Microsoft Research publikuje w „Nature” badanie nad prognozowaniem pogody z wykorzystaniem sztucznej inteligencji

Zespół kierowany przez Microsoft Research opublikował 14 października 2026 r. badanie w czasopiśmie Nature, w którym przedstawił probabilistyczną korektę obciążenia (PBC) — metodę uczenia maszynowego, która, jak podają autorzy, poprawia prognozy pogody z wyprzedzeniem od dwóch do sześciu tygodni. Towarzyszyło temu udostępnienie kodu na otwartej licencji.

W badaniu stwierdzono, że choć nowoczesne systemy dynamiczne i systemy AI zapewniają trafne prognozy z wyprzedzeniem do około dwóch tygodni, ich skuteczność gwałtownie spada w horyzoncie podsezonowym, czyli od dwóch do sześciu tygodni, z powodu kumulujących się błędów, systematycznych obciążeń modeli i chaotycznej natury atmosfery. Autorzy przedstawiają PBC jako metodę ograniczania błędów systematycznych poprzez uczenie się korygowania historycznych prognoz probabilistycznych modelu. Metoda ta działa bezpośrednio na rozkładach prawdopodobieństwa, a nie na surowych obserwacjach.

Hannah Guan i Soukayna Mouatadid w równym stopniu przyczyniły się do powstania pracy, a Guan prowadziła badania jako stażystka w Microsoft Research; Judah Cohen z MIT i Lester Mackey z Microsoft Research są autorami korespondencyjnymi. Zespół 13 autorów wymienia afiliacje z Microsoft Research, Microsoft, MIT, Harvard College, Uniwersytetem w Toronto, IMPA, Janus Research Group, Rhiza Research i ECMWF. Nature podaje, że artykuł otrzymano 17 kwietnia 2026 r., a zaakceptowano 4 września 2026 r.

Jak działa PBC i jak oceniono tę metodę

Dla surowego zespołu prognoz deterministycznych PBC najpierw tworzy wstępną prognozę probabilistyczną, odnosząc ją do klimatologicznych przedziałów kwantylowych. Następnie dwa modele uczenia maszynowego równolegle wprowadzają uzupełniające się korekty: Debias++ modyfikuje prognozę za pomocą korekt uwzględniających lokalizację, datę i kwantyl, których wartości wyuczono przez minimalizowanie błędu prognozowania probabilistycznego w adaptacyjnie dobieranych okresach treningowych, natomiast Persistence++ łączy prognozę z opóźnionymi obserwacjami i klimatologią, aby uwzględnić niedawne trendy pogodowe oraz wpływ dnia roku. Obie korekty są rzutowane na przestrzeń prawidłowych dystrybuant, a następnie uśredniane, tworząc końcową prognozę PBC.

Zespół oceniał prognozy zgodnie z zasadami konkursu AI Weather Quest organizowanego przez ECMWF: analizowano średnią temperaturę na wysokości 2 m i sumę opadów nad lądami, a także średnie ciśnienie na poziomie morza w skali globalnej, na siatce o rozdzielczości 1,5 stopnia i z pięcioma przedziałami kwintylowymi. Uwzględniono prognozy z wyprzedzeniem trzech tygodni (dni 19–25) i czterech tygodni (dni 26–32), a ich jakość oceniano za pomocą rangowego wskaźnika umiejętności probabilistycznej (RPSS), porównując je z wartością bazową opartą na klimatologii. Weryfikację oparto na reanalizie ERA5 z lat 1979–2026, przeliczonej na siatkę o rozdzielczości 1,5 stopnia. Domyślny zbiór testowy obejmował daty docelowe przypadające w poniedziałki i piątki, z wyłączeniem dni przestępnych, w latach 2016–2024. Autorzy podają, że PBC jest na tyle lekką metodą, iż można ją codziennie douczać, korzystając wyłącznie z reanalizy i danych z prognoz modelowych dostępnych w dniu wydania każdej prognozy, co odzwierciedla warunki operacyjnego wdrożenia.

Poprawa skuteczności modeli dynamicznych i AI

W artykule opisano zespół prognoz dynamicznych ECMWF jako powszechnie uznawany za najdokładniejszy model pogody na świecie i złoty standard w ocenie skuteczności prognoz podsezonowych. Jak podaje badanie, zastosowanie PBC do tego zespołu w latach 2016–2024 potroiło dodatnią skuteczność surowego modelu w prognozowaniu opadów, wynoszącą 0,023 RPSS, a prognozy temperatury i ciśnienia, które wcześniej miały ujemną skuteczność, przekształciło w prognozy skuteczne. W porównaniu z operacyjnymi prognozami ECMWF skorygowanymi o obciążenie autorzy odnotowali wzrost RPSS o 26–37% dla temperatury i o 16–32% dla ciśnienia. Poprawę uzyskano w 98% komórek siatki dla opadów, w 91–92% dla temperatury oraz w 89–91% dla ciśnienia na poziomie morza.

Według badania PBC poprawiło również wyniki systemów opartych na AI. Zastosowane do AIFS-SUBS, modelu głębokiego uczenia ECMWF służącego do prognoz podsezonowych, podwoiło średni RPSS modelu wynoszący 0,03 dla wszystkich zmiennych i horyzontów prognozy w roku testowym 2025. W przypadku POET, systemu hybrydowego, który przetwarza zespół prognoz ECMWF za pomocą konwolucyjnych sieci neuronowych i transformatorów, PBC przyniosło w 2024 r. wzrosty wynoszące 68–98% dla opadów, 15–23% dla średniego ciśnienia na poziomie morza oraz 5–7% dla temperatury. Autorzy podają ponadto, że PBC-ECMWF znacząco poprawiło wyniki w porównaniu z modelem głębokiego uczenia FuXi-S2S w latach testowych 2017–2021: poprawa objęła 99–100% komórek siatki dla temperatury, 97–99% dla opadów i 96–100% dla średniego ciśnienia na poziomie morza.

