Abstract Weather and climate variations on subseasonal to decadal time scales can have enormous social, economic, and environmental impacts, making skillful predictions on these time scales a valuable tool for decision-makers. As such, there is a growing interest in the scientific, operational, and applications communities in developing forecasts to improve our foreknowledge of extreme events. On subseasonal to seasonal (S2S) time scales, these include high-impact meteorological events such as tropical cyclones, extratropical storms, floods, droughts, and heat and cold waves. On seasonal to decadal (S2D) time scales, while the focus broadly remains similar (e.g., on precipitation, surface and upper-ocean temperatures, and their effects on the probabilities of high-impact meteorological events), understanding the roles of internal variability and externally forced variability such as anthropogenic warming in forecasts also becomes important. The S2S and S2D communities share common scientific and technical challenges. These include forecast initialization and ensemble generation; initialization shock and drift; understanding the onset of model systematic errors; bias correction, calibration, and forecast quality assessment; model resolution; atmosphere–ocean coupling; sources and expectations for predictability; and linking research, operational forecasting, and end-user needs. In September 2018 a coordinated pair of international conferences, framed by the above challenges, was organized jointly by the World Climate Research Programme (WCRP) and the World Weather Research Programme (WWRP). These conferences surveyed the state of S2S and S2D prediction, ongoing research, and future needs, providing an ideal basis for synthesizing current and emerging developments in these areas that promise to enhance future operational services. This article provides such a synthesis.

Abstract A large stretch of the east coast of Australia experienced unprecedented rainfall and flooding over a two‐week period in early 2022. It is difficult to reliably estimate the likelihood of such a rare event from the relatively short observational record, so an alternative is to use data from an ensemble prediction system (e.g., a seasonal or decadal forecast system) to obtain a much larger sample of simulated weather events. This so‐called ‘UNSEEN’ method has been successfully applied in several scientific studies, but those studies typically rely on a single prediction system. In this study, we use data from the Decadal Climate Prediction Project to explore the model uncertainty associated with the UNSEEN method by assessing 10 different hindcast ensembles. Using the 15‐day rainfall total averaged over the river catchments impacted by the 2022 east coast event, we find that the models produce a wide range of likelihood estimates. Even after excluding a number of models that fail basic fidelity tests, estimates of the event return period ranged from 320 to 1814 years. The vast majority of models suggested the event is rarer than a standard extreme value assessment of the observational record (297 years). Such large model uncertainty suggests that multi‐model analysis should become part of the standard UNSEEN procedure.