本研究では、人工知能（AI）に基づく気象モデルAIFS‑CRPSと、メット・オフィスの物理ベース集合モデルMOGREPS‑UKを組み合わせたとき、温度と風速の予報精度が全てのリードタイムで向上したことが示された。

まず、個々のモデルの生の予報はEnsemble Model Output Statistics（EMOS）で事前に調整され、IMPROVERシステムで80 %（よりスキルフルなモデル）と20 %（残りのモデル）の一定重みで結合された。この膨らまし方では、MOGREPS‑UKが自己のリードタイムで最も高いスキルを示す場合でも、AIFS‑CRPSが長期リードタイムで改善する多様性を活かせる。

結果はFig. 1に示されているように、平均Continuous Ranked Probability Score（CRPS）とRoot Mean Squared Error（RMSE）が、個々のモデルよりも常に低いことを示した。これは、温度予報だけでなく風速予報でも同様であり、リードタイムが延びてもスキル差は小さくなるが、ブレンドモデルは常にベストである。

さらに、三モデルブレンド（MOGREPS‑UK、IFS、AIFS‑CRPS）をそれぞれ50 %、30 %、20 %と重み付けすると、198時間までの長期リードタイムで最も高い全体的温度予報スキルを得られた。これは、モデル間のエラーパターンの多様性がAIが単独で提供する優位性を超えて価値を加えることを示唆する。