एआई मॉडल और प्लेटफ़ॉर्म
Microsoft Research ने Nature में AI मौसम पूर्वानुमान पर अध्ययन प्रकाशित किया
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
Microsoft Research के नेतृत्व वाली एक टीम ने 14 अक्टूबर, 2026 को Nature में एक अध्ययन प्रकाशित किया। इसमें संभाव्य पूर्वाग्रह-सुधार (PBC) नामक मशीन लर्निंग ढाँचे का परिचय दिया गया है। लेखकों के अनुसार, यह ढाँचा दो से छह सप्ताह आगे तक के मौसम पूर्वानुमानों को बेहतर बनाता है। साथ ही, इसके कोड को ओपन सोर्स के रूप में जारी किया गया।
अध्ययन के अनुसार, आधुनिक गतिशील और AI प्रणालियाँ लगभग दो सप्ताह आगे तक सटीक पूर्वानुमान देती हैं, लेकिन दो से छह सप्ताह आगे की उप-मौसमी समयावधियों में पूर्वानुमान-कौशल तेज़ी से घट जाता है। इसकी वजह समय के साथ जमा होती त्रुटियाँ, मॉडलों के व्यवस्थित पूर्वाग्रह और वायुमंडल का अराजक स्वभाव हैं। लेखकों ने PBC को ऐसे ढाँचे के रूप में प्रस्तुत किया है, जो किसी मॉडल के ऐतिहासिक संभाव्य पूर्वानुमानों को सुधारना सीखकर व्यवस्थित त्रुटि घटाता है। यह कच्चे प्रेक्षणों के बजाय सीधे संभाव्यता वितरणों पर काम करता है।
Hannah Guan और Soukayna Mouatadid ने इस काम में समान योगदान दिया, और Guan ने Microsoft Research में इंटर्न रहते हुए अपना शोध किया; MIT के Judah Cohen और Microsoft Research के Lester Mackey पत्राचार के लिए नामित लेखक हैं। 13 लेखकों की टीम के लेखक Microsoft Research, Microsoft, MIT, Harvard College, University of Toronto, IMPA, Janus Research Group, Rhiza Research और ECMWF से संबद्ध हैं। Nature में दर्ज जानकारी के अनुसार, शोधपत्र 17 अप्रैल 2026 को प्राप्त हुआ और 4 सितंबर 2026 को स्वीकार किया गया।
PBC कैसे काम करता है और इसका मूल्यांकन कैसे किया गया
नियतात्मक पूर्वानुमानों के कच्चे समूह को लेकर, PBC पहले उसे जलवायु-विज्ञान संबंधी क्वांटाइल वर्गों के आधार पर मापे गए शुरुआती संभाव्य पूर्वानुमान में बदलता है। इसके बाद दो मशीन लर्निंग मॉडल समानांतर रूप से एक-दूसरे के पूरक सुधार लागू करते हैं: Debias++ अनुकूलनशील ढंग से चुनी गई प्रशिक्षण अवधियों में संभाव्य पूर्वानुमान त्रुटि को न्यूनतम करके सीखे गए स्थान, तारीख और क्वांटाइल-विशिष्ट समायोजन लागू करता है; वहीं Persistence++ हाल के मौसम के रुझानों और वर्ष के दिन से जुड़े प्रभावों को पकड़ने के लिए पूर्वानुमान को विलंबित प्रेक्षणों और जलवायु-विज्ञान संबंधी आँकड़ों के साथ मिलाता है। इन दोनों सुधारों को वैध संचयी वितरण फलनों के समुच्चय में प्रक्षेपित किया जाता है और उनका औसत लेकर PBC का अंतिम पूर्वानुमान तैयार किया जाता है।
टीम ने पूर्वानुमानों का मूल्यांकन ECMWF की AI Weather Quest प्रतियोगिता के मानकों के अनुसार किया: 2 मीटर पर औसत तापमान और स्थलभाग पर कुल वर्षा, साथ ही वैश्विक 1.5-डिग्री ग्रिड पर औसत माध्य समुद्र-स्तरीय दबाव। इसमें पाँच पंचमक वर्ग रखे गए और तीसरे सप्ताह (दिन 19–25) तथा चौथे सप्ताह (दिन 26–32) के पूर्वानुमान-अंतरालों का मूल्यांकन जलवायु-विज्ञान संबंधी आधाररेखा के मुकाबले रैंक्ड प्रोबेबिलिटी स्किल स्कोर (RPSS) से किया गया। वास्तविक मान 1979–2026 के ERA5 पुनर्विश्लेषण से लिए गए, जिसे 1.5-डिग्री रिज़ॉल्यूशन के ग्रिड पर पुनः व्यवस्थित किया गया था। डिफ़ॉल्ट परीक्षण समूह में 2016–2024 के दौरान अधिवर्ष के 29 फ़रवरी को छोड़कर सोमवार और शुक्रवार को पड़ने वाली लक्ष्य तिथियाँ शामिल थीं। लेखकों का कहना है कि PBC इतना हल्का है कि हर दिन इसे क्रमिक रूप से फिर से प्रशिक्षित किया जा सकता है। इसके लिए केवल उस जारीकरण तिथि तक उपलब्ध पुनर्विश्लेषण और मॉडल पूर्वानुमान डेटा की ज़रूरत होती है, जिससे परिचालन तैनाती का अनुकरण होता है।