Wyniki konkursu i prognozowanie zjawisk ekstremalnych

Aby ocenić wyniki w warunkach rzeczywistych, zespół zgłosił do konkursu AI Weather Quest ECMWF w 2025 r. zespół prognoz PBC-ECMWF i PBC-POET o nazwie MicroDuet. Według artykułu MicroDuet zajął pierwsze miejsce we wszystkich kategoriach pogodowych i dla wszystkich horyzontów prognozy w inauguracyjnej edycji konkursu, rozgrywanej od września do listopada, wyprzedzając skorygowane o obciążenie modele dynamiczne sześciu operacyjnych ośrodków prognozowania (ECMWF, NOAA, ECCC, HMCR, KMA i JMA), sześciomodelowy zespół wielu modeli dynamicznych, trzy wersje AIFS-SUBS oraz systemy prognostyczne 34 zespołów z całego świata. Zespół zajął też pierwsze miejsce dla obu horyzontów prognozy w edycji trwającej od grudnia do lutego. Jak podają autorzy, w obu edycjach MicroDuet jako jedyne zgłoszenie osiągnęło wyniki istotnie lepsze od skorygowanych o obciążenie prognoz ECMWF (P < 0,05) we wszystkich kategoriach pogodowych i dla wszystkich horyzontów prognozy.

ECMWF opisało te same zawody w blogu naukowym z 13 marca 2026 r., podając, że w dwóch pierwszych okresach rywalizacji 42 zespoły zgłosiły prognozy wykorzystujące 74 modele o unikatowych nazwach, a model korekty prognoz MicroDuet zespołu MicroEnsemble niezmiennie zajmował pierwsze miejsce w rankingu i znacząco przewyższał system ECMWF Integrated Forecasting System pod względem wszystkich zmiennych i horyzontów prognozy.

W artykule podano również, że w listopadzie 2025 r. przygotowana przez MicroDuet prognoza temperatury na 4. tydzień w czasie rzeczywistym przewidziała napływ zimnego powietrza do wschodnich Stanów Zjednoczonych w grudniu 2025 r., którego nie wychwyciła skorygowana pod kątem obciążenia prognoza ECMWF.

Na potrzeby prognozowania zjawisk ekstremalnych autorzy trenowali PBC na przyrostach odpowiadających półdecyliom (kwantylom 5%), definiując ekstremalne maksima jako zdarzenia, w których odnotowana wartość przekraczała 95. percentyl, a ekstremalne minima jako te, w których była niższa niż 5. percentyl. Jako miarę skuteczności zastosowali wskaźnik Brier Skill Score. W przypadku ekstremalnych maksimów temperatury w 3. tygodniu w latach 2016–2024 badanie wykazało, że PBC zwiększył skuteczność operacyjnych prognoz ECMWF skorygowanych pod kątem obciążenia o 51% dla temperatury i 39% dla ciśnienia, a poprawa w poszczególnych komórkach siatki wyniosła 96% dla opadów, 89% dla ciśnienia na poziomie morza i 85% dla temperatury.

Na podstawie 2435 powodzi ujętych w katalogu Global Disaster Alert and Coordination System (GDACS) w latach 2016–2026 autorzy podają, że PBC zwiększył skuteczność prognoz powodzi na 3. tydzień o 76–92%, podczas gdy operacyjna korekta obciążenia obniżała bazową skuteczność surowych prognoz ECMWF, wynoszącą 0,04–0,06, niemal do zera. W przypadku 88 poważnych powodzi, które GDACS definiuje jako zdarzenia powodujące ponad 100 ofiar śmiertelnych lub 80 000 przesiedleń, w artykule odnotowano, że PBC zwiększył skuteczność prognozowania poważnych powodzi o 86–150%. Autorzy stwierdzają, że te przyrosty skuteczności prognoz probabilistycznych przekładają się na dokładniejsze przewidywanie zjawisk ekstremalnych i mogą przyczynić się do usprawnienia planowania w rolnictwie, zarządzania energią oraz przygotowań na wypadek katastrof w zagrożonych społecznościach.

Kod źródłowy i kontekst badania

Kod PBC jest dostępny w serwisie GitHub na licencji MIT i został zarchiwizowany w Zenodo wraz z kodem umożliwiającym odtworzenie wyników badania; w repozytorium podano, że kod w języku Python przetestowano w systemie Rocky Linux 8.10 z Pythonem 3.13.3. Preprint autorów przesłano do arXiv 17 kwietnia 2026 r., a ostatnią poprawkę wprowadzono 4 września 2026 r. Na stronie publikacji Microsoft Research jako datę pracy podano kwiecień 2026 r.

W omówieniu artykułu zespół opisuje PBC jako metodę ukierunkowaną na przewidywalne błędy, a nie próbę ponownego uczenia się dynamiki atmosfery. Przedstawia ją jako narzędzie do korekty prognoz, a nie zamiennik ulepszania modeli wejściowych, oraz jako strategię niewymagającą dużych nakładów, przeznaczoną dla ośrodków meteorologicznych, także tych działających przy ograniczonych zasobach. W informacjach o finansowaniu wymieniono wsparcie FAPERJ dla Orensteina, grant amerykańskiej National Science Foundation dla Cohena oraz finansowanie z unijnego programu Destination Earth dla autorów z ECMWF; w oświadczeniu o konfliktach interesów podano, że kilku autorów jest pracownikami Microsoftu lub posiada akcje Microsoftu.