Microsoft Research julkaisee Nature-lehdessä tekoälyä hyödyntävää sääennustamista käsittelevän tutkimuksen

Microsoft Researchin johtama tutkijaryhmä julkaisi 14. lokakuuta 2026 Nature-lehdessä tutkimuksen, jossa esiteltiin probabilistinen harhakorjaus (PBC), koneoppimiseen perustuva menetelmä, jonka tekijät kertovat parantavan sääennusteita kahdesta kuuteen viikkoa eteenpäin. Samalla julkaistiin menetelmän koodi avoimena lähdekoodina.

Tutkimuksen mukaan nykyaikaiset dynaamiset ennustejärjestelmät ja tekoälyjärjestelmät tuottavat tarkkoja ennusteita noin kahden viikon päähän, mutta ennusteiden osuvuus heikkenee jyrkästi kahden–kuuden viikon osakausiennusteissa virheiden kasautumisen, mallien systemaattisten harhojen ja ilmakehän kaoottisen luonteen vuoksi. Tekijät esittelevät PBC:n menetelmänä, joka vähentää systemaattisia virheitä oppimalla korjaamaan mallin historiallisia todennäköisyysennusteita. Se toimii suoraan todennäköisyysjakaumilla raak havaintojen sijaan.

Hannah Guan ja Soukayna Mouatadid osallistuivat työhön yhtä suurella panoksella, ja Guan teki tutkimustyönsä Microsoft Researchin harjoittelijana. MIT:n Judah Cohen ja Microsoft Researchin Lester Mackey ovat tutkimuksen yhteyshenkilöinä. Tutkimuksen 13 kirjoittajaa edustavat Microsoft Researchia, Microsoftia, MIT:tä, Harvard Collegea, Toronton yliopistoa, IMPAa, Janus Research Groupia, Rhiza Researchia ja ECMWF:ää. Nature-lehden tietojen mukaan artikkeli vastaanotettiin 17. huhtikuuta 2026 ja hyväksyttiin 4. syyskuuta 2026.

Miten PBC toimii ja miten sitä arvioitiin

Kun käytössä on joukko deterministisiä raak ennusteita, PBC muuntaa ne ensin alustavaksi todennäköisyysennusteeksi, jota arvioidaan ilmastollisten kvantiililuokkien avulla. Tämän jälkeen kaksi koneoppimismallia tekee rinnakkain toisiaan täydentävät korjaukset: Debias++ muokkaa ennustetta sijainti-, päivämäärä- ja kvantiilikohtaisilla säädöillä, jotka on opittu minimoimalla todennäköisyysennusteiden virhe mukautuvasti valituilla koulutusjaksoilla. Persistence++ puolestaan yhdistää ennusteen viiveellisiin havaintoihin ja ilmastollisiin tietoihin, jotta se pystyy huomioimaan viimeaikaiset säätrendit ja vuodenpäivän vaikutukset. Korjaukset projisoidaan kelvollisten kertymäfunktioiden avaruuteen ja lasketaan yhteen lopulliseksi PBC-ennusteeksi.

Tutkimusryhmä arvioi ennusteita ECMWF:n AI Weather Quest -kilpailun käytäntöjen mukaisesti: tarkastelussa olivat keskilämpötila kahden metrin korkeudella ja sademäärä maalla sekä keskimääräinen merenpintapaine. Muuttujia arvioitiin maailmanlaajuisella 1,5 asteen hilalla, jossa oli viisi kvintiililuokkaa, viikkojen 3 (päivät 19–25) ja 4 (päivät 26–32) ennakkoajoilla. Arviointimittarina käytettiin järjestettyä todennäköisyystaitopistemäärää (RPSS) suhteessa ilmastolliseen vertailutasoon. Vertailuhavaintoina käytettiin ERA5-uusanalyysiä vuosilta 1979–2026, joka muunnettiin uudelleen 1,5 asteen hilalle. Oletusarvoinen testijoukko kattoi maanantaille ja perjantaille osuneet kohdepäivät vuosina 2016–2024, lukuun ottamatta karkauspäiviä. Tekijöiden mukaan PBC on riittävän kevyt, jotta se voidaan kouluttaa uudelleen vaiheittain joka päivä käyttäen vain uusanalyysi- ja malliennustedataa, joka on saatavilla kunkin ennusteen laatimishetkellä. Näin jäljitellään operatiivista käyttöönottoa.

