Η Microsoft Research δημοσιεύει στο Nature μελέτη για την πρόγνωση του καιρού με τεχνητή νοημοσύνη

Ομάδα με επικεφαλής τη Microsoft Research δημοσίευσε στις 14 Οκτωβρίου 2026 μια μελέτη στο Nature, παρουσιάζοντας την πιθανοτική διόρθωση μεροληψίας (PBC), ένα πλαίσιο μηχανικής μάθησης το οποίο, σύμφωνα με τους συγγραφείς, βελτιώνει τις προγνώσεις καιρού για διάστημα δύο έως έξι εβδομάδων. Παράλληλα, δημοσίευσε τον κώδικα ως λογισμικό ανοιχτού κώδικα.

Η μελέτη αναφέρει ότι, παρότι τα σύγχρονα δυναμικά συστήματα και τα συστήματα τεχνητής νοημοσύνης παρέχουν ακριβείς προγνώσεις για διάστημα περίπου δύο εβδομάδων, η προγνωστική τους ικανότητα μειώνεται απότομα στις υποεποχικές χρονικές κλίμακες των δύο έως έξι εβδομάδων, λόγω της συσσώρευσης σφαλμάτων, των συστηματικών μεροληψιών των μοντέλων και της χαοτικής φύσης της ατμόσφαιρας. Οι συγγραφείς παρουσιάζουν την PBC ως ένα πλαίσιο που μειώνει τα συστηματικά σφάλματα μαθαίνοντας να διορθώνει τις ιστορικές πιθανοτικές προγνώσεις ενός μοντέλου και λειτουργώντας απευθείας πάνω σε κατανομές πιθανότητας, αντί για ακατέργαστες παρατηρήσεις.

Η Hannah Guan και η Soukayna Mouatadid συνέβαλαν εξίσου στην εργασία, ενώ η Guan διεξήγαγε την έρευνά της ως ασκούμενη στη Microsoft Research· ο Judah Cohen από το MIT και ο Lester Mackey από τη Microsoft Research είναι οι συγγραφείς επικοινωνίας. Η ομάδα των 13 συγγραφέων δηλώνει ότι τα μέλη της συνδέονται με τη Microsoft Research, τη Microsoft, το MIT, το Harvard College, το Πανεπιστήμιο του Τορόντο, το IMPA, το Janus Research Group, το Rhiza Research και το ECMWF. Σύμφωνα με τα στοιχεία του Nature, η εργασία υποβλήθηκε στις 17 Απριλίου 2026 και έγινε δεκτή στις 4 Σεπτεμβρίου 2026.

Πώς λειτουργεί η PBC και πώς αξιολογήθηκε

Με δεδομένο ένα ακατέργαστο σύνολο ντετερμινιστικών προγνώσεων, η PBC το μετατρέπει αρχικά σε μια πιθανοτική πρόγνωση, αξιολογημένη με βάση κλιματολογικά διαστήματα ποσοστημορίων. Στη συνέχεια, δύο μοντέλα μηχανικής μάθησης εφαρμόζουν παράλληλα συμπληρωματικές διορθώσεις: το Debias++ τροποποιεί την πρόγνωση με προσαρμογές που εξειδικεύονται ανά τοποθεσία, ημερομηνία και ποσοστημόριο και έχουν μαθευτεί μέσω της ελαχιστοποίησης του σφάλματος πιθανοτικής πρόγνωσης σε περιόδους εκπαίδευσης που επιλέγονται προσαρμοστικά, ενώ το Persistence++ συνδυάζει την πρόγνωση με παλαιότερες παρατηρήσεις και κλιματολογικά δεδομένα, ώστε να αποτυπώνει τις πρόσφατες καιρικές τάσεις και τις επιδράσεις της ημέρας του έτους. Οι δύο διορθώσεις προβάλλονται στον χώρο των έγκυρων συναρτήσεων αθροιστικής κατανομής και υπολογίζεται ο μέσος όρος τους, ο οποίος αποτελεί την τελική πρόγνωση της PBC.

