Microsoft Research Menerbitkan Studi Prakiraan Cuaca Berbasis AI di Nature

Pada 14 Oktober 2026, tim yang dipimpin Microsoft Research menerbitkan sebuah studi di Nature yang memperkenalkan koreksi bias probabilistik (PBC), sebuah kerangka kerja pembelajaran mesin yang menurut para penulis meningkatkan prakiraan cuaca untuk dua hingga enam minggu ke depan, sekaligus merilis kodenya sebagai sumber terbuka.

Studi tersebut menyatakan bahwa meskipun sistem dinamis dan AI modern menghasilkan prakiraan akurat hingga sekitar dua minggu ke depan, kemampuan prakiraan menurun tajam pada rentang submusiman, yakni dua hingga enam minggu ke depan, akibat akumulasi galat, bias sistematis model, dan sifat atmosfer yang kacau. Para penulis menyajikan PBC sebagai kerangka kerja yang mengurangi galat sistematis dengan mempelajari cara mengoreksi prakiraan probabilistik historis suatu model, dengan bekerja langsung pada distribusi probabilitas, bukan pada pengamatan mentah.

Hannah Guan dan Soukayna Mouatadid berkontribusi sama besar dalam penelitian ini, dan Guan melakukan penelitiannya sebagai peserta magang di Microsoft Research; Judah Cohen dari MIT dan Lester Mackey dari Microsoft Research adalah penulis korespondensi. Tim yang terdiri atas 13 penulis ini mencantumkan afiliasi dengan Microsoft Research, Microsoft, MIT, Harvard College, University of Toronto, IMPA, Janus Research Group, Rhiza Research, dan ECMWF. Nature mencatat bahwa makalah tersebut diterima pada 17 April 2026 dan disetujui pada 4 September 2026.

Cara Kerja PBC dan Metode Evaluasinya

Dengan masukan berupa ansambel prakiraan deterministik mentah, PBC terlebih dahulu mengubah ansambel tersebut menjadi prakiraan probabilistik awal yang diukur berdasarkan kelompok kuantil klimatologis. Selanjutnya, dua model pembelajaran mesin menerapkan koreksi yang saling melengkapi secara paralel: Debias++ mengubah prakiraan menggunakan penyesuaian khusus lokasi, tanggal, dan kuantil yang dipelajari dengan meminimalkan galat prakiraan probabilistik selama periode pelatihan yang dipilih secara adaptif, sedangkan Persistence++ menggabungkan prakiraan dengan pengamatan tertunda dan klimatologi untuk menangkap tren cuaca terkini serta pengaruh hari dalam setahun. Kedua koreksi tersebut diproyeksikan ke ruang fungsi distribusi kumulatif yang valid, lalu dirata-ratakan untuk menghasilkan prediksi akhir PBC.

Tim mengevaluasi prakiraan dengan mengikuti konvensi kompetisi AI Weather Quest ECMWF: suhu rata-rata pada ketinggian 2 meter dan total presipitasi di daratan, serta tekanan rata-rata permukaan laut pada kisi global beresolusi 1,5 derajat dengan lima kelompok kuintil. Evaluasi dilakukan untuk rentang prakiraan minggu ke-3 (hari ke-19–25) dan minggu ke-4 (hari ke-26–32), dengan skor berupa ranked probability skill score (RPSS) terhadap acuan klimatologis. Data acuan adalah analisis ulang ERA5 periode 1979–2026 yang dipetakan ulang ke resolusi 1,5 derajat, sedangkan set uji bawaan mencakup tanggal sasaran pada hari Senin dan Jumat, selain 29 Februari, selama 2016–2024. Para penulis menyatakan bahwa PBC cukup ringan untuk dilatih ulang secara bertahap setiap hari hanya dengan menggunakan data analisis ulang dan prakiraan model yang tersedia pada setiap tanggal penerbitan, sehingga meniru penerapan operasional.

Peningkatan Kemampuan Prakiraan pada Model Dinamis dan AI

Makalah tersebut menyebut ansambel dinamis ECMWF sebagai model cuaca yang secara luas dianggap paling akurat di dunia dan sebagai tolok ukur utama untuk menilai kemampuan prakiraan submusiman. Ketika diterapkan pada ansambel tersebut selama 2016–2024, studi ini melaporkan bahwa PBC melipatgandakan tiga kali lipat kemampuan positif model mentah dalam memprakirakan presipitasi, yang memiliki nilai RPSS 0.023, serta mengubah prakiraan suhu dan tekanan dengan kemampuan negatif menjadi prediksi yang memiliki kemampuan prakiraan. Dibandingkan dengan keluaran ECMWF yang telah dikoreksi bias secara operasional, para penulis melaporkan bahwa PBC meningkatkan RPSS suhu sebesar 26–37% dan RPSS tekanan sebesar 16–32%, dengan peningkatan pada 98% sel kisi untuk presipitasi, 91–92% untuk suhu, dan 89–91% untuk tekanan permukaan laut.

Studi tersebut melaporkan bahwa PBC juga meningkatkan kinerja sistem berbasis AI. Ketika diterapkan pada AIFS-SUBS, model pembelajaran mendalam ECMWF untuk prakiraan submusiman, PBC melipatgandakan nilai RPSS rata-rata model sebesar 0.03 untuk semua variabel dan rentang prakiraan selama tahun uji 2025. Ketika diterapkan pada POET, sistem hibrida yang memproses keluaran ansambel ECMWF menggunakan jaringan saraf konvolusional dan transformer, PBC menghasilkan peningkatan pada 2024 sebesar 68–98% untuk presipitasi, 15–23% untuk tekanan rata-rata permukaan laut, dan 5–7% untuk suhu, menurut makalah tersebut. Para penulis juga melaporkan bahwa PBC-ECMWF menunjukkan peningkatan kemampuan prakiraan yang nyata dibandingkan model pembelajaran mendalam FuXi-S2S selama tahun-tahun uji 2017–2021, dengan peningkatan pada 99–100% sel kisi untuk suhu, 97–99% untuk presipitasi, dan 96–100% untuk tekanan rata-rata permukaan laut.

