Microsoft Research pubblica su Nature uno studio sulle previsioni meteorologiche basate sull’IA

Un gruppo guidato da Microsoft Research ha pubblicato il 14 ottobre 2026 uno studio su Nature, presentando la correzione probabilistica del bias (PBC), un framework di apprendimento automatico che, secondo gli autori, migliora le previsioni meteorologiche con un anticipo da due a sei settimane. Insieme allo studio è stato rilasciato il codice open source.

Lo studio afferma che, sebbene i moderni sistemi dinamici e basati sull’IA forniscano previsioni accurate fino a circa due settimane, la capacità previsionale cala bruscamente su scale temporali substagionali, da due a sei settimane, a causa dell’accumulo degli errori, dei bias sistematici dei modelli e della natura caotica dell’atmosfera. Gli autori presentano PBC come un framework che riduce l’errore sistematico imparando a correggere le previsioni probabilistiche storiche di un modello e operando direttamente sulle distribuzioni di probabilità anziché sulle osservazioni grezze.

Hannah Guan e Soukayna Mouatadid hanno contribuito allo stesso modo al lavoro, e Guan ha svolto la sua ricerca come tirocinante presso Ricerca Microsoft; Judah Cohen del MIT e Lester Mackey della Ricerca Microsoft sono gli autori corrispondenti. Il team di 13 autori elenca affiliazioni con Ricerca Microsoft, Microsoft, MIT, Harvard College, Università di Toronto, IMPA, Janus Research Group, Rhiza Research e ECMWF. Nature registra l’articolo come ricevuto il 17 aprile 2026 e accettato il 4 settembre 2026.

Come funziona PBC e come è stato valutato

A partire da un insieme grezzo di previsioni deterministiche, PBC lo converte innanzitutto in una previsione probabilistica iniziale, valutata rispetto a classi di quantili climatologici. Due modelli di apprendimento automatico applicano quindi in parallelo correzioni complementari: Debias++ modifica la previsione con aggiustamenti specifici per località, data e quantile, appresi minimizzando l’errore delle previsioni probabilistiche su periodi di addestramento selezionati in modo adattivo; Persistence++ combina la previsione con osservazioni ritardate e dati climatologici per cogliere le tendenze meteorologiche recenti e gli effetti legati al giorno dell’anno. Le due correzioni vengono proiettate nello spazio delle funzioni di distribuzione cumulativa valide e ne viene calcolata la media per ottenere la previsione finale di PBC.

Il gruppo ha valutato le previsioni seguendo le convenzioni della competizione AI Weather Quest di ECMWF: temperatura media a 2 metri e precipitazioni totali sulle terre emerse, oltre alla pressione media al livello del mare, su una griglia globale con risoluzione di 1,5 gradi e cinque classi di quintili, per previsioni con un anticipo di 3 settimane (giorni 19–25) e 4 settimane (giorni 26–32). La valutazione è stata effettuata con il ranked probability skill score (RPSS), usando come riferimento una base climatologica. Il riferimento osservativo era la rianalisi ERA5 del periodo 1979–2026, ricampionata su una griglia con risoluzione di 1,5 gradi; il set di test predefinito comprendeva date obiettivo di lunedì e venerdì non bisestili nel periodo 2016–2024. Gli autori affermano che PBC è abbastanza leggero da poter essere riaddestrato ogni giorno in modo incrementale, usando soltanto i dati della rianalisi e delle previsioni del modello disponibili alla data di ciascuna emissione, così da riprodurre le condizioni operative.

Miglioramenti della capacità previsionale nei modelli dinamici e basati sull’IA

Lo studio descrive l’ensemble dinamico di ECMWF come il modello meteorologico generalmente ritenuto più accurato al mondo e il riferimento d’eccellenza per valutare la capacità previsionale substagionale. Applicato a tale ensemble nel periodo 2016–2024, PBC ha triplicato il valore positivo di capacità previsionale del modello grezzo per le precipitazioni, pari a 0.023 RPSS, e ha trasformato le previsioni di temperatura e pressione, caratterizzate da valori negativi, in previsioni efficaci. Rispetto alle previsioni di ECMWF corrette operativamente per il bias, gli autori riferiscono che PBC ha aumentato l’RPSS della temperatura del 26–37% e quello della pressione del 16–32%, con miglioramenti nel 98% delle celle della griglia per le precipitazioni, nel 91–92% per la temperatura e nell’89–91% per la pressione al livello del mare.

Lo studio riferisce che PBC ha migliorato anche i sistemi basati sull’IA. Applicato ad AIFS-SUBS, il modello di apprendimento profondo di ECMWF per le previsioni substagionali, PBC ha raddoppiato l’RPSS medio del modello, pari a 0.03, per tutte le variabili e tutti gli anticipi nell’anno di test 2025. Applicato a POET, un sistema ibrido che elabora le previsioni dell’ensemble di ECMWF usando reti neurali convoluzionali e transformer, PBC ha prodotto nel 2024 miglioramenti del 68–98% per le precipitazioni, del 15–23% per la pressione media al livello del mare e del 5–7% per la temperatura, secondo quanto riportato nello studio. Gli autori riferiscono inoltre che PBC-ECMWF ha mostrato miglioramenti significativi della capacità previsionale rispetto al modello di apprendimento profondo FuXi-S2S negli anni di test dal 2017 al 2021: le prestazioni sono migliorate nel 99–100% delle celle della griglia per la temperatura, nel 97–99% per le precipitazioni e nel 96–100% per la pressione media al livello del mare.