Ennustetaito parani dynaamisissa ja tekoälymalleissa

Artikkelissa kuvataan ECMWF:n dynaamista ennustekokonaisuutta laajalti maailman tarkimpana säämallina pidetyksi järjestelmäksi ja osakausiennusteiden vertailun kultaiseksi standardiksi. Kun PBC:tä sovellettiin tähän ennustekokonaisuuteen vuosina 2016–2024, se kolminkertaisti raakmallin sateen positiivisen ennustetaitopistemäärän, joka oli 0.023 RPSS, ja muutti lämpötila- ja paine-ennusteiden negatiivisen ennustetaidon taitaviksi ennusteiksi. ECMWF:n operatiivisesti harhakorjattuun tulosteeseen verrattuna PBC nosti tekijöiden mukaan lämpötilan RPSS-arvoa 26–37 % ja paineen RPSS-arvoa 16–32 %. Parannuksia havaittiin 98 prosentissa sadesolujen, 91–92 prosentissa lämpötilasolujen ja 89–91 prosentissa merenpintapaineen hilasoluista.

Tutkimuksen mukaan PBC paransi myös tekoälypohjaisten järjestelmien ennusteita. Kun sitä sovellettiin AIFS-SUBS-järjestelmään, ECMWF:n syväoppimismalliin osakausiennusteita varten, se kaksinkertaisti mallin keskimääräisen RPSS-arvon, joka oli 0.03, kaikissa muuttujissa ja ennakkoajoissa vuoden 2025 testijaksolla. POET-järjestelmään sovellettuna PBC paransi vuoden 2024 tuloksia 68–98 % sateen, 15–23 % keskimääräisen merenpintapaineen ja 5–7 % lämpötilan osalta. POET on hybridijärjestelmä, joka jälkikäsittelee ECMWF:n ennustekokonaisuutta konvoluutio- ja transformer-neuroverkoilla. Lisäksi tekijät kertovat PBC-ECMWF:n parantaneen ennustetaitoa selvästi FuXi-S2S-syväoppimismalliin verrattuna testivuosina 2017–2021: lämpötilan osalta parannuksia havaittiin 99–100 prosentissa hilasoluista, sateen osalta 97–99 prosentissa ja keskimääräisen merenpintapaineen osalta 96–100 prosentissa.

Kilpailutulokset ja ääri-ilmiöiden ennustaminen

Reaaliaikaisen suorituskyvyn vertailua varten tutkimusryhmä osallistui ECMWF:n vuoden 2025 AI Weather Quest -kilpailuun MicroDuet-nimisellä PBC-ECMWF:n ja PBC-POETin yhdistelmällä. Artikkelin mukaan MicroDuet sijoittui ensimmäiseksi kaikissa säämuuttujissa ja ennakkoajoissa kilpailun ensimmäisellä, syyskuusta marraskuuhun kestäneellä kaudella. Se päihitti kuuden operatiivisen ennustuskeskuksen (ECMWF, NOAA, ECCC, HMCR, KMA ja JMA) harhakorjatut dynaamiset mallit, kuuden dynaamisen mallin yhdistelmäennusteen, AIFS-SUBS-mallin kolme versiota sekä 34 eri puolilta maailmaa osallistuneen joukkueen ennustejärjestelmät. Lisäksi MicroDuet johti molemmilla ennakkoajoilla joulukuusta helmikuuhun kestäneellä kaudella. Tekijöiden mukaan se oli molempina kausina ainoa osallistuja, joka päihitti harhakorjatun ECMWF:n tilastollisesti merkitsevästi (P < 0,05) kaikissa säämuuttujissa ja ennakkoajoissa.

ECMWF kuvaili samaa kilpailua 13. maaliskuuta 2026 julkaistussa tiedeblogikirjoituksessa ja kertoi, että 42 joukkuetta toimitti ennusteita ensimmäisellä kahdella kilpailujaksolla käyttäen 74:ää yksilöllisesti nimettyä mallia. MicroEnsemble-joukkueen jälkikäsittelymalli MicroDuet johti tulostaulukkoa johdonmukaisesti ja päihitti merkittävästi ECMWF:n Integrated Forecasting System -järjestelmän kaikkien muuttujien ja ennusteiden aikajänteiden osalta.

Tutkimuksessa kerrotaan myös, että marraskuussa 2025 MicroDuetin reaaliaikainen neljän viikon lämpötilaennuste ennakoi joulukuussa 2025 Yhdysvaltojen itäosissa tapahtuvan kylmän ilman purkauksen, jota ECMWF:n harhakorjattu ennuste ei ennakoinut.

Ääri-ilmiöiden ennustamista varten tutkijat kouluttivat PBC:n 5 prosentin kvantiilien muutoksilla. Äärimmäisen korkeiksi arvoiksi määriteltiin tapahtumat, joiden toteutunut arvo ylitti 95. persentiilin, ja äärimmäisen mataliksi ne, joiden arvo alitti 5. persentiilin. Ennustetaitoa mitattiin Brierin taitopistemäärällä. Vuosien 2016–2024 kolmannen viikon äärimmäisen korkeiden arvojen osalta tutkimuksessa todetaan, että PBC paransi operatiivisesti harhakorjatun ECMWF-ennusteen taitoa lämpötilan osalta 51 % ja ilmanpaineen osalta 39 %. Ruudukkokohtainen taito parani sademäärän osalta 96 %, merenpintapaineen osalta 89 % ja lämpötilan osalta 85 %.

Global Disaster Alert and Coordination Systemin (GDACS) vuosina 2016–2026 luetteloimien 2 435 tulvatapahtuman perusteella tutkijat raportoivat, että PBC paransi kolmannen viikon tulvaennusteiden taitoa 76–92 %, kun taas operatiivinen harhakorjaus heikensi ECMWF:n alkuperäistä taitotasoa, joka oli 0,04–0,06, lähes nollaan. Tutkimuksen mukaan PBC paransi 88 vakavan tulvan ennustetaitoa 86–150 %. GDACS määrittelee vakaviksi tulviksi tapahtumat, jotka aiheuttavat yli 100 kuolemaa tai 80 000 ihmisen joutumisen siirtymään kodeistaan. Tutkijat toteavat, että nämä todennäköisyysennusteiden taitoparannukset tarkentavat ääri-ilmiöiden ennakointia ja voivat parantaa maatalouden suunnittelua, energiankäytön hallintaa ja katastrofivalmiutta haavoittuvissa yhteisöissä.

Avoin lähdekoodi ja tutkimuksen tausta

PBC:n koodi on saatavilla GitHubissa MIT-lisenssillä, ja se on arkistoitu Zenodoon yhdessä tutkimuksen toistamiseen tarvittavan koodin kanssa. Tietovaraston mukaan Python-koodikantaa testattiin Rocky Linux 8.10 -käyttöjärjestelmällä ja Python 3.13.3 -versiolla. Tekijöiden esijulkaisu toimitettiin arXiviin 17. huhtikuuta 2026, ja sitä muokattiin viimeksi 4. syyskuuta 2026. Microsoft Researchin julkaisusivulla työn julkaisuajankohdaksi ilmoitetaan huhtikuu 2026.

Tutkimuksen pohdintaosassa ryhmä kuvailee PBC:n kohdistuvan ennakoitaviin virheisiin sen sijaan, että sillä yritettäisiin oppia ilmakehän dynamiikka uudelleen. PBC esitetään jälkikäsittelytyökaluna, ei lähtömallin parantamisen korvaajana, sekä meteorologisten keskusten, myös resurssirajoitteisissa oloissa toimivien keskusten, kevyenä toimintatapana. Rahoitustiedoissa mainitaan FAPERJ:n tuki Orensteinille, Yhdysvaltain kansallisen tiedesäätiön apuraha Cohenille sekä EU:n Destination Earth -rahoitus ECMWF:n kirjoittajille. Eturistiriitoja koskevassa ilmoituksessa todetaan, että useat kirjoittajat ovat Microsoftin työntekijöitä tai omistavat Microsoftin osakkeita.