Microsoft Research zveřejňuje v časopise Nature studii o předpovídání počasí pomocí AI

Tým vedený Microsoft Research zveřejnil 14. října 2026 studii v časopise Nature. Představil v ní pravděpodobnostní korekci zkreslení (PBC), rámec strojového učení, který podle autorů zlepšuje předpovědi počasí na dva až šest týdnů dopředu. Součástí zveřejnění bylo také vydání zdrojového kódu s otevřeným zdrojovým kódem.

Studie uvádí, že ačkoli moderní dynamické systémy a systémy AI poskytují přesné předpovědi až přibližně na dva týdny dopředu, jejich úspěšnost v subsezónním horizontu dvou až šesti týdnů prudce klesá v důsledku kumulace chyb, systémového zkreslení modelů a chaotické povahy atmosféry. Autoři představují PBC jako rámec, který snižuje systematickou chybu tím, že se učí opravovat historické pravděpodobnostní předpovědi modelu a pracuje přímo s rozděleními pravděpodobnosti, nikoli se surovými pozorováními.

Hannah Guan a Soukayna Mouatadid přispěly k práci stejnou měrou a Guan prováděla svůj výzkum jako stážistka v Microsoft Research; Judah Cohen z MIT a Lester Mackey z Microsoft Research jsou korespondenčními autory. Tým 13 autorů uvádí afiliace s institucemi Microsoft Research, Microsoft, MIT, Harvard College, University of Toronto, IMPA, Janus Research Group, Rhiza Research a ECMWF. Časopis Nature uvádí, že článek obdržel 17. dubna 2026 a přijal 4. září 2026.

Jak PBC funguje a jak byla vyhodnocena

PBC nejprve převede soubor surových deterministických předpovědí na počáteční pravděpodobnostní předpověď, jejíž hodnoty se porovnávají s kvantilovými intervaly klimatologického rozdělení. Poté dva modely strojového učení souběžně aplikují vzájemně se doplňující korekce: Debias++ upravuje předpověď podle místa, data a kvantilu, přičemž tyto úpravy se naučí minimalizací chyby pravděpodobnostní předpovědi v adaptivně vybraných trénovacích obdobích; Persistence++ kombinuje předpověď se zpožděnými pozorováními a klimatologií, aby zachytil nedávné vývojové trendy počasí a vlivy konkrétního dne v roce. Obě korekce se promítnou do prostoru platných kumulativních distribučních funkcí a jejich průměrem vznikne konečná předpověď PBC.

Tým vyhodnocoval předpovědi podle pravidel soutěže ECMWF AI Weather Quest: průměrnou teplotu ve výšce 2 metrů a celkové srážky nad pevninou a také průměrný tlak vztažený k hladině moře na globální síti s rozlišením 1,5 stupně a pěti kvintilovými intervaly. Hodnotil předpovědi s předstihem ve třetím týdnu (19.–25. den) a čtvrtém týdnu (26.–32. den) pomocí skóre dovednosti podle pořadí pravděpodobností (RPSS) vůči klimatologickému základu. Referenční skutečné hodnoty vycházely z reanalýzy ERA5 za roky 1979–2026 převedené na síť s rozlišením 1,5 stupně; výchozí testovací sada zahrnovala cílová data připadající na pondělí a pátek, s výjimkou přestupného dne, v letech 2016–2024. Autoři uvádějí, že PBC je natolik nenáročná, že ji lze každý den průběžně znovu trénovat pouze pomocí reanalýzy a dat z předpovědního modelu dostupných k datu vydání každé předpovědi, čímž se napodobí provozní nasazení.

Zlepšení předpovědní úspěšnosti u dynamických modelů i modelů AI

Studie popisuje dynamický soubor předpovědí ECMWF jako široce považovaný za nejpřesnější model počasí na světě a zlatý standard pro porovnávání subsezónní úspěšnosti. Podle studie PBC při použití na tento soubor v letech 2016–2024 ztrojnásobila kladnou dovednost surového modelu v předpovídání srážek, která činila 0,023 RPSS, a změnila jeho teplotní a tlakové předpovědi se zápornou dovedností na úspěšné předpovědi. Ve srovnání s provozním výstupem ECMWF korigovaným na zkreslení autoři uvádějí, že PBC zvýšila RPSS teploty o 26–37 % a RPSS tlaku o 16–32 %. Zlepšení se projevilo v 98 % buněk sítě u srážek, v 91–92 % u teploty a v 89–91 % u tlaku na hladině moře.

Studie uvádí, že PBC zlepšila také systémy založené na AI. Při použití na AIFS-SUBS, model ECMWF využívající hluboké učení pro subsezónní předpovědi, zdvojnásobila PBC průměrné RPSS modelu ve výši 0,03 napříč všemi proměnnými a předstihy během testovacího roku 2025. Při použití na POET, hybridní systém, který následně zpracovává soubor předpovědí ECMWF pomocí konvolučních neuronových sítí a transformátorů, přinesla PBC podle studie v roce 2024 zlepšení o 68–98 % u srážek, o 15–23 % u průměrného tlaku na hladině moře a o 5–7 % u teploty. Autoři dále uvádějí, že PBC-ECMWF dosáhla výrazně lepších výsledků než model hlubokého učení FuXi-S2S v testovacích letech 2017–2021: zlepšení se týkalo 99–100 % buněk sítě u teploty, 97–99 % u srážek a 96–100 % u průměrného tlaku na hladině moře.

Výsledky soutěže a předpovědi extrémních jevů

Aby tým porovnal výkonnost v reálném čase, přihlásil do soutěže ECMWF AI Weather Quest 2025 soubor předpovědí PBC-ECMWF a PBC-POET s názvem MicroDuet. Studie uvádí, že MicroDuet obsadil první místo ve všech meteorologických proměnných a časových horizontech v úvodním období od září do listopadu, před dynamickými modely šesti provozních předpovědních center korigovanými na zkreslení (ECMWF, NOAA, ECCC, HMCR, KMA a JMA), souborem šesti dynamických multimodelových předpovědí, třemi verzemi AIFS-SUBS a předpovědními systémy 34 týmů z celého světa. V období od prosince do února se navíc umístil na prvním místě v obou časových horizontech. Podle autorů byla MicroDuet v obou obdobích jediným přihlášeným systémem, který ve všech proměnných a časových horizontech významně překonal ECMWF korigovaný na zkreslení (P < 0,05).

ECMWF popsala tutéž soutěž ve vědeckém blogovém příspěvku z 13. března 2026 a uvedla, že během prvních dvou soutěžních období odevzdalo 42 týmů předpovědi založené na 74 modelech s jedinečnými názvy a že postprocessingový model MicroDuet týmu MicroEnsemble průběžně vedl žebříček a ve všech proměnných i předpovědních horizontech výrazně překonal Integrovaný předpovědní systém ECMWF.

Studie také uvádí, že v listopadu 2025 předpověď teploty na 4. týden v reálném čase vytvořená modelem MicroDuet předpověděla vpád studeného vzduchu na východě Spojených států v prosinci 2025, který ECMWF po odstranění systematické odchylky nezachytil.

Pro předpovídání extrémních jevů autoři trénovali PBC na přírůstcích mezi půldecily (5% kvantil), přičemž extrémní maxima definovali jako jevy s hodnotami nad 95. percentilem a extrémní minima jako jevy s hodnotami pod 5. percentilem; úspěšnost měřili Brierovým skóre dovednosti. U extrémních maxim ve 3. týdnu za období 2016–2024 studie uvádí, že PBC zvýšil úspěšnost provozně korigovaných předpovědí ECMWF o 51 % u teploty a o 39 % u tlaku; v jednotlivých gridových buňkách dosáhlo zlepšení 96 % u srážek, 89 % u tlaku na hladině moře a 85 % u teploty.

U 2 435 povodní zaznamenaných Globálním systémem varování před katastrofami a koordinace (GDACS) v letech 2016 až 2026 autoři uvádějí, že PBC zvýšil úspěšnost povodňových předpovědí na 3. týden o 76–92 %, zatímco provozní korekce systematické odchylky snížila výchozí úspěšnost neupraveného modelu ECMWF z hodnot 0,04–0,06 téměř na nulu. U 88 závažných povodní, které GDACS definuje jako události s více než 100 oběťmi nebo 80 000 vysídlenými osobami, studie uvádí, že PBC zvýšil úspěšnost předpovídání závažných povodní o 86–150 %. Autoři konstatují, že tato zlepšení pravděpodobnostní úspěšnosti vedou k přesnějším předpovědím extrémních jevů a mohou zlepšit plánování v zemědělství, hospodaření s energií i připravenost zranitelných komunit na katastrofy.

Open source kód a kontext výzkumu

Kód PBC je dostupný na GitHubu pod licencí MIT a je archivován na Zenodu spolu s kódem pro reprodukci studie; podle informací v repozitáři byla kódová základna v Pythonu testována v prostředí Rocky Linux 8.10 s Pythonem 3.13.3. Předtisk článku autorů byl odeslán do arXivu 17. dubna 2026 a naposledy upraven 4. září 2026; publikační stránka Microsoft Research datuje práci do dubna 2026.

V diskusi studie tým popisuje PBC jako metodu zaměřenou na předvídatelné chyby, nikoli jako pokus o nové naučení atmosférické dynamiky. Představuje jej jako nástroj následného zpracování, nikoli jako náhradu za zdokonalování vstupních modelů, a jako strategii s nízkými provozními náklady pro meteorologická centra, včetně těch, která mají omezené zdroje. V prohlášeních o financování se uvádí podpora FAPERJ pro Orensteina, grant americké Národní vědecké nadace pro Cohena a financování z programu EU Destination Earth pro autory z ECMWF; prohlášení o střetu zájmů uvádí, že několik autorů pracuje pro Microsoft nebo vlastní jeho akcie.