Microsoft Research publica estudo sobre previsão meteorológica com IA na Nature

Uma equipe liderada pela Microsoft Research publicou um estudo na Nature em 14 de outubro de 2026, apresentando a correção probabilística de viés (PBC), uma estrutura de aprendizado de máquina que, segundo os autores, melhora as previsões meteorológicas com duas a seis semanas de antecedência, além de disponibilizar o código como código aberto.

O estudo afirma que, embora os sistemas modernos, tanto os dinâmicos quanto os de IA, forneçam previsões precisas com até aproximadamente duas semanas de antecedência, a habilidade preditiva cai drasticamente em escalas subsezonais, de duas a seis semanas, devido ao acúmulo de erros, aos vieses sistemáticos dos modelos e à natureza caótica da atmosfera. Os autores apresentam a PBC como uma estrutura que reduz o erro sistemático ao aprender a corrigir as previsões probabilísticas históricas de um modelo, operando diretamente sobre distribuições de probabilidade, e não sobre observações brutas.

Hannah Guan e Soukayna Mouatadid contribuíram igualmente para o trabalho, e Guan realizou sua pesquisa como estagiária de pesquisa da Microsoft Research; Judah Cohen, do MIT, e Lester Mackey, da Microsoft Research, são os autores correspondentes. A equipe de 13 autores lista afiliações com a Microsoft Research, a Microsoft, o MIT, o Harvard College, a Universidade de Toronto, o IMPA, o Janus Research Group, a Rhiza Research e o ECMWF. A Nature registra que o artigo foi recebido em 17 de abril de 2026 e aceito em 4 de setembro de 2026.

Como funciona a PBC e como foi avaliada

Dado um conjunto bruto de previsões determinísticas, a PBC primeiro o converte em uma previsão probabilística inicial, medida em relação a intervalos de quantis climatológicos. Em seguida, dois modelos de aprendizado de máquina aplicam correções complementares em paralelo: o Debias++ ajusta a previsão com base em localização, data e quantil, usando ajustes aprendidos pela minimização do erro de previsão probabilística em períodos de treinamento selecionados de forma adaptativa; já o Persistence++ combina a previsão com observações defasadas e dados climatológicos para captar tendências meteorológicas recentes e efeitos do dia do ano. As duas correções são projetadas no espaço das funções de distribuição acumulada válidas e, então, calculada sua média para obter a previsão final da PBC.

A equipe avaliou as previsões segundo os critérios da competição AI Weather Quest do ECMWF: temperatura média a 2 metros e precipitação total sobre áreas terrestres, além da pressão média ao nível do mar, em uma grade global de 1,5 grau com cinco intervalos de quintis, para os prazos de previsão da terceira semana (dias 19–25) e da quarta semana (dias 26–32). As previsões foram avaliadas com o escore de habilidade de probabilidade ranqueada (RPSS), tendo como referência uma linha de base climatológica. A referência observacional foi a reanálise ERA5 de 1979–2026, reamostrada para uma resolução de 1,5 grau, e o conjunto de teste padrão abrangeu datas-alvo de segundas e sextas-feiras, excluídos os dias bissextos, entre 2016 e 2024. Os autores afirmam que a PBC é leve o suficiente para ser retreinada incrementalmente todos os dias, usando apenas os dados de reanálise e de previsão dos modelos disponíveis em cada data de emissão, simulando assim a implantação operacional.

Ganhos de habilidade em modelos dinâmicos e de IA

O artigo descreve o conjunto de previsões dinâmicas do ECMWF como amplamente considerado o modelo meteorológico mais preciso do mundo e o padrão de referência para avaliar a habilidade preditiva em escalas subsezonais. Aplicada a esse conjunto no período de 2016 a 2024, a PBC, segundo o estudo, triplicou a habilidade positiva do modelo bruto para precipitação, de 0,023 RPSS, e transformou as previsões de temperatura e pressão, cuja habilidade era negativa, em previsões com habilidade. Em comparação com as previsões do ECMWF corrigidas operacionalmente quanto ao viés, os autores relatam que a PBC aumentou o RPSS da temperatura em 26–37% e o da pressão em 16–32%, com ganhos em 98% das células da grade para precipitação, 91–92% para temperatura e 89–91% para pressão ao nível do mar.

O estudo relata que a PBC também melhorou sistemas baseados em IA. Aplicada ao AIFS-SUBS, modelo de aprendizado profundo do ECMWF para previsões subsezonais, a PBC dobrou o RPSS médio do modelo, de 0,03, considerando todas as variáveis e prazos de previsão no ano de teste de 2025. Aplicada ao POET, um sistema híbrido que processa as previsões do conjunto do ECMWF com redes neurais convolucionais e transformers, a PBC proporcionou, em 2024, ganhos de 68–98% para precipitação, 15–23% para pressão média ao nível do mar e 5–7% para temperatura, segundo o artigo. Os autores também relatam que a PBC-ECMWF apresentou ganhos expressivos de habilidade em relação ao modelo de aprendizado profundo FuXi-S2S nos anos de teste de 2017 a 2021, com melhora em 99–100% das células da grade para temperatura, 97–99% para precipitação e 96–100% para pressão média ao nível do mar.

