Microsoft Research publiserer studie om KI-basert værvarsling i Nature

Et team ledet av Microsoft Research publiserte en studie i Nature 14. oktober 2026. Studien introduserer probabilistisk skjevhetskorrigering (PBC), et rammeverk for maskinlæring som ifølge forfatterne forbedrer værvarsler for to til seks uker fram i tid. Samtidig publiserte teamet koden som åpen kildekode.

Studien fastslår at moderne dynamiske systemer og KI-systemer leverer treffsikre varsler for opptil rundt to uker fram i tid, men at treffsikkerheten faller kraftig på sub-sesongskalaer, det vil si to til seks uker fram i tid. Dette skyldes opphopning av feil, systematiske skjevheter i modellene og atmosfærens kaotiske natur. Forfatterne presenterer PBC som et rammeverk som reduserer systematiske feil ved å lære seg å korrigere en modells historiske sannsynlighetsvarsler. Rammeverket arbeider direkte med sannsynlighetsfordelinger i stedet for rå observasjoner.

Hannah Guan og Soukayna Mouatadid bidro like mye til arbeidet, og Guan utførte forskningen sin som praktikant ved Microsoft Research; Judah Cohen fra MIT og Lester Mackey fra Microsoft Research er kontaktforfatterne. Forskergruppen på 13 personer oppgir tilknytninger til Microsoft Research, Microsoft, MIT, Harvard College, University of Toronto, IMPA, Janus Research Group, Rhiza Research og ECMWF. Nature oppgir at artikkelen ble mottatt 17. april 2026 og godkjent 4. september 2026.

Slik fungerer PBC, og slik ble metoden evaluert

Når PBC får et rått ensemble av deterministiske varsler, konverterer metoden først ensemblet til et innledende sannsynlighetsvarsel målt mot kvantilintervaller basert på klimatologien. Deretter bruker to maskinlæringsmodeller komplementære korrigeringer parallelt: Debias++ justerer varselet med sted-, dato- og kvantilspesifikke tilpasninger som er lært ved å minimere feilen i sannsynlighetsvarsling over adaptivt utvalgte treningsperioder, mens Persistence++ kombinerer varselet med observasjoner fra tidligere tidspunkter og klimatologi for å fange opp nylige værtrender og effekter knyttet til dag i året. De to korrigeringene projiseres inn i rommet av gyldige kumulative fordelingsfunksjoner og gjennomsnittsberegnes til det endelige PBC-varselet.

Teamet evaluerte varslene etter konvensjonene i ECMWFs konkurranse AI Weather Quest: gjennomsnittstemperatur i 2 meters høyde og samlet nedbør over land, samt gjennomsnittlig middeltrykk ved havnivå på et globalt rutenett med 1,5 graders oppløsning og fem kvantilintervaller. Varslene gjaldt uke 3 (dag 19–25) og uke 4 (dag 26–32), og ble vurdert med rangert sannsynlighetsferdighetsscore (RPSS) mot en klimatologisk referanse. Fasiten var ERA5-reanalysen for 1979–2026, omregnet til et rutenett med 1,5 graders oppløsning. Standardtestsettet omfattet måldatoer på mandager og fredager som ikke falt i skuddår, i perioden 2016–2024. Forfatterne opplyser at PBC er så lettvektig at den kan trenes på nytt trinnvis hver dag, kun ved hjelp av reanalysen og modellvarseldataene som er tilgjengelige på hver utstedelsesdato, slik at operativ bruk etterlignes.

Bedre treffsikkerhet med dynamiske modeller og KI-modeller

Artikkelen beskriver ECMWFs dynamiske ensemble som en modell som allment regnes som verdens mest treffsikre værmodell, og som gullstandarden for å måle treffsikkerhet på sub-sesongskalaer. Ifølge studien tredoblet PBC den positive nedbørstreffsikkerheten til råmodellen, som var på 0.023 RPSS, da metoden ble brukt på ensemblet for perioden 2016–2024. PBC gjorde også modellens temperatur- og trykkvarsler, som hadde negativ treffsikkerhet, om til varsler med treffsikkerhet. Sammenlignet med ECMWFs operasjonelle, skjevhetskorrigerte resultater rapporterer forfatterne at PBC økte RPSS for temperatur med 26–37 % og RPSS for trykk med 16–32 %. Forbedringene gjaldt 98 % av rutenettcellene for nedbør, 91–92 % for temperatur og 89–91 % for trykk ved havnivå.

Studien rapporterer at PBC også forbedret KI-baserte systemer. Brukt på AIFS-SUBS, ECMWFs dyplæringsmodell for sub-sesongvarsling, doblet PBC modellens gjennomsnittlige RPSS på 0.03 på tvers av alle variabler og varslingstider i teståret 2025. Brukt på POET, et hybridsystem som etterbehandler ECMWF-ensemblet med konvolusjonelle nevrale nettverk og transformernettverk, ga PBC ifølge artikkelen forbedringer i 2024 på 68–98 % for nedbør, 15–23 % for middeltrykk ved havnivå og 5–7 % for temperatur. Forfatterne rapporterer videre at PBC-ECMWF ga markant bedre treffsikkerhet enn dyplæringsmodellen FuXi-S2S i testårene 2017–2021. Forbedringen gjaldt 99–100 % av rutenettcellene for temperatur, 97–99 % for nedbør og 96–100 % for middeltrykk ved havnivå.

