduce a decision-theory framework for designing useful forecasts in settings where the forecaster cannot prescribe optimal actions because farmers' circumstances are heterogeneous. We apply this framework to the case of seasonal onset of monsoon rains, a key date for planting decisions and agricultural investments in many tropical countries. We develop a system for tailoring forecasts to the requirements of this framework by blending systematically benchmarked artificial intelligence (AI) weather prediction models with a new "evolving farmer expectations" statistical model. This statistical model applies Bayesian inference to historical observations to predict time-varying probabilities of first-occurrence events throughout a season. The blended system yields more skillful Indian monsoon forecasts at longer lead times than its components or any multi-model average. In 2025, this system was deployed operationally in a government-led program that delivered subseasonal monsoon onset forecasts to 38 million Indian farmers, skillfully predicting that year's early-summer anomalous dry period. This decision-theory framework and blending system offer a pathway for developing climate adaptation tools for large vulnerable populations around the world.

Bản dịch tiếng Việt:

Hàng trăm triệu nông dân phải đưa ra những quyết định quan trọng dưới sự không chắc chắn về thời tiết trong tương lai. Các dự báo có thể hỗ trợ những quyết định này, nhưng các lựa chọn sẵn có cùng rủi ro và lợi ích của chúng thay đổi tùy theo từng nông dân. Chúng tôi giới thiệu một khung lý thuyết quyết định để thiết kế các dự báo hữu ích trong những bối cảnh mà người dự báo không thể đưa ra những hành động tối ưu vì hoàn cảnh của nông dân là không đồng nhất. Chúng tôi áp dụng khung này cho trường hợp bắt đầu mùa mưa gió mùa, một ngày quan trọng cho các quyết định gieo trồng và đầu tư nông nghiệp ở nhiều nước nhiệt đới. Chúng tôi phát triển một hệ thống điều chỉnh các dự báo theo yêu cầu của khung này bằng cách kết hợp các mô hình dự đoán thời tiết trí tuệ nhân tạo (AI) được đánh giá chuẩn mực với mô hình thống kê "kỳ vọng ngày càng tăng của nông dân" mới. Mô hình thống kê này áp dụng suy luận Bayes vào các quan sát lịch sử để dự đoán xác suất thay đổi theo thời gian của các sự kiện xảy ra lần đầu tiên trong suốt mùa giải. Hệ thống kết hợp này mang lại các dự báo gió mùa ở Ấn Độ chính xác hơn ở thời gian dự báo dài hơn so với các thành phần của nó hoặc bất kỳ giá trị trung bình đa mô hình nào. Vào năm 2025, hệ thống này đã được triển khai hoạt động trong một chương trình do chính phủ dẫn đầu nhằm cung cấp các dự báo về sự khởi đầu của gió mùa dưới mùa cho 38 triệu nông dân Ấn Độ, dự đoán một cách khéo léo về đợt khô hạn bất thường vào đầu mùa hè năm đó. Khung lý thuyết quyết định và hệ thống kết hợp này đưa ra một con đường để phát triển các công cụ thích ứng với khí hậu cho các nhóm dân cư dễ bị tổn thương lớn trên toàn thế giới.

Document Ready

Click below to load the full PDF document natively.