Η ομάδα αξιολόγησε τις προγνώσεις σύμφωνα με τις συμβάσεις του διαγωνισμού AI Weather Quest του ECMWF: μέση θερμοκρασία στα 2 μέτρα και συνολική βροχόπτωση πάνω από ξηρά, καθώς και μέση πίεση στη μέση στάθμη της θάλασσας, σε παγκόσμιο πλέγμα ανάλυσης 1,5 μοιρών με πέντε διαστήματα πεμπτημορίων. Η αξιολόγηση αφορούσε τους χρονικούς ορίζοντες πρόγνωσης της 3ης εβδομάδας (ημέρες 19–25) και της 4ης εβδομάδας (ημέρες 26–32), με βάση τη βαθμολογία δεξιότητας πιθανοτήτων κατά τάξη (RPSS) σε σύγκριση με κλιματολογική γραμμή βάσης. Ως πραγματικές τιμές αναφοράς χρησιμοποιήθηκε η επαναναλυτική βάση ERA5 για την περίοδο 1979–2026, αναπροσαρμοσμένη σε πλέγμα ανάλυσης 1,5 μοιρών. Το προεπιλεγμένο σύνολο δοκιμής κάλυπτε ημερομηνίες-στόχους Δευτέρας και Παρασκευής, εξαιρουμένων των ημερών που υπάρχουν μόνο στα δίσεκτα έτη, κατά την περίοδο 2016–2024. Οι συγγραφείς αναφέρουν ότι η PBC είναι αρκετά ελαφριά ώστε να επανεκπαιδεύεται σταδιακά κάθε μέρα, χρησιμοποιώντας μόνο τα δεδομένα επαναναλύσεων και προγνώσεων μοντέλων που είναι διαθέσιμα κατά την ημερομηνία έκδοσης κάθε πρόγνωσης, προσομοιώνοντας έτσι την επιχειρησιακή εφαρμογή.

Βελτίωση της προγνωστικής ικανότητας σε δυναμικά μοντέλα και μοντέλα τεχνητής νοημοσύνης

Η εργασία αναφέρει ότι το δυναμικό σύνολο προγνώσεων του ECMWF θεωρείται ευρέως το ακριβέστερο μοντέλο καιρού στον κόσμο και το πρότυπο αναφοράς για την αξιολόγηση της υποεποχικής προγνωστικής ικανότητας. Εφαρμόζοντας την PBC σε αυτό το σύνολο για την περίοδο 2016–2024, η μελέτη αναφέρει ότι τριπλασιάστηκε η θετική προγνωστική ικανότητα του ακατέργαστου μοντέλου για τη βροχόπτωση, από 0.023 RPSS, ενώ οι προγνώσεις του για τη θερμοκρασία και την πίεση, οι οποίες είχαν αρνητική προγνωστική ικανότητα, μετατράπηκαν σε επιτυχημένες προγνώσεις. Σε σύγκριση με τις επιχειρησιακές προγνώσεις του ECMWF μετά τη διόρθωση της μεροληψίας, οι συγγραφείς αναφέρουν ότι η PBC αύξησε το RPSS για τη θερμοκρασία κατά 26–37% και για την πίεση κατά 16–32%. Καταγράφηκαν βελτιώσεις στο 98% των σημείων του πλέγματος για τη βροχόπτωση, στο 91–92% για τη θερμοκρασία και στο 89–91% για την πίεση στη στάθμη της θάλασσας.

Η μελέτη αναφέρει ότι η PBC βελτίωσε και συστήματα που βασίζονται στην τεχνητή νοημοσύνη. Όταν εφαρμόστηκε στο AIFS-SUBS, το μοντέλο βαθιάς μάθησης του ECMWF για υποεποχικές προγνώσεις, η PBC διπλασίασε τη μέση τιμή RPSS του μοντέλου, η οποία ήταν 0.03, για όλες τις μεταβλητές και τους χρονικούς ορίζοντες πρόγνωσης κατά το έτος δοκιμής 2025. Όταν εφαρμόστηκε στο POET, ένα υβριδικό σύστημα που επεξεργάζεται εκ των υστέρων το σύνολο προγνώσεων του ECMWF με συνελικτικά νευρωνικά δίκτυα και δίκτυα μετασχηματιστών, η PBC απέφερε το 2024 βελτιώσεις της τάξης του 68–98% για τη βροχόπτωση, 15–23% για τη μέση πίεση στη στάθμη της θάλασσας και 5–7% για τη θερμοκρασία, σύμφωνα με την εργασία. Οι συγγραφείς αναφέρουν ακόμη ότι το PBC-ECMWF παρουσίασε αξιοσημείωτη βελτίωση της προγνωστικής ικανότητας σε σύγκριση με το μοντέλο βαθιάς μάθησης FuXi-S2S κατά τα έτη δοκιμής 2017–2021: βελτίωση καταγράφηκε στο 99–100% των σημείων του πλέγματος για τη θερμοκρασία, στο 97–99% για τη βροχόπτωση και στο 96–100% για τη μέση πίεση στη στάθμη της θάλασσας.