Konkurranseresultater og varsler om ekstremvær

For å måle ytelsen i sanntid meldte teamet på et ensemble av PBC-ECMWF og PBC-POET, kalt MicroDuet, i ECMWFs konkurranse AI Weather Quest i 2025. Ifølge artikkelen kom MicroDuet på førsteplass for alle værvariabler og varslingstider i den første sesongen, fra september til november. Systemet slo de skjevhetskorrigerte dynamiske modellene fra seks operative varslingstjenester (ECMWF, NOAA, ECCC, HMCR, KMA og JMA), et multimodellensemble med seks dynamiske modeller, tre versjoner av AIFS-SUBS og varslingssystemene til 34 team fra hele verden. MicroDuet lå også øverst for begge varslingstidene i sesongen fra desember til februar. For begge sesongene samlet rapporterer forfatterne at MicroDuet var det eneste bidraget som presterte signifikant bedre enn skjevhetskorrigerte ECMWF (P < 0.05) for alle variabler og varslingstider.

ECMWF beskrev den samme konkurransen i en vitenskapsblogg fra 13. mars 2026 og opplyste at 42 team leverte prognoser basert på 74 modeller med unike navn i løpet av de to første konkurranseperiodene, og at etterbehandlingsmodellen MicroDuet fra MicroEnsemble-teamet jevnlig toppet resultatlisten og presterte betydelig bedre enn ECMWFs Integrated Forecasting System for alle variabler og prognosehorisonter.

Artikkelen rapporterer også at MicroDuets sanntidsprognose for temperatur i uke 4 i november 2025 varslet en kaldluftsutbrudd i det østlige USA i desember 2025, som den bias-korrigerte ECMWF-prognosen ikke fanget opp.

For prognoser om ekstreme hendelser trente forfatterne PBC på inkrementer ved halvdesil (5-prosentkvantil), der ekstreme høyverdier ble definert som hendelser med en observert verdi over 95-persentilen, og ekstreme lavverdier som hendelser under 5-persentilen. Ferdighet ble målt med Brier-skill-skåren. For ekstreme høyverdier i uke 3 i perioden 2016–2024 rapporterer studien at PBC økte ferdigheten til den operasjonelt bias-korrigerte ECMWF-prognosen med 51 % for temperatur og 39 % for trykk, med forbedringer på rutenettnivå på 96 % for nedbør, 89 % for havnivåtrykk og 85 % for temperatur.

For 2 435 flomhendelser registrert av Global Disaster Alert and Coordination System (GDACS) mellom 2016 og 2026 rapporterer forfatterne at PBC økte ferdigheten i flomprognoser for uke 3 med 76–92 %, mens operasjonell bias-korrigering reduserte grunnferdigheten til den rå ECMWF-prognosen fra 0,04–0,06 til nær null. For 88 alvorlige flommer, som GDACS definerer som hendelser med mer enn 100 dødsfall eller 80 000 fordrivelser, rapporterer artikkelen at PBC økte ferdigheten i prognoser for alvorlige flommer med 86–150 %. Forfatterne sier at disse forbedringene i sannsynlighetsbasert prognoseferdighet gir mer nøyaktige varsler om ekstreme hendelser og kan bidra til bedre planlegging i landbruket, energiforvaltning og beredskap i sårbare lokalsamfunn.

Åpen kildekode og forskningskontekst

PBC-koden er tilgjengelig på GitHub under MIT-lisensen og er arkivert på Zenodo, sammen med kode for å reprodusere studien. Det opplyses i kodelageret at Python-kodebasen ble testet på Rocky Linux 8.10 med Python 3.13.3. Et forhåndstrykk skrevet av forfatterne ble sendt inn til arXiv 17. april 2026 og sist revidert 4. september 2026, og Microsoft Researchs publiseringsside daterer arbeidet til april 2026.

I diskusjonsdelen av artikkelen beskriver teamet PBC som et verktøy som retter seg mot forutsigbare feil, snarere enn å forsøke å lære atmosfæredynamikken på nytt. De fremstiller det som et etterbehandlingsverktøy, ikke som en erstatning for forbedringer av inndatamodellene, og som en ressursbesparende strategi for meteorologiske sentre, også i områder med begrensede ressurser. Opplysninger om finansiering viser støtte fra FAPERJ til Orenstein, et tilskudd fra US National Science Foundation til Cohen og EU-finansiering gjennom Destination Earth til ECMWF-forfatterne. Erklæringen om konkurrerende interesser opplyser at flere av forfatterne er ansatt i Microsoft eller eier Microsoft-aksjer.