Hasil Kompetisi dan Prakiraan Peristiwa Ekstrem

Untuk mengukur kinerja waktu nyata, tim mengikutsertakan ansambel PBC-ECMWF dan PBC-POET bernama MicroDuet dalam kompetisi AI Weather Quest ECMWF tahun 2025. Makalah tersebut melaporkan bahwa MicroDuet menempati posisi pertama untuk semua variabel cuaca dan rentang prakiraan pada musim perdana September–November, mengungguli model dinamis terkoreksi bias dari enam pusat prakiraan operasional (ECMWF, NOAA, ECCC, HMCR, KMA, dan JMA), ansambel multimodel dinamis yang terdiri atas enam model, tiga versi AIFS-SUBS, serta sistem prakiraan dari 34 tim di seluruh dunia. MicroDuet juga memimpin pada kedua rentang prakiraan dalam musim Desember–Februari. Menurut laporan para penulis, selama kedua musim tersebut MicroDuet merupakan satu-satunya peserta yang secara signifikan mengungguli ECMWF terkoreksi bias (P < 0.05) untuk semua variabel dan rentang prakiraan.

ECMWF mengulas kompetisi yang sama dalam blog sains tertanggal 13 Maret 2026, dengan menyatakan bahwa 42 tim mengirimkan prakiraan menggunakan 74 model dengan nama unik selama dua periode kompetisi pertama, dan bahwa model pascapemrosesan tim MicroEnsemble, MicroDuet, secara konsisten memimpin papan peringkat serta secara signifikan mengungguli Integrated Forecasting System milik ECMWF untuk semua variabel dan waktu prakiraan.

Makalah tersebut juga melaporkan bahwa pada November 2025, prakiraan suhu waktu nyata untuk pekan ke-4 dari MicroDuet mengantisipasi serbuan udara dingin di wilayah timur Amerika Serikat pada Desember 2025, yang luput dari prakiraan ECMWF yang telah dikoreksi biasnya.

Untuk prakiraan kejadian ekstrem, para penulis melatih PBC menggunakan kenaikan semidesil (kuantil 5%), dengan mendefinisikan suhu ekstrem tinggi sebagai kejadian yang terverifikasi berada di atas persentil ke-95 dan suhu ekstrem rendah sebagai kejadian yang berada di bawah persentil ke-5, lalu mengukur keterampilan prakiraan menggunakan skor keterampilan Brier. Untuk suhu ekstrem tinggi pada pekan ke-3 selama 2016–2024, studi tersebut melaporkan bahwa PBC meningkatkan keterampilan prakiraan ECMWF yang telah dikoreksi biasnya secara operasional sebesar 51% untuk suhu dan 39% untuk tekanan, dengan peningkatan pada tingkat sel kisi sebesar 96% untuk curah hujan, 89% untuk tekanan permukaan laut, dan 85% untuk suhu.

Di antara 2.435 kejadian banjir yang tercatat dalam Global Disaster Alert and Coordination System (GDACS) antara 2016 dan 2026, para penulis melaporkan bahwa PBC meningkatkan keterampilan prakiraan banjir untuk pekan ke-3 sebesar 76–92%, sementara koreksi bias operasional menurunkan keterampilan dasar ECMWF tanpa koreksi bias, yang sebesar 0.04–0.06, hingga mendekati nol. Untuk 88 banjir parah, yang oleh GDACS didefinisikan sebagai kejadian yang menyebabkan lebih dari 100 kematian atau 80.000 orang mengungsi, makalah tersebut melaporkan bahwa PBC meningkatkan keterampilan prakiraan banjir parah sebesar 86–150%. Para penulis menyatakan bahwa peningkatan keterampilan probabilistik ini menghasilkan prediksi kejadian ekstrem yang lebih akurat dan berpotensi meningkatkan perencanaan pertanian, pengelolaan energi, serta kesiapsiagaan bencana di masyarakat rentan.

Kode Sumber Terbuka dan Konteks Penelitian

Kode PBC tersedia di GitHub dengan lisensi MIT dan diarsipkan di Zenodo, beserta kode replikasi untuk studi tersebut; repositori itu menyebutkan bahwa basis kode Python telah diuji di Rocky Linux 8.10 dengan Python 3.13.3. Pracetak karya para penulis diajukan ke arXiv pada 17 April 2026 dan terakhir direvisi pada 4 September 2026, sementara laman publikasi Microsoft Research mencantumkan tanggal karya tersebut sebagai April 2026.

Dalam pembahasan makalah, tim tersebut menjelaskan bahwa PBC menargetkan galat yang dapat diprediksi alih-alih mencoba mempelajari ulang dinamika atmosfer, dan memosisikannya sebagai alat pascapemrosesan, bukan pengganti peningkatan model masukan, serta sebagai strategi berbiaya operasional rendah bagi pusat meteorologi, termasuk yang beroperasi dengan sumber daya terbatas. Pengungkapan pendanaan mencantumkan dukungan FAPERJ untuk Orenstein, hibah US National Science Foundation untuk Cohen, dan pendanaan EU Destination Earth untuk para penulis dari ECMWF; pernyataan konflik kepentingan menyebutkan bahwa beberapa penulis adalah karyawan Microsoft atau memiliki saham Microsoft.