Αποτελέσματα διαγωνισμού και προγνώσεις ακραίων φαινομένων

Για να αξιολογήσει την απόδοση σε πραγματικό χρόνο, η ομάδα συμμετείχε στον διαγωνισμό AI Weather Quest 2025 του ECMWF με ένα σύνολο προγνώσεων που συνδύαζε τα PBC-ECMWF και PBC-POET, με την ονομασία MicroDuet. Η εργασία αναφέρει ότι το MicroDuet κατέλαβε την πρώτη θέση για όλες τις καιρικές μεταβλητές και τους χρονικούς ορίζοντες πρόγνωσης στην πρώτη περίοδο του διαγωνισμού, από τον Σεπτέμβριο έως τον Νοέμβριο, ξεπερνώντας τα δυναμικά μοντέλα έξι επιχειρησιακών κέντρων πρόγνωσης μετά τη διόρθωση της μεροληψίας (ECMWF, NOAA, ECCC, HMCR, KMA και JMA), ένα δυναμικό σύνολο πολλαπλών μοντέλων αποτελούμενο από έξι μοντέλα, τρεις εκδόσεις του AIFS-SUBS και τα συστήματα πρόγνωσης 34 ομάδων από όλο τον κόσμο. Αναφέρει επίσης ότι το MicroDuet βρέθηκε στην κορυφή και στους δύο χρονικούς ορίζοντες πρόγνωσης κατά την περίοδο Δεκεμβρίου–Φεβρουαρίου. Σύμφωνα με τους συγγραφείς, και στις δύο περιόδους, το MicroDuet ήταν η μόνη συμμετοχή που ξεπέρασε σημαντικά το ECMWF μετά τη διόρθωση της μεροληψίας (P < 0.05) σε όλες τις μεταβλητές και τους χρονικούς ορίζοντες πρόγνωσης.

Η ECMWF περιέγραψε τον ίδιο διαγωνισμό σε επιστημονική ανάρτηση ιστολογίου της 13ης Μαρτίου 2026, αναφέροντας ότι 42 ομάδες υπέβαλαν προγνώσεις με 74 μοντέλα που έφεραν το καθένα μοναδική ονομασία στις δύο πρώτες διαγωνιστικές περιόδους και ότι το μοντέλο μετεπεξεργασίας MicroDuet της ομάδας MicroEnsemble βρισκόταν σταθερά στην κορυφή της κατάταξης και υπερείχε σημαντικά του Integrated Forecasting System της ECMWF σε όλες τις μεταβλητές και τους χρόνους πρόγνωσης.

Η μελέτη αναφέρει επίσης ότι, τον Νοέμβριο του 2025, η πρόγνωση θερμοκρασίας πραγματικού χρόνου για την τέταρτη εβδομάδα από το MicroDuet προέβλεψε ένα κύμα ψυχρής εισβολής στις ανατολικές Ηνωμένες Πολιτείες τον Δεκέμβριο του 2025, το οποίο δεν είχε προβλέψει η ECMWF μετά τη διόρθωση μεροληψίας.