गतिशील और AI मॉडलों में पूर्वानुमान-कौशल में बढ़ोतरी
शोधपत्र में ECMWF के गतिशील मॉडल समूह को दुनिया का सबसे सटीक मौसम मॉडल व्यापक रूप से माना गया है और उप-मौसमी पूर्वानुमान-कौशल के मूल्यांकन के लिए उसे स्वर्ण मानक बताया गया है। 2016–2024 के दौरान इस मॉडल समूह पर लागू करने पर, अध्ययन के अनुसार PBC ने कच्चे मॉडल के वर्षा पूर्वानुमान के 0.023 RPSS के सकारात्मक कौशल को तीन गुना कर दिया और तापमान तथा दबाव के उन पूर्वानुमानों को, जिनका कौशल नकारात्मक था, कौशलयुक्त पूर्वानुमानों में बदल दिया। ECMWF के परिचालन स्तर पर पूर्वाग्रह-सुधारित परिणामों से तुलना में, लेखकों के अनुसार PBC ने तापमान RPSS को 26–37% और दबाव RPSS को 16–32% बढ़ाया। वर्षा के लिए 98% ग्रिड कोशिकाओं, तापमान के लिए 91–92% और समुद्र-स्तरीय दबाव के लिए 89–91% में सुधार दर्ज किया गया।
अध्ययन के अनुसार, PBC ने AI-आधारित प्रणालियों में भी सुधार किया। उप-मौसमी पूर्वानुमान के लिए ECMWF के डीप लर्निंग मॉडल AIFS-SUBS पर लागू करने से, 2025 के परीक्षण वर्ष में सभी चर और पूर्वानुमान-अंतरालों में मॉडल का औसत RPSS 0.03 दोगुना हो गया। POET पर लागू करने से—यह एक हाइब्रिड प्रणाली है, जो ECMWF के मॉडल समूह के पूर्वानुमानों को कन्वोल्यूशनल और ट्रांसफ़ॉर्मर न्यूरल नेटवर्क की मदद से आगे संसाधित करती है—2024 में वर्षा के लिए 68–98%, माध्य समुद्र-स्तरीय दबाव के लिए 15–23% और तापमान के लिए 5–7% सुधार हुआ, ऐसा शोधपत्र के अनुसार है। लेखकों का यह भी कहना है कि 2017–2021 के परीक्षण वर्षों में PBC-ECMWF ने FuXi-S2S डीप लर्निंग मॉडल की तुलना में उल्लेखनीय कौशल-वृद्धि दिखाई। तापमान के लिए 99–100% ग्रिड कोशिकाओं, वर्षा के लिए 97–99% और माध्य समुद्र-स्तरीय दबाव के लिए 96–100% में सुधार हुआ।
प्रतियोगिता के नतीजे और चरम घटनाओं के पूर्वानुमान
वास्तविक समय में प्रदर्शन का मूल्यांकन करने के लिए, टीम ने PBC-ECMWF और PBC-POET के समूह को MicroDuet नाम देकर ECMWF की 2025 AI Weather Quest प्रतियोगिता में शामिल किया। शोधपत्र के अनुसार, सितंबर–नवंबर के पहले प्रतियोगिता सत्र में MicroDuet ने मौसम के सभी चरों और पूर्वानुमान-अंतरालों में पहला स्थान हासिल किया। उसने छह परिचालन पूर्वानुमान केंद्रों (ECMWF, NOAA, ECCC, HMCR, KMA और JMA) के पूर्वाग्रह-सुधारित गतिशील मॉडलों, छह मॉडलों के एक गतिशील बहु-मॉडल समूह, AIFS-SUBS के तीन संस्करणों और दुनिया भर की 34 टीमों की पूर्वानुमान प्रणालियों को पीछे छोड़ा। दिसंबर–फ़रवरी के सत्र में भी उसने दोनों पूर्वानुमान-अंतरालों में बढ़त बनाए रखी। लेखकों के अनुसार, दोनों सत्रों में MicroDuet एकमात्र ऐसी प्रविष्टि थी, जिसने सभी चरों और पूर्वानुमान-अंतरालों में पूर्वाग्रह-सुधारित ECMWF से उल्लेखनीय रूप से बेहतर प्रदर्शन किया (P < 0.05)।
ECMWF ने इसी प्रतियोगिता का वर्णन 13 मार्च, 2026 के एक विज्ञान ब्लॉग में भी किया। उसने बताया कि पहले दो प्रतिस्पर्धी दौरों में 42 टीमों ने 74 विशिष्ट नाम वाले मॉडलों के तहत पूर्वानुमान प्रस्तुत किए और MicroEnsemble टीम का पोस्ट-प्रोसेसिंग मॉडल MicroDuet लगातार लीडरबोर्ड में शीर्ष पर रहा तथा सभी चरों और पूर्वानुमान अवधियों के लिए ECMWF के Integrated Forecasting System से काफी बेहतर प्रदर्शन किया।