Risultati della competizione e previsioni di eventi estremi

Per valutare le prestazioni in tempo reale, il gruppo ha iscritto alla competizione AI Weather Quest 2025 di ECMWF un ensemble denominato MicroDuet, composto da PBC-ECMWF e PBC-POET. Lo studio riferisce che MicroDuet si è classificato al primo posto per tutte le variabili meteorologiche e tutti gli anticipi nella stagione inaugurale, da settembre a novembre, precedendo i modelli dinamici corretti per il bias di sei centri operativi di previsione (ECMWF, NOAA, ECCC, HMCR, KMA e JMA), un ensemble multimodello dinamico composto da sei modelli, tre versioni di AIFS-SUBS e i sistemi di previsione di 34 gruppi di tutto il mondo; ha inoltre guidato la classifica per entrambi gli anticipi nella stagione da dicembre a febbraio. Secondo gli autori, nelle due stagioni MicroDuet è stata l’unica soluzione a superare significativamente ECMWF corretto per il bias (P < 0.05) per tutte le variabili e tutti gli anticipi.

ECMWF ha descritto la stessa competizione in un blog scientifico del 13 marzo 2026, affermando che, nei primi due periodi di gara, 42 team hanno presentato previsioni basate su 74 modelli con nomi distinti e che il modello di post-elaborazione MicroDuet del team MicroEnsemble è rimasto costantemente in testa alla classifica, superando in misura significativa l’Integrated Forecasting System di ECMWF per tutte le variabili e tutti i tempi di previsione.

Lo studio riferisce inoltre che, nel novembre 2025, la previsione della temperatura a quattro settimane in tempo reale di MicroDuet aveva anticipato un’irruzione di aria fredda negli Stati Uniti orientali nel dicembre 2025, che la previsione di ECMWF corretta per i bias non aveva rilevato.

Per prevedere gli eventi estremi, gli autori hanno addestrato PBC sugli incrementi per semidecili (quantili del 5%), definendo i picchi estremi come eventi con valori osservati superiori al 95° percentile e i minimi estremi come quelli inferiori al 5° percentile, e hanno misurato la capacità previsionale con il Brier skill score. Per i picchi estremi alla terza settimana nel periodo 2016–2024, lo studio riferisce che PBC ha migliorato del 51% la capacità previsionale di ECMWF corretta operativamente per i bias per la temperatura e del 39% quella per la pressione; i miglioramenti per cella della griglia sono stati del 96% per le precipitazioni, dell’89% per la pressione al livello del mare e dell’85% per la temperatura.

Sui 2.435 eventi alluvionali catalogati dal Global Disaster Alert and Coordination System (GDACS) tra il 2016 e il 2026, gli autori riferiscono che PBC ha migliorato del 76–92% la capacità di previsione delle alluvioni alla terza settimana, mentre la correzione operativa dei bias ha ridotto quasi a zero la capacità previsionale di base di ECMWF, pari a 0,04–0,06. Per 88 alluvioni gravi, definite da GDACS come eventi che causano più di 100 vittime o 80.000 sfollati, lo studio riferisce che PBC ha migliorato dell’86–150% la capacità di previsione delle alluvioni gravi. Gli autori affermano che questi miglioramenti nelle prestazioni probabilistiche si traducono in previsioni più accurate degli eventi estremi e possono contribuire a migliorare la pianificazione agricola, la gestione dell’energia e la preparazione alle catastrofi nelle comunità vulnerabili.

Codice open source e contesto della ricerca

Il codice di PBC è disponibile su GitHub con licenza MIT ed è archiviato su Zenodo, insieme al codice per replicare lo studio; il repository specifica che il codice Python è stato testato su Rocky Linux 8.10 con Python 3.13.3. Una versione preliminare degli autori è stata inviata ad arXiv il 17 aprile 2026 e revisionata l’ultima volta il 4 settembre 2026; la pagina delle pubblicazioni di Microsoft Research data il lavoro ad aprile 2026.

Nella discussione dello studio, il team descrive PBC come uno strumento volto a correggere errori prevedibili, anziché a imparare nuovamente le dinamiche atmosferiche, e lo presenta come uno strumento di post-elaborazione, non come un sostituto dei miglioramenti ai modelli di input, nonché come una strategia a basso costo operativo per i centri meteorologici, anche in contesti con risorse limitate. Le dichiarazioni sui finanziamenti indicano il sostegno di FAPERJ a Orenstein, una sovvenzione della US National Science Foundation a Cohen e finanziamenti dell’iniziativa europea Destination Earth per gli autori di ECMWF; la dichiarazione sui conflitti di interesse specifica che diversi autori sono dipendenti di Microsoft o possiedono azioni Microsoft.