Για την πρόγνωση ακραίων φαινομένων, οι συγγραφείς εκπαίδευσαν το PBC σε μεταβολές ημι-δεκατημορίων (ποσοστημόριο 5%), ορίζοντας τις ακραίες υψηλές τιμές ως φαινόμενα που επαληθεύονταν πάνω από το 95ο εκατοστημόριο και τις ακραίες χαμηλές τιμές ως εκείνες κάτω από το 5ο εκατοστημόριο, και μέτρησαν τη δεξιότητα με το σκορ δεξιότητας Brier. Για τις ακραίες υψηλές τιμές της τρίτης εβδομάδας κατά την περίοδο 2016–2024, η μελέτη αναφέρει ότι το PBC αύξησε κατά 51% τη δεξιότητα της επιχειρησιακής πρόγνωσης της ECMWF μετά τη διόρθωση μεροληψίας για τη θερμοκρασία και κατά 39% για την πίεση, ενώ τα κέρδη ανά κελί πλέγματος έφτασαν το 96% για τις βροχοπτώσεις, το 89% για την πίεση στη στάθμη της θάλασσας και το 85% για τη θερμοκρασία.

Με βάση 2.435 πλημμυρικά φαινόμενα που καταγράφηκαν από το Παγκόσμιο Σύστημα Προειδοποίησης και Συντονισμού για Καταστροφές (GDACS) μεταξύ 2016 και 2026, οι συγγραφείς αναφέρουν ότι το PBC αύξησε κατά 76–92% τη δεξιότητα πρόγνωσης πλημμυρών για την τρίτη εβδομάδα, ενώ η επιχειρησιακή διόρθωση μεροληψίας μείωνε τη βασική δεξιότητα της αρχικής ECMWF, που ήταν 0,04–0,06, σχεδόν στο μηδέν. Για 88 σοβαρές πλημμύρες, τις οποίες το GDACS ορίζει ως φαινόμενα που προκαλούν περισσότερους από 100 θανάτους ή 80.000 εκτοπισμούς, η μελέτη αναφέρει ότι το PBC βελτίωσε κατά 86–150% τη δεξιότητα πρόγνωσης σοβαρών πλημμυρών. Οι συγγραφείς αναφέρουν ότι αυτά τα κέρδη στην πιθανοτική δεξιότητα οδηγούν σε ακριβέστερη πρόβλεψη ακραίων φαινομένων και μπορούν να βελτιώσουν τον γεωργικό σχεδιασμό, τη διαχείριση της ενέργειας και την ετοιμότητα για καταστροφές σε ευάλωτες κοινότητες.

Κώδικας ανοικτού κώδικα και ερευνητικό πλαίσιο

Ο κώδικας του PBC είναι διαθέσιμος στο GitHub με άδεια MIT και έχει αρχειοθετηθεί στο Zenodo, μαζί με κώδικα για την αναπαραγωγή της μελέτης· το αποθετήριο αναφέρει ότι η βάση κώδικα Python δοκιμάστηκε σε Rocky Linux 8.10 με Python 3.13.3. Προδημοσίευμα των συγγραφέων υποβλήθηκε στο arXiv στις 17 Απριλίου 2026 και αναθεωρήθηκε τελευταία φορά στις 4 Σεπτεμβρίου 2026, ενώ η σελίδα δημοσιεύσεων της Microsoft Research χρονολογεί την εργασία στον Απρίλιο του 2026.

Στη συζήτηση της μελέτης, η ομάδα περιγράφει το PBC ως μέθοδο που στοχεύει σε σφάλματα τα οποία μπορούν να προβλεφθούν, αντί να επιχειρεί να επανεκπαιδεύσει τη μοντελοποίηση της ατμοσφαιρικής δυναμικής. Το παρουσιάζει ως εργαλείο μετεπεξεργασίας και όχι ως υποκατάστατο της βελτίωσης του μοντέλου εισόδου, καθώς και ως στρατηγική χαμηλού λειτουργικού κόστους για μετεωρολογικά κέντρα, ακόμη και σε περιβάλλοντα με περιορισμένους πόρους. Στις δηλώσεις χρηματοδότησης αναφέρονται η στήριξη της FAPERJ προς τον Orenstein, επιχορήγηση του Εθνικού Ιδρύματος Επιστημών των ΗΠΑ προς τον Cohen και χρηματοδότηση από το πρόγραμμα Destination Earth της ΕΕ για τους συγγραφείς από την ECMWF· στη δήλωση ανταγωνιστικών συμφερόντων αναφέρεται ότι αρκετοί συγγραφείς είναι υπάλληλοι της Microsoft ή κατέχουν μετοχές της.