Microsoft Research offentliggør undersøgelse af AI-baserede vejrprognoser i Nature

Et team ledet af Microsoft Research offentliggjorde en undersøgelse i Nature den 14. oktober 2026. Undersøgelsen introducerer probabilistisk bias-korrektion (PBC), en maskinlæringsramme, som ifølge forfatterne forbedrer vejrprognoser to til seks uger frem, og ledsages af en open source-frigivelse af koden.

Undersøgelsen fastslår, at selvom moderne dynamiske systemer og AI-systemer leverer præcise prognoser op til omkring to uger frem, falder prognosernes træfsikkerhed brat på subseasonale tidsskalaer på to til seks uger som følge af ophobede fejl, systematiske modelskævheder og atmosfærens kaotiske natur. Forfatterne præsenterer PBC som en ramme, der reducerer systematiske fejl ved at lære at korrigere en models historiske probabilistiske prognoser. Den arbejder direkte med sandsynlighedsfordelinger frem for rå observationer.

Hannah Guan og Soukayna Mouatadid bidrog i lige høj grad til arbejdet, og Guan udførte sin forskning som praktikant hos Microsoft Research; Judah Cohen fra MIT og Lester Mackey fra Microsoft Research er korresponderende forfattere. Forfattergruppen på 13 personer har tilknytning til Microsoft Research, Microsoft, MIT, Harvard College, University of Toronto, IMPA, Janus Research Group, Rhiza Research og ECMWF. Nature angiver, at artiklen blev modtaget den 17. april 2026 og accepteret den 4. september 2026.

Sådan fungerer PBC, og sådan blev metoden evalueret

Med et råt ensemble af deterministiske prognoser som udgangspunkt omdanner PBC først ensemblet til en indledende probabilistisk prognose, der måles i forhold til klimatologiske kvantilintervaller. Derefter anvender to maskinlæringsmodeller hver sin komplementære korrektion parallelt: Debias++ justerer prognosen med sted-, dato- og kvantilspecifikke ændringer, der er lært ved at minimere fejlen i de probabilistiske prognoser over adaptivt udvalgte træningsperioder, mens Persistence++ blander prognosen med tidsforskudte observationer og klimatologi for at opfange de seneste vejrtendenser og effekter knyttet til årets dag. De to korrektioner projiceres ind i rummet af gyldige kumulative fordelingsfunktioner og beregnes som et gennemsnit, der udgør PBC’s endelige forudsigelse.

Teamet evaluerede prognoserne efter de konventioner, der blev anvendt i ECMWF’s konkurrence AI Weather Quest: gennemsnitlig temperatur i 2 meters højde og samlet nedbør over land samt gennemsnitligt middeltryk ved havniveau på et globalt gitter med 1,5 graders opløsning og fem kvintilintervaller, for prognosehorisonterne uge 3 (dag 19–25) og uge 4 (dag 26–32). Prognoserne blev bedømt med RPSS (rangeret sandsynlighedsscore for prognosefærdighed) i forhold til en klimatologisk referencemodel. Sandhedsgrundlaget var ERA5-genanalysen for 1979–2026, omregnet til et gitter med 1,5 graders opløsning, og standardsættet til test dækkede måldatoer, der faldt på mandage og fredage uden for skudår i perioden 2016–2024. Forfatterne anfører, at PBC er så letvægts, at den kan genoptrænes trinvist hver dag alene ved hjælp af genanalyse- og modelprognosedata, som er tilgængelige på hver udstedelsesdato, så driftsmæssig implementering efterlignes.

Forbedret prognosefærdighed på tværs af dynamiske modeller og AI-modeller

Artiklen beskriver ECMWF’s dynamiske ensemble som bredt anerkendt for at være verdens mest præcise vejrmodel og som guldstandarden for sammenligning af prognosefærdighed på subseasonale tidsskalaer. Anvendt på dette ensemble i perioden 2016–2024 tredoblede PBC ifølge undersøgelsen den rå models positive nedbørsfærdighed på 0.023 RPSS og omdannede dens temperatur- og trykprognoser med negativ færdighed til prognoser med positiv færdighed. Sammenlignet med ECMWF’s operationelt bias-korrigerede output rapporterer forfatterne, at PBC øgede temperaturens RPSS med 26–37 % og trykkets RPSS med 16–32 %, med forbedringer i 98 % af gittercellerne for nedbør, 91–92 % for temperatur og 89–91 % for havniveau-tryk.

Undersøgelsen rapporterer, at PBC også forbedrede AI-baserede systemer. Anvendt på AIFS-SUBS, ECMWF’s deep learning-model til subseasonale prognoser, fordoblede PBC modellens gennemsnitlige RPSS på 0.03 på tværs af alle variabler og prognosehorisonter i teståret 2025. Anvendt på POET, et hybridsystem, der efterbehandler ECMWF’s ensemble med konvolutionelle neurale netværk og transformernetværk, gav PBC ifølge artiklen forbedringer i 2024 på 68–98 % for nedbør, 15–23 % for middeltryk ved havniveau og 5–7 % for temperatur. Forfatterne rapporterer desuden, at PBC-ECMWF viste markante forbedringer i prognosefærdigheden sammenlignet med deep learning-modellen FuXi-S2S i testårene 2017–2021: Prognosefærdigheden blev forbedret i 99–100 % af gittercellerne for temperatur, 97–99 % for nedbør og 96–100 % for middeltryk ved havniveau.

Konkurrenceresultater og prognoser for ekstreme vejrhændelser

For at måle resultater i realtid deltog teamet med et ensemble af PBC-ECMWF og PBC-POET, kaldet MicroDuet, i ECMWF’s AI Weather Quest-konkurrence i 2025. Ifølge artiklen kom MicroDuet på førstepladsen for alle vejrvariabler og prognosehorisonter i den første sæson, september–november, foran de bias-korrigerede dynamiske modeller fra seks operationelle prognosecentre (ECMWF, NOAA, ECCC, HMCR, KMA og JMA), et multimodelensemble med seks dynamiske modeller, tre versioner af AIFS-SUBS og prognosesystemerne fra 34 teams verden over. Det førte også på begge prognosehorisonter i sæsonen december–februar. Forfatterne rapporterer, at MicroDuet var det eneste bidrag, der i begge sæsoner signifikant overgik ECMWF’s bias-korrigerede prognoser (P < 0.05) for alle variabler og prognosehorisonter.

ECMWF beskrev den samme konkurrence i et videnskabsblogindlæg fra 13. marts 2026 og oplyste, at 42 hold indsendte prognoser baseret på 74 modeller med unikke navne i løbet af de første to konkurrenceperioder, og at MicroEnsemble-holdets efterbehandlingsmodel MicroDuet konsekvent førte ranglisten og klarede sig markant bedre end ECMWF’s Integrated Forecasting System for alle variabler og prognosetidspunkter.

Artiklen rapporterer også, at MicroDuets temperaturprognose i realtid for uge 4 i november 2025 forudsagde et koldluftsudbrud i det østlige USA i december 2025, som ECMWF’s bias-korrigerede prognose overså.

Til prognoser for ekstreme hændelser trænede forfatterne PBC på inkrementer ved semideciler (5 %-kvantiler), hvor ekstreme højder blev defineret som hændelser, der indtraf over 95-percentilen, og ekstreme lavder som hændelser, der indtraf under 5-percentilen. Prognosefærdigheden blev målt med Brier skill score. For ekstreme højder i uge 3 i perioden 2016–2024 rapporterer studiet, at PBC øgede prognosefærdigheden for operationelt bias-korrigerede ECMWF-prognoser med 51 % for temperatur og 39 % for tryk, mens forbedringerne på gittercelleniveau var 96 % for nedbør, 89 % for havniveau-tryk og 85 % for temperatur.

På tværs af 2.435 oversvømmelser, der blev registreret af Global Disaster Alert and Coordination System (GDACS) mellem 2016 og 2026, rapporterer forfatterne, at PBC øgede prognosefærdigheden for oversvømmelser i uge 3 med 76–92 %, mens operationel bias-korrektion reducerede ECMWF’s rå baseline-prognosefærdighed på 0,04–0,06 til næsten nul. For 88 alvorlige oversvømmelser, som GDACS definerer som hændelser med mere end 100 dødsfald eller 80.000 fordrevne, rapporterer artiklen, at PBC øgede prognosefærdigheden for alvorlige oversvømmelser med 86–150 %. Forfatterne anfører, at disse forbedringer i den probabilistiske prognosefærdighed giver mere præcise forudsigelser af ekstreme hændelser og potentielt kan forbedre planlægningen i landbruget, energiforvaltningen og beredskabet i udsatte lokalsamfund.

Open source-kode og forskningskontekst

PBC-koden er tilgængelig på GitHub under en MIT-licens og arkiveret på Zenodo sammen med kode til reproduktion af studiet; ifølge depotet blev Python-kodebasen testet på Rocky Linux 8.10 med Python 3.13.3. Forfatternes fortryk blev indsendt til arXiv den 17. april 2026 og senest revideret den 4. september 2026, og Microsoft Researchs publikationsside daterer arbejdet til april 2026.

I artiklens diskussion beskriver holdet PBC som en metode, der retter sig mod forudsigelige fejl frem for at forsøge at genlære atmosfærens dynamik. De fremstiller metoden som et værktøj til efterbehandling snarere end en erstatning for forbedringer af inputmodellerne og som en løsning med lave driftsomkostninger for meteorologiske centre, også i områder med begrænsede ressourcer. Oplysningerne om finansiering angiver støtte fra FAPERJ til Orenstein, et tilskud fra den amerikanske National Science Foundation til Cohen og EU-finansiering fra Destination Earth til ECMWF-forfatterne; erklæringen om interessekonflikter oplyser, at flere af forfatterne er ansat hos Microsoft eller ejer Microsoft-aktier.