Microsoft Research опубликовала в Nature исследование прогнозирования погоды с помощью ИИ

Команда под руководством Microsoft Research опубликовала исследование в Nature 14 октября 2026 года. В работе представлена вероятностная коррекция смещения (PBC) — метод машинного обучения, который, как сообщают авторы, повышает точность прогнозов погоды на срок от двух до шести недель. Вместе с исследованием авторы опубликовали исходный код с открытой лицензией.

В исследовании отмечается, что современные динамические модели и системы на основе ИИ обеспечивают точные прогнозы примерно на две недели вперед, однако на субсезонных горизонтах — от двух до шести недель — их точность резко снижается из-за накопления ошибок, систематических смещений моделей и хаотической природы атмосферы. Авторы представляют PBC как метод снижения систематической ошибки: он обучается корректировать исторические вероятностные прогнозы модели и работает непосредственно с распределениями вероятностей, а не с исходными наблюдениями.

Ханна Гуан и Сукейна Муатадид внесли равный вклад в эту работу, а Гуан проводила исследование в качестве стажера в Microsoft Research; Джуда Коэн из MIT и Лестер Макки из Microsoft Research — авторы, ответственные за переписку. В состав команды из 13 авторов вошли представители Microsoft Research, Microsoft, MIT, Гарвардского колледжа, Университета Торонто, IMPA, Janus Research Group, Rhiza Research и ECMWF. Согласно данным Nature, статья поступила в редакцию 17 апреля 2026 года, а принята к публикации 4 сентября 2026 года.

Как работает PBC и как оценивали его эффективность

Получив ансамбль исходных детерминированных прогнозов, PBC сначала преобразует его в предварительный вероятностный прогноз, сопоставленный с квантильными интервалами климатологии. Затем две модели машинного обучения параллельно вносят взаимодополняющие коррективы. Debias++ изменяет прогноз с помощью поправок, индивидуальных для конкретных местоположения, даты и квантиля; эти поправки обучаются путем минимизации ошибки вероятностного прогнозирования на адаптивно выбранных периодах обучения. Persistence++ объединяет прогноз с наблюдениями за предыдущие периоды и климатологией, учитывая недавние погодные тенденции и сезонные особенности, связанные с днем года. Обе поправки проецируются на пространство корректных функций распределения, а затем усредняются, формируя итоговый прогноз PBC.

Команда оценивала прогнозы по правилам конкурса ECMWF AI Weather Quest: учитывались средняя температура на высоте 2 метров и общее количество осадков над сушей, а также среднее давление на уровне моря на глобальной сетке с шагом 1,5 градуса и пятью квинтильными интервалами. Рассматривались сроки упреждения на третьей неделе (дни 19–25) и четвертой неделе (дни 26–32); качество оценивали с помощью рангового вероятностного показателя мастерства (RPSS) относительно климатологического базового уровня. Эталонные данные представляли собой реанализ ERA5 за 1979–2026 годы, приведенный к сетке с шагом 1,5 градуса. В стандартный тестовый набор вошли целевые даты, приходившиеся на понедельник и пятницу в 2016–2024 годах, за исключением 29 февраля. Авторы утверждают, что PBC достаточно ресурсоэкономичен, чтобы ежедневно дообучать его по мере поступления данных, используя только реанализ и данные прогнозных моделей, доступные на дату выпуска каждого прогноза, что имитирует эксплуатацию системы в реальных условиях.

Повышение точности динамических моделей и моделей на основе ИИ

В статье говорится, что динамический ансамбль ECMWF широко считается самой точной моделью погоды в мире и эталоном для оценки качества субсезонных прогнозов. Согласно исследованию, при применении PBC к этому ансамблю за 2016–2024 годы показатель мастерства исходной модели для осадков, составлявший 0,023 RPSS, вырос втрое, а прогнозы температуры и давления, имевшие отрицательный показатель мастерства, стали полезными. По сравнению с оперативными прогнозами ECMWF, скорректированными с учетом смещения, PBC, как сообщают авторы, повысил RPSS для температуры на 26–37%, а для давления — на 16–32%. Улучшения отмечены в 98% ячеек сетки для осадков, в 91–92% — для температуры и в 89–91% — для давления на уровне моря.

Согласно исследованию, PBC повысил точность и систем на основе ИИ. При применении к AIFS-SUBS — модели ECMWF глубокого обучения для субсезонного прогнозирования — PBC удвоил средний RPSS модели, равный 0,03, по всем переменным и срокам упреждения за тестовый 2025 год. При применении к POET — гибридной системе, которая выполняет постобработку ансамбля ECMWF с помощью сверточных нейронных сетей и трансформеров, — в 2024 году PBC обеспечил прирост на 68–98% для осадков, на 15–23% для среднего давления на уровне моря и на 5–7% для температуры. Кроме того, как сообщают авторы, PBC-ECMWF заметно повысил точность по сравнению с моделью глубокого обучения FuXi-S2S в тестовые годы 2017–2021: улучшения для температуры отмечены в 99–100% ячеек сетки, для осадков — в 97–99%, а для среднего давления на уровне моря — в 96–100%.

Результаты конкурса и прогнозирование экстремальных явлений

Чтобы оценить качество прогнозов в реальном времени, команда представила на конкурс ECMWF AI Weather Quest 2025 ансамбль PBC-ECMWF и PBC-POET под названием MicroDuet. Согласно статье, в первом сезоне конкурса, проходившем с сентября по ноябрь, MicroDuet занял первое место по всем погодным переменным и срокам упреждения, опередив динамические модели с коррекцией смещения от шести оперативных прогностических центров (ECMWF, NOAA, ECCC, HMCR, KMA и JMA), ансамбль из шести динамических моделей, три версии AIFS-SUBS и прогнозные системы 34 команд со всего мира. В сезоне с декабря по февраль MicroDuet также лидировал по обоим срокам упреждения. По сообщению авторов, за оба сезона MicroDuet стал единственной системой, которая статистически значимо превзошла скорректированные с учетом смещения прогнозы ECMWF (P < 0,05) по всем переменным и срокам упреждения.

ECMWF описала тот же конкурс в научном блоге от 13 марта 2026 года, сообщив, что в течение первых двух этапов конкурса 42 команды представили прогнозы, построенные на 74 моделях с уникальными названиями, а модель постобработки MicroDuet, разработанная командой MicroEnsemble, стабильно лидировала в рейтинге и значительно превосходила интегрированную систему прогнозирования ECMWF по всем переменным и срокам прогнозирования.

В статье также сообщается, что в ноябре 2025 года оперативный прогноз температуры на четвертую неделю, подготовленный MicroDuet, предсказал вторжение холодного воздуха в восточную часть США в декабре 2025 года, которое не удалось предсказать версии ECMWF с устраненным смещением.

Для прогнозирования экстремальных явлений авторы обучили PBC на приращениях по полудецилям (квантилям 5%), определив экстремально высокие значения как события, фактические показатели которых превышают 95-й процентиль, а экстремально низкие — как события с показателями ниже 5-го процентиля. Качество прогнозов оценивали с помощью показателя Брайера. Согласно исследованию, при прогнозировании экстремально высоких значений на третью неделю в период с 2016 по 2024 год PBC повысила качество оперативных прогнозов ECMWF с устраненным смещением на 51% для температуры и на 39% для давления; прирост по отдельным ячейкам сетки составил 96% для осадков, 89% для давления на уровне моря и 85% для температуры.

По данным авторов, среди 2 435 наводнений, внесенных в каталог Глобальной системы оповещения о стихийных бедствиях и координации реагирования (GDACS) в период с 2016 по 2026 год, PBC повысила качество прогнозов наводнений на третью неделю на 76–92%, тогда как оперативное устранение смещения снизило исходное качество прогнозов ECMWF, составлявшее 0,04–0,06, почти до нуля. Для 88 крупных наводнений, которые GDACS определяет как события, повлекшие более 100 смертей или перемещение 80 000 человек, в статье сообщается, что PBC повысила качество прогнозирования крупных наводнений на 86–150%. Авторы отмечают, что такие улучшения вероятностных прогнозов позволяют точнее предсказывать экстремальные явления и потенциально могут помочь улучшить планирование в сельском хозяйстве, управление энергетическими ресурсами и подготовку к стихийным бедствиям в уязвимых сообществах.

Код с открытым исходным кодом и контекст исследования

Код PBC доступен на GitHub по лицензии MIT и архивирован на Zenodo; там же размещен код для воспроизведения исследования. В репозитории указано, что кодовая база на Python тестировалась в Rocky Linux 8.10 с Python 3.13.3. Препринт авторов был отправлен в arXiv 17 апреля 2026 года и в последний раз доработан 4 сентября 2026 года, а на странице публикации Microsoft Research датой работы указан апрель 2026 года.

В обсуждении авторы описывают PBC как метод, нацеленный на предсказуемые ошибки, а не на повторное изучение динамики атмосферы. Они рассматривают его как инструмент постобработки, а не замену совершенствованию исходной модели, и как подход, не требующий значительных ресурсов и подходящий для метеорологических центров, в том числе работающих в условиях ограниченных ресурсов. В сведениях о финансировании указана поддержка FAPERJ для Orenstein, грант Национального научного фонда США для Cohen и финансирование программы ЕС Destination Earth для авторов из ECMWF. В заявлении о конфликте интересов отмечается, что несколько авторов являются сотрудниками Microsoft или владеют акциями Microsoft.