Microsoft Research publicerar studie om AI-baserade väderprognoser i Nature

Ett team lett av Microsoft Research publicerade en studie i Nature den 14 oktober 2026. Studien presenterar probabilistisk biasjustering (PBC), ett ramverk för maskininlärning som enligt författarna förbättrar väderprognoser två till sex veckor framåt. Samtidigt släpptes koden som öppen källkod.

Studien konstaterar att moderna dynamiska system och AI-system visserligen ger träffsäkra prognoser upp till ungefär två veckor framåt, men att prognosförmågan försämras kraftigt på subseasonala tidsskalor, två till sex veckor framåt, på grund av ackumulerade fel, systematiska modellbiaser och atmosfärens kaotiska natur. Författarna presenterar PBC som ett ramverk som minskar systematiska fel genom att lära sig korrigera en modells historiska probabilistiska prognoser. Ramverket arbetar direkt med sannolikhetsfördelningar i stället för råobservationer.

Hannah Guan och Soukayna Mouatadid bidrog i lika hög grad till arbetet, och Guan utförde sin forskning som praktikant vid Microsoft Research; Judah Cohen från MIT och Lester Mackey från Microsoft Research är korresponderande författare. Teamet med 13 författare uppger anknytningar till Microsoft Research, Microsoft, MIT, Harvard College, University of Toronto, IMPA, Janus Research Group, Rhiza Research och ECMWF. Nature anger att artikeln mottogs den 17 april 2026 och accepterades den 4 september 2026.

Så fungerar PBC och så utvärderades metoden

Med en rå ensemble av deterministiska prognoser som utgångspunkt omvandlar PBC först ensemblen till en inledande probabilistisk prognos, uppmätt mot klimatologiska kvantilklasser. Därefter tillämpar två maskininlärningsmodeller kompletterande korrigeringar parallellt: Debias++ justerar prognosen med plats-, datum- och kvantilspecifika värden som lärts in genom att minimera felet i probabilistiska prognoser under adaptivt valda träningsperioder, medan Persistence++ kombinerar prognosen med fördröjda observationer och klimatologi för att fånga upp vädertrender på senare tid och effekter kopplade till årets dag. De två korrigeringarna projiceras på mängden giltiga kumulativa fördelningsfunktioner och medelvärdesbildas till den slutliga PBC-prognosen.

Teamet utvärderade prognoserna enligt upplägget för ECMWF:s tävling AI Weather Quest: genomsnittlig temperatur på två meters höjd och total nederbörd över land, samt genomsnittligt medeltryck vid havsytan, på ett globalt rutnät med 1,5 graders upplösning och fem kvintilklasser. Prognoserna gällde vecka 3 (dag 19–25) och vecka 4 (dag 26–32) och poängsattes med det rangordnade sannolikhetsförmågemåttet (RPSS) mot en klimatologisk referens. Facit utgjordes av ERA5-återanalysen för 1979–2026, omräknad till ett rutnät med 1,5 graders upplösning. Standardtestmängden omfattade måldatum på måndagar och fredagar under 2016–2024, med undantag för skottdagen. Författarna uppger att PBC är tillräckligt lättviktigt för att kunna tränas om stegvis varje dag, med enbart återanalysdata och modellprognosdata som var tillgängliga vid respektive prognostillfälle, vilket efterliknar operativ användning.

Ökad prognosförmåga hos dynamiska modeller och AI-modeller

I artikeln beskrivs ECMWF:s dynamiska ensemble som allmänt ansedd vara världens mest träffsäkra vädermodell och som riktmärke för jämförelser av prognosförmåga på subseasonala tidsskalor. När PBC tillämpades på ensemblen under 2016–2024 tredubblade metoden enligt studien den råa modellens positiva prognosförmåga för nederbörd, 0.023 RPSS, och omvandlade dess temperatur- och tryckprognoser med negativ prognosförmåga till prognoser med positiv prognosförmåga. Jämfört med ECMWF:s operativt biasjusterade utdata uppger författarna att PBC ökade RPSS för temperatur med 26–37 % och RPSS för tryck med 16–32 %. Förbättringar sågs i 98 % av rutnätscellerna för nederbörd, 91–92 % för temperatur och 89–91 % för tryck vid havsytan.

Studien rapporterar att PBC även förbättrade AI-baserade system. När metoden tillämpades på AIFS-SUBS, ECMWF:s modell för subseasonala prognoser med djupinlärning, fördubblade PBC modellens genomsnittliga RPSS på 0.03 för alla variabler och prognoshorisonter under teståret 2025. När PBC tillämpades på POET, ett hybridsystem som efterbehandlar ECMWF:s ensemble med faltande neurala nätverk och transformernätverk, gav metoden enligt artikeln förbättringar under 2024 på 68–98 % för nederbörd, 15–23 % för medeltryck vid havsytan och 5–7 % för temperatur. Författarna rapporterar vidare att PBC-ECMWF uppvisade tydliga förbättringar i prognosförmåga jämfört med djupinlärningsmodellen FuXi-S2S under teståren 2017–2021. Prognosförmågan förbättrades i 99–100 % av rutnätscellerna för temperatur, 97–99 % för nederbörd och 96–100 % för medeltryck vid havsytan.

Tävlingsresultat och prognoser för extrema väderhändelser

För att jämföra prestanda i realtid deltog teamet i ECMWF:s tävling AI Weather Quest 2025 med en ensemble av PBC-ECMWF och PBC-POET, kallad MicroDuet. Enligt artikeln kom MicroDuet på första plats för samtliga vädervariabler och prognoshorisonter under den första säsongen, september–november, före de biasjusterade dynamiska modellerna från sex operativa prognoscentraler (ECMWF, NOAA, ECCC, HMCR, KMA och JMA), en dynamisk ensemble med sex modeller, tre versioner av AIFS-SUBS och prognossystemen från 34 team världen över. MicroDuet ledde även vid båda prognoshorisonterna under säsongen december–februari. Författarna uppger att MicroDuet var det enda bidraget som under båda säsongerna överträffade ECMWF:s biasjusterade prognoser signifikant (P < 0.05) för samtliga variabler och prognoshorisonter.

ECMWF beskrev samma tävling i ett vetenskapsinlägg på bloggen den 13 mars 2026 och uppgav att 42 lag lämnade in prognoser med 74 modeller med unika namn under de två första tävlingsperioderna. Teamet MicroEnsembles efterbehandlingsmodell MicroDuet låg konsekvent högst på resultattavlan och överträffade ECMWF:s Integrated Forecasting System avsevärt för alla variabler och prognoshorisonter.

Artikeln rapporterar också att MicroDuets realtidsprognos för vecka fyra i november 2025 förutsåg ett kalluftsutbrott i östra USA i december 2025, vilket ECMWF:s biasjusterade prognos missade.

För prognoser av extremhändelser tränade författarna PBC på förändringar vid halvdeciler (5-procentskvantiler). De definierade extrema högvärden som händelser vars utfall låg över den 95:e percentilen och extrema lågvärden som sådana under den 5:e percentilen, och mätte prognosförmågan med Briers färdighetspoäng. För extrema högvärden under vecka tre 2016–2024 rapporterar studien att PBC förbättrade den operativt biasjusterade ECMWF-prognosens förmåga med 51 % för temperatur och 39 % för tryck, med förbättringar på 96 % för nederbörd, 89 % för havsnivåtryck och 85 % för temperatur per rutnätscell.

För 2 435 översvämningar som Global Disaster Alert and Coordination System (GDACS) registrerade mellan 2016 och 2026 rapporterar författarna att PBC förbättrade prognosförmågan för översvämningar under vecka tre med 76–92 %, medan den operativa biasjusteringen sänkte ECMWF:s råa baslinjeförmåga på 0,04–0,06 till nära noll. För 88 allvarliga översvämningar, som GDACS definierar som