Microsoft Research veröffentlicht Studie zur KI-Wettervorhersage in Nature

Ein von Microsoft Research geleitetes Team veröffentlichte am 14. Oktober 2026 eine Studie in Nature. Darin stellt es die probabilistische Bias-Korrektur (PBC) vor, ein Framework für maschinelles Lernen, das laut den Autoren Wettervorhersagen für einen Zeitraum von zwei bis sechs Wochen verbessert. Gleichzeitig veröffentlichte das Team den Code als Open Source.

Laut der Studie liefern moderne dynamische und KI-Systeme zwar bis zu einem Vorhersagezeitraum von etwa zwei Wochen präzise Prognosen, doch die Vorhersagegüte nimmt bei sub-saisonalen Zeiträumen von zwei bis sechs Wochen aufgrund sich summierender Fehler, systematischer Modellverzerrungen und der chaotischen Natur der Atmosphäre rapide ab. Die Autoren stellen PBC als Framework vor, das systematische Fehler reduziert, indem es lernt, historische probabilistische Vorhersagen eines Modells zu korrigieren. Dabei arbeitet es direkt mit Wahrscheinlichkeitsverteilungen statt mit Rohbeobachtungen.

Hannah Guan und Soukayna Mouatadid haben gleichermaßen zu der Arbeit beigetragen. Guan führte ihre Forschung als Praktikantin bei Microsoft Research durch; Judah Cohen vom MIT und Lester Mackey von Microsoft Research sind die korrespondierenden Autoren. Die 13-köpfige Autorengruppe nennt als institutionelle Zugehörigkeiten Microsoft Research, Microsoft, MIT, Harvard College, die Universität Toronto, IMPA, Janus Research Group, Rhiza Research und ECMWF. Laut Nature ging die Arbeit am 17. April 2026 ein und wurde am 4. September 2026 angenommen.

Funktionsweise und Bewertung von PBC

Ausgehend von einem Rohensemble deterministischer Vorhersagen wandelt PBC dieses zunächst in eine probabilistische Vorhersage um, die anhand klimatologischer Quantilklassen bemessen wird. Anschließend nehmen zwei Modelle des maschinellen Lernens parallel einander ergänzende Korrekturen vor: Debias++ verändert die Vorhersage mithilfe orts-, datums- und quantilspezifischer Anpassungen, die durch die Minimierung des Fehlers probabilistischer Vorhersagen über adaptiv ausgewählte Trainingszeiträume hinweg erlernt wurden. Persistence++ kombiniert die Vorhersage dagegen mit zeitlich verzögerten Beobachtungen und Klimatologie, um jüngste Wettertrends und Effekte des jeweiligen Kalendertags zu erfassen. Die beiden Korrekturen werden auf den Raum gültiger kumulativer Verteilungsfunktionen projiziert und zu einer mittleren endgültigen PBC-Vorhersage zusammengeführt.

Das Team bewertete die Vorhersagen nach den Konventionen des Wettbewerbs AI Weather Quest von ECMWF: mittlere Temperatur in 2 m Höhe und Gesamtniederschlag über Land sowie mittlerer Luftdruck auf Meereshöhe auf einem globalen Raster mit einer Auflösung von 1,5 Grad und fünf Quintilklassen. Betrachtet wurden die Vorlaufzeiten der dritten Woche (Tage 19–25) und der vierten Woche (Tage 26–32). Bewertet wurde anhand des Rangwahrscheinlichkeits-Skill-Scores (RPSS) im Vergleich zu einer klimatologischen Referenz. Als Referenzdaten dienten die ERA5-Reanalyse für den Zeitraum 1979–2026, umgerechnet auf ein Raster mit einer Auflösung von 1,5 Grad. Der standardmäßige Testsatz umfasste Zieldaten, die auf einen Montag oder Freitag in den Jahren 2016–2024 fielen, ausgenommen Schalttage. Die Autoren geben an, dass PBC so schlank ist, dass es täglich schrittweise neu trainiert werden kann – ausschließlich mit den Reanalyse- und Modellvorhersagedaten, die zum jeweiligen Ausgabezeitpunkt verfügbar sind. So wird ein operativer Einsatz nachgebildet.

Verbesserte Vorhersagegüte bei dynamischen und KI-Modellen

Die Studie bezeichnet das dynamische Ensemble von ECMWF als weltweit weithin angesehenes genauestes Wettermodell und als Goldstandard für den Vergleich der sub-saisonalen Vorhersagegüte. Laut der Studie verdreifachte PBC bei Anwendung auf dieses Ensemble im Zeitraum 2016–2024 die positive Niederschlagsvorhersagegüte des Rohmodells von 0.023 RPSS und verwandelte dessen Temperatur- und Druckvorhersagen mit negativer Vorhersagegüte in aussagekräftige Prognosen. Im Vergleich zu den operativ bias-korrigierten Ergebnissen von ECMWF berichten die Autoren von einer Steigerung des Temperatur-RPSS um 26–37 % und des Druck-RPSS um 16–32 %. Verbesserungen zeigten sich in 98 % der Rasterzellen beim Niederschlag, in 91–92 % bei der Temperatur und in 89–91 % beim Luftdruck auf Meereshöhe.