Resultados da competição e previsões de eventos extremos

Para avaliar o desempenho em tempo real, a equipe inscreveu na competição AI Weather Quest 2025 do ECMWF um conjunto de previsões da PBC-ECMWF e da PBC-POET chamado MicroDuet. O artigo relata que o MicroDuet ficou em primeiro lugar em todas as variáveis meteorológicas e prazos de previsão na temporada inaugural, de setembro a novembro, à frente dos modelos dinâmicos corrigidos quanto ao viés de seis centros operacionais de previsão (ECMWF, NOAA, ECCC, HMCR, KMA e JMA), de um conjunto multimodelo dinâmico com seis modelos, de três versões do AIFS-SUBS e dos sistemas de previsão de 34 equipes de todo o mundo; também liderou nos dois prazos de previsão na temporada de dezembro a fevereiro. Nas duas temporadas, relatam os autores, o MicroDuet foi a única submissão a superar significativamente o ECMWF corrigido quanto ao viés (P < 0,05) em todas as variáveis e prazos de previsão.

O ECMWF descreveu a mesma competição em uma publicação científica em seu blog, de 13 de março de 2026, informando que 42 equipes enviaram previsões com 74 modelos de nomes distintos ao longo dos dois primeiros períodos competitivos e que o modelo de pós-processamento da equipe MicroEnsemble, o MicroDuet, liderou consistentemente o placar e superou significativamente o Sistema Integrado de Previsão do ECMWF em todas as variáveis e prazos de previsão.

O artigo também relata que, em novembro de 2025, a previsão de temperatura em tempo real para a quarta semana do MicroDuet antecipou uma incursão de ar frio no leste dos Estados Unidos em dezembro de 2025, que o ECMWF com correção de viés não previu.

Para prever eventos extremos, os autores treinaram o PBC com incrementos de semidecil (quantil de 5%), definindo máximas extremas como eventos com valores observados acima do percentil 95 e mínimas extremas como aqueles abaixo do percentil 5, e avaliaram a habilidade com o escore de habilidade de Brier. Para as máximas extremas na terceira semana, no período de 2016 a 2024, o estudo relata que o PBC aumentou em 51% a habilidade do ECMWF com correção operacional de viés para a temperatura e em 39% para a pressão; os ganhos por célula da grade foram de 96% para a precipitação, 89% para a pressão ao nível do mar e 85% para a temperatura.

Em 2.435 eventos de inundação catalogados pelo Sistema Global de Alerta e Coordenação de Desastres (GDACS) entre 2016 e 2026, os autores relatam que o PBC aumentou em 76–92% a habilidade de previsão de inundações para a terceira semana, enquanto a correção operacional de viés reduziu para perto de zero a habilidade de referência do ECMWF sem correção, de 0,04–0,06. Para 88 inundações graves, definidas pelo GDACS como eventos que causam mais de 100 mortes ou 80.000 deslocamentos, o artigo relata que o PBC aumentou em 86–150% a habilidade de previsão de inundações graves. Os autores afirmam que esses ganhos de habilidade probabilística resultam em previsões mais precisas de eventos extremos e têm potencial para melhorar o planejamento agrícola, a gestão de energia e a preparação para desastres em comunidades vulneráveis.

Código de código aberto e contexto da pesquisa

O código do PBC está disponível no GitHub sob uma licença MIT e arquivado no Zenodo, junto com o código para reproduzir o estudo; o repositório informa que a base de código Python foi testada no Rocky Linux 8.10 com Python 3.13.3. Um preprint dos autores foi enviado ao arXiv em 17 de abril de 2026 e revisado pela última vez em 4 de setembro de 2026, e a página da publicação da Microsoft Research data o trabalho de abril de 2026.

Na discussão do artigo, a equipe descreve o PBC como uma abordagem voltada a erros previsíveis, em vez de tentar reaprender a dinâmica atmosférica. Apresenta-o como uma ferramenta de pós-processamento, não como substituto para melhorias nos modelos de entrada, e como uma estratégia de baixo custo operacional para centros meteorológicos, inclusive os que atuam em contextos com recursos limitados. As declarações de financiamento mencionam apoio da FAPERJ a Orenstein, uma bolsa da Fundação Nacional de Ciências dos EUA para Cohen e financiamento do programa Destination Earth da UE para os autores do ECMWF; a declaração de conflitos de interesse informa que vários autores são funcionários da Microsoft ou possuem ações da empresa.