在气候加速变化的背景下，实现次季节至季节（subseasonal-to-seasonal, S2S）尺度极端事件的精准预报，对于资源规划与防灾减灾至关重要。然而，由于多圈层间复杂的相互作用及大气固有的不确定性，S2S预报始终是天气与气候业务预报中的薄弱环节。本文提出TianXing-S2S——一个面向全球S2S尺度逐日集合预报的多圈层耦合概率模型。该模型首先将多圈层预报因子编码至紧凑的特征潜空间，继而采用扩散模型生成逐日集合预报；同时，在去噪器中引入基于最优传输理论的耦合模块，以增强大气与多圈层边界条件之间的交互建模。在1.5°分辨率、长达45天的关键大气变量逐日集合预报中，TianXing-S2S在多项指标上优于欧洲中期天气预报中心（ECMWF）S2S系统及FuXi-S2S。该模型对热浪和异常降水等次季节尺度极端事件展现出较高的预报技巧，并识别出土壤湿度是此类事件的关键前兆信号。此外，TianXing-S2S可稳定生成长达180天的滚动预报，为数据驱动的S2S研究提供了可靠框架。

次季节,人工智能,极端事件,多圈层耦合,扩散模型