Laut der Studie verbesserte PBC auch KI-basierte Systeme. Bei Anwendung auf AIFS-SUBS, das Deep-Learning-Modell von ECMWF für sub-saisonale Vorhersagen, verdoppelte PBC im Testjahr 2025 den mittleren RPSS des Modells von 0.03 über alle Variablen und Vorlaufzeiten hinweg. Bei Anwendung auf POET, ein Hybridsystem, das das ECMWF-Ensemble mit Faltungs- und Transformer-Neuronalen Netzen nachbearbeitet, erzielte PBC der Studie zufolge 2024 Verbesserungen von 68–98 % beim Niederschlag, 15–23 % beim mittleren Luftdruck auf Meereshöhe und 5–7 % bei der Temperatur. Die Autoren berichten außerdem, dass PBC-ECMWF im Testzeitraum 2017–2021 die Vorhersagegüte des Deep-Learning-Modells FuXi-S2S deutlich übertraf: Bei der Temperatur verbesserte sich die Vorhersage in 99–100 % der Rasterzellen, beim Niederschlag in 97–99 % und beim mittleren Luftdruck auf Meereshöhe in 96–100 %.

Wettbewerbsergebnisse und Vorhersagen extremer Wetterereignisse

Um die Leistung in Echtzeit zu bewerten, reichte das Team ein Ensemble namens MicroDuet aus PBC-ECMWF und PBC-POET beim Wettbewerb AI Weather Quest 2025 von ECMWF ein. Der Studie zufolge belegte MicroDuet in der ersten Saison von September bis November bei allen Wettervariablen und Vorlaufzeiten den ersten Platz. Damit lag es vor den bias-korrigierten dynamischen Modellen von sechs operativen Vorhersagezentren (ECMWF, NOAA, ECCC, HMCR, KMA und JMA), einem dynamischen Mehrmodell-Ensemble aus sechs Modellen, drei Versionen von AIFS-SUBS sowie den Vorhersagesystemen von 34 Teams weltweit. Auch in der Saison von Dezember bis Februar lag es bei beiden Vorlaufzeiten vorn. Über beide Saisons hinweg war MicroDuet laut den Autoren die einzige Einreichung, die ECMWFs bias-korrigierte Vorhersagen bei allen Variablen und Vorlaufzeiten signifikant übertraf (P < 0.05).

Das ECMWF beschrieb denselben Wettbewerb in einem Wissenschaftsblog vom 13. März 2026. Demnach reichten 42 Teams in den ersten beiden Wettbewerbszeiträumen Prognosen für 74 Modelle mit jeweils eigenem Namen ein. Das Postprocessing-Modell MicroDuet des Teams MicroEnsemble lag durchgehend an der Spitze der Rangliste und übertraf das Integrated Forecasting System des ECMWF bei allen Variablen und Vorhersagezeiträumen deutlich.

Der Studie zufolge sagte MicroDuets Echtzeit-Temperaturprognose für Woche 4 im November 2025 einen Kaltluftvorstoß im Osten der USA im Dezember 2025 voraus, den das biasbereinigte ECMWF nicht erfasste.

Für die Vorhersage von Extremereignissen trainierten die Autoren PBC mit Inkrementen an den Halbdezilen (5-%-Quantile). Extreme Höchstwerte definierten sie als Ereignisse mit Messwerten oberhalb des 95. Perzentils, extreme Tiefstwerte als Ereignisse mit Messwerten unterhalb des 5. Perzentils. Die Vorhersagegüte maßen sie anhand des Brier-Skill-Scores. Bei extremen Höchstwerten für Woche 3 im Zeitraum 2016–2024 steigerte PBC der Studie zufolge die Vorhersagegüte des operativ biasbereinigten ECMWF um 51 % bei der Temperatur und um 39 % beim Druck. Auf Ebene der Gitterzellen betrugen die Zuwächse 96 % beim Niederschlag, 89 % beim Meeresspiegeldruck und 85 % bei der Temperatur.

Bei 2.435 Hochwasserereignissen, die das Global Disaster Alert and Coordination System (GDACS) zwischen 2016 und 2026 erfasste, steigerte PBC der Studie zufolge die Vorhersagegüte für Hochwasser in Woche 3 um 76–92 %, während die operative Bias-Korrektur die Ausgangsgüte des unkorrigierten ECMWF von 0,04–0,06 auf nahezu null senkte. Bei 88 schweren Hochwassern – GDACS definiert diese als Ereignisse mit mehr als 100 Todesfällen oder 80.000 Vertriebenen – verbesserte PBC laut der Studie die Vorhersagegüte schwerer Hochwasser um 86–150 %. Die Autoren erklären, dass diese Zugewinne bei der probabilistischen Vorhersagegüte zu genaueren Prognosen von Extremereignissen führen und die landwirtschaftliche Planung, das Energiemanagement sowie die Katastrophenvorsorge in gefährdeten Gemeinden verbessern könnten.

Quelloffener Code und Forschungskontext

Der PBC-Code ist auf GitHub verfügbar und steht unter einer MIT-Lizenz. Er wurde zusammen mit Replikationscode für die Studie auf Zenodo archiviert; laut Repository wurde die Python-Codebasis mit Rocky Linux 8.10 und Python 3.13.3 getestet. Ein Vorabdruck der Autoren wurde am 17. April 2026 bei arXiv eingereicht und zuletzt am 4. September 2026 überarbeitet. Die Publikationsseite von Microsoft Research datiert die Arbeit auf April 2026.

In der Diskussion der Studie beschreibt das Team PBC als Ansatz, der auf vorhersehbare Fehler abzielt, statt die atmosphärische Dynamik neu zu erlernen. Es stellt PBC als Postprocessing-Werkzeug dar, nicht als Ersatz für Verbesserungen des Eingabemodells, und als Strategie mit geringem Aufwand für meteorologische Zentren, auch in Umgebungen mit begrenzten Ressourcen. In den Angaben zur Finanzierung werden Fördermittel von FAPERJ für Orenstein, ein Stipendium der US-amerikanischen National Science Foundation für Cohen sowie Mittel aus dem EU-Programm Destination Earth für die ECMWF-Autoren aufgeführt. Die Erklärung zu Interessenkonflikten besagt, dass mehrere Autoren bei Microsoft beschäftigt sind oder Microsoft-Aktien besitzen.