Microsoft Research publiceert onderzoek naar AI-weersvoorspellingen in Nature

Een door Microsoft Research geleid team publiceerde op 14 oktober 2026 een studie in Nature. Daarin introduceert het probabilistische biascorrectie (PBC), een machinelearningkader dat volgens de auteurs weersvoorspellingen voor twee tot zes weken vooruit verbetert. Tegelijkertijd stelden ze de code beschikbaar als open source.

Volgens de studie leveren moderne dynamische systemen en AI-systemen nauwkeurige voorspellingen tot ongeveer twee weken vooruit, maar neemt de voorspellingsvaardigheid op subseizoensschalen van twee tot zes weken vooruit sterk af door de opeenstapeling van fouten, systematische modelbias en het chaotische karakter van de atmosfeer. De auteurs presenteren PBC als een kader dat systematische fouten vermindert door te leren historische probabilistische voorspellingen van een model te corrigeren. Het werkt rechtstreeks met kansverdelingen in plaats van met ruwe waarnemingen.

Hannah Guan en Soukayna Mouatadid hebben in gelijke mate aan het werk bijgedragen, en Guan deed haar onderzoek als stagiaire bij Microsoft Research; Judah Cohen van MIT en Lester Mackey van Microsoft Research zijn de corresponderende auteurs. Het team van 13 auteurs vermeldt affiliaties met Microsoft Research, Microsoft, MIT, Harvard College, de Universiteit van Toronto, IMPA, Janus Research Group, Rhiza Research en ECMWF. Nature vermeldt dat het artikel op 17 april 2026 is ontvangen en op 4 september 2026 is geaccepteerd.

Hoe PBC werkt en hoe het is geëvalueerd

Op basis van een ruwe verzameling deterministische voorspellingen zet PBC die eerst om in een initiële probabilistische voorspelling, afgezet tegen klimatologische kwantielklassen. Vervolgens passen twee machinelearningmodellen parallel complementaire correcties toe: Debias++ wijzigt de voorspelling met aanpassingen die specifiek zijn voor locatie, datum en kwantiel. Deze aanpassingen worden geleerd door de probabilistische voorspellingsfout te minimaliseren over adaptief geselecteerde trainingsperioden. Persistence++ combineert de voorspelling met vertraagde waarnemingen en klimatologie om recente weertrends en effecten van de dag van het jaar vast te leggen. De twee correcties worden geprojecteerd op de ruimte van geldige cumulatieve verdelingsfuncties en gemiddeld tot de uiteindelijke PBC-voorspelling.

Het team evalueerde de voorspellingen volgens de conventies van de AI Weather Quest-wedstrijd van ECMWF: de gemiddelde temperatuur op 2 meter en de totale neerslag boven land, plus de gemiddelde luchtdruk op zeeniveau op een wereldwijd rooster met een resolutie van 1,5 graad en vijf kwintielklassen. De voorspellingen betroffen de derde week (dag 19–25) en de vierde week (dag 26–32) en werden beoordeeld met de ranked probability skill score (RPSS), afgezet tegen een klimatologische referentie. Als referentie diende de ERA5-heranalyse over 1979–2026, opnieuw ingedeeld op een resolutie van 1,5 graad. De standaardtestset omvatte doeldatums die in 2016–2024 op maandag of vrijdag vielen, met uitzondering van schrikkeldagen. Volgens de auteurs is PBC licht genoeg om het dagelijks stapsgewijs opnieuw te trainen, uitsluitend met de heranalysegegevens en modelvoorspellingen die op elke uitgiftedatum beschikbaar zijn. Zo wordt operationele inzet nagebootst.

Verbeterde voorspellingsvaardigheid bij dynamische modellen en AI-modellen

Volgens het artikel wordt het dynamische ensemble van ECMWF algemeen beschouwd als het nauwkeurigste weermodel ter wereld en als de gouden standaard voor het benchmarken van voorspellingsvaardigheid op subseizoensschalen. Toegepast op dit ensemble over 2016–2024 verdrievoudigde PBC volgens de studie de positieve neerslagvaardigheid van het ruwe model, die 0.023 RPSS bedroeg, en zette het de voorspellingen voor temperatuur en luchtdruk, die een negatieve vaardigheid hadden, om in voorspellingen met vaardigheid. Vergeleken met de operationeel biasgecorrigeerde uitvoer van ECMWF verhoogde PBC volgens de auteurs de RPSS voor temperatuur met 26–37% en die voor luchtdruk met 16–32%. De vaardigheid nam toe in 98% van de roosterpunten voor neerslag, 91–92% voor temperatuur en 89–91% voor luchtdruk op zeeniveau.

Volgens de studie verbeterde PBC ook AI-systemen. Toegepast op AIFS-SUBS, het deep learning-model van ECMWF voor voorspellingen op subseizoenschaal, verdubbelde PBC de gemiddelde RPSS van het model van 0.03 voor alle variabelen en voorspellingshorizonten in het testjaar 2025. Toegepast op POET, een hybride systeem dat het ensemble van ECMWF nabewerkt met convolutionele neurale netwerken en transformerneurale netwerken, leverde PBC in 2024 volgens het artikel verbeteringen op van 68–98% voor neerslag, 15–23% voor de gemiddelde luchtdruk op zeeniveau en 5–7% voor temperatuur. De auteurs melden verder dat PBC-ECMWF in de testjaren 2017–2021 de voorspellingsvaardigheid van het deep learning-model FuXi-S2S aanzienlijk overtrof. De vaardigheid verbeterde in 99–100% van de roosterpunten voor temperatuur, 97–99% voor neerslag en 96–100% voor de gemiddelde luchtdruk op zeeniveau.