शोधपत्र में यह भी बताया गया है कि नवंबर 2025 में MicroDuet के वास्तविक समय के चौथे सप्ताह के तापमान पूर्वानुमान ने दिसंबर 2025 में पूर्वी संयुक्त राज्य अमेरिका में आने वाली ठंडी हवा की लहर का पहले ही अनुमान लगा लिया था, जिसे ECMWF का पूर्वाग्रह-संशोधित मॉडल पहचान नहीं पाया।
चरम घटनाओं के पूर्वानुमान के लिए, लेखकों ने PBC को अर्ध-डेसाइल (5% क्वांटाइल) increments पर प्रशिक्षित किया। उन्होंने चरम ऊँचे मानों को 95वें प्रतिशतक से ऊपर सत्यापित होने वाली घटनाओं और चरम निचले मानों को 5वें प्रतिशतक से नीचे सत्यापित होने वाली घटनाओं के रूप में परिभाषित किया तथा कौशल को ब्रायर कौशल स्कोर से मापा। 2016–2024 के दौरान तीसरे सप्ताह के चरम ऊँचे मानों के लिए, अध्ययन के अनुसार PBC ने परिचालन स्तर पर पूर्वाग्रह-संशोधित ECMWF के कौशल में तापमान के लिए 51% और दबाव के लिए 39% की वृद्धि की; ग्रिड-सेल स्तर पर वर्षा के लिए 96%, समुद्र-स्तरीय दबाव के लिए 89% और तापमान के लिए 85% की वृद्धि हुई।
Global Disaster Alert and Coordination System (GDACS) द्वारा 2016 और 2026 के बीच दर्ज की गई बाढ़ की 2,435 घटनाओं के विश्लेषण में, लेखकों के अनुसार PBC ने तीसरे सप्ताह के बाढ़-पूर्वानुमान कौशल में 76–92% की वृद्धि की, जबकि परिचालन पूर्वाग्रह-संशोधन ने ECMWF के कच्चे आधारभूत कौशल को 0.04–0.06 से घटाकर लगभग शून्य के करीब ला दिया। GDACS के अनुसार, 88 गंभीर बाढ़ वे घटनाएँ थीं जिनमें 100 से अधिक मौतें हुईं या 80,000 लोग विस्थापित हुए; शोधपत्र बताता है कि PBC ने गंभीर बाढ़ के पूर्वानुमान कौशल में 86–150% की वृद्धि की। लेखकों का कहना है कि संभाव्य कौशल में ये बढ़ोतरी चरम घटनाओं के अधिक सटीक पूर्वानुमान में तब्दील होती हैं और संवेदनशील समुदायों में कृषि योजना, ऊर्जा प्रबंधन तथा आपदा तैयारी को बेहतर बनाने की क्षमता रखती हैं।
ओपन-सोर्स कोड और शोध की पृष्ठभूमि
PBC का कोड MIT लाइसेंस के तहत GitHub पर उपलब्ध है और अध्ययन के पुनरुत्पादन के लिए कोड सहित Zenodo पर संग्रहीत है; रिपॉज़िटरी के अनुसार Python कोडबेस का परीक्षण Rocky Linux 8.10 और Python 3.13.3 पर किया गया था। लेखकों का प्रीप्रिंट 17 अप्रैल, 2026 को arXiv पर जमा किया गया और 4 सितंबर, 2026 को आखिरी बार संशोधित हुआ; Microsoft Research के प्रकाशन पृष्ठ पर इस शोध की तारीख अप्रैल 2026 दी गई है।
शोधपत्र की चर्चा में, टीम PBC को वायुमंडलीय गतिकी को फिर से सीखने की कोशिश के बजाय पूर्वानुमेय त्रुटियों को लक्ष्य करने वाली प्रणाली के रूप में प्रस्तुत करती है। इसे इनपुट मॉडल में सुधार का विकल्प नहीं, बल्कि पोस्ट-प्रोसेसिंग टूल बताया गया है; साथ ही, संसाधन-सीमित परिस्थितियों में काम करने वाले मौसम विज्ञान केंद्रों सहित ऐसे केंद्रों के लिए इसे कम अतिरिक्त लागत वाली रणनीति कहा गया है। वित्तपोषण संबंधी खुलासों में Orenstein के लिए FAPERJ का सहयोग, Cohen के लिए US National Science Foundation का अनुदान और ECMWF के लेखकों के लिए EU Destination Earth से मिली निधि दर्ज है; हितों के टकराव संबंधी घोषणा के अनुसार, कई लेखक Microsoft के कर्मचारी हैं या उनके पास Microsoft के शेयर हैं।