Wedstrijdresultaten en voorspellingen van extreme gebeurtenissen

Om de prestaties in realtime te benchmarken, schreven de onderzoekers een ensemble van PBC-ECMWF en PBC-POET, met de naam MicroDuet, in voor de AI Weather Quest-wedstrijd van ECMWF in 2025. Volgens het artikel eindigde MicroDuet in het eerste seizoen, van september tot en met november, voor alle weervariabelen en voorspellingshorizonten op de eerste plaats. Het presteerde beter dan de biasgecorrigeerde dynamische modellen van zes operationele voorspellingscentra (ECMWF, NOAA, ECCC, HMCR, KMA en JMA), een dynamisch ensemble van zes modellen, drie versies van AIFS-SUBS en de voorspellingssystemen van 34 teams wereldwijd. Ook in het seizoen van december tot en met februari stond het voor beide voorspellingshorizonten bovenaan. Over beide seizoenen was MicroDuet volgens de auteurs de enige inzending die ECMWF-biasgecorrigeerde voorspellingen voor alle variabelen en voorspellingshorizonten significant overtrof (P < 0.05).

ECMWF beschreef dezelfde wedstrijd in een wetenschapsblog van 13 maart 2026 en meldde dat 42 teams voorspellingen indienden met 74 modellen met elk een unieke naam, verspreid over de eerste twee wedstrijdrondes. Ook meldde ECMWF dat het nabewerkingsmodel MicroDuet van het MicroEnsemble-team consequent bovenaan het klassement stond en het Integrated Forecasting System van ECMWF voor alle variabelen en looptijden aanzienlijk overtrof.

Het artikel meldt ook dat MicroDuets realtime temperatuurvoorspelling voor week 4 in november 2025 een koude-luchtuitbraak in het oosten van de Verenigde Staten in december 2025 voorspelde, die de voor bias gecorrigeerde ECMWF-voorspelling miste.

Voor het voorspellen van extreme gebeurtenissen trainden de auteurs PBC op semi-decielincrementen (kwantiel van 5%). Ze definieerden extreme maxima als gebeurtenissen waarbij de waargenomen waarde boven het 95e percentiel lag, en extreme minima als gebeurtenissen waarbij die onder het 5e percentiel lag. De voorspellingsvaardigheid maten ze met de Brier-skillscore. Voor extreme maxima in week 3 over de periode 2016–2024 rapporteert de studie dat PBC de operationeel voor bias gecorrigeerde voorspellingsvaardigheid van ECMWF met 51% voor temperatuur en 39% voor druk verbeterde. Per rastercel bedroeg de verbetering 96% voor neerslag, 89% voor de luchtdruk op zeeniveau en 85% voor temperatuur.

Voor 2.435 overstromingen die tussen 2016 en 2026 zijn geregistreerd door het Global Disaster Alert and Coordination System (GDACS), melden de auteurs dat PBC de voorspellingsvaardigheid voor overstromingen in week 3 met 76–92% verbeterde, terwijl operationele biascorrectie de uitgangswaarde voor de voorspellingsvaardigheid van het ongecorrigeerde ECMWF-model, 0,04–0,06, tot bijna nul terugbracht. Voor 88 zware overstromingen, die GDACS definieert als gebeurtenissen met meer dan 100 doden of 80.000 ontheemden, rapporteert het artikel dat PBC de voorspellingsvaardigheid voor zware overstromingen met 86–150% verbeterde. De auteurs stellen dat deze verbeteringen in probabilistische voorspellingsvaardigheid leiden tot nauwkeurigere voorspellingen van extreme gebeurtenissen en landbouwplanning, energiebeheer en rampenparaatheid in kwetsbare gemeenschappen kunnen verbeteren.

Open-sourcecode en onderzoekscontext

De PBC-code is beschikbaar op GitHub onder een MIT-licentie en is samen met replicatiecode voor de studie gearchiveerd op Zenodo. Volgens de repository is de Python-code getest op Rocky Linux 8.10 met Python 3.13.3. Een preprint van de auteurs werd op 17 april 2026 ingediend bij arXiv en voor het laatst herzien op 4 september 2026. De publicatiepagina van Microsoft Research dateert het onderzoek op april 2026.

In de discussie in het artikel beschrijft het team PBC als een methode die zich richt op voorspelbare fouten, in plaats van te proberen de atmosferische dynamiek opnieuw te leren. Het team presenteert PBC als een nabewerkingstool en niet als vervanging voor verbeteringen aan het invoermodel, en als een strategie met beperkte overhead voor meteorologische centra, ook in omgevingen met beperkte middelen. In de financieringsverklaringen wordt steun van FAPERJ voor Orenstein vermeld, een subsidie van de Amerikaanse National Science Foundation voor Cohen en financiering van EU Destination Earth voor de auteurs van ECMWF. In de verklaring over mogelijke belangenverstrengeling staat dat verschillende auteurs bij Microsoft werken of aandelen van Microsoft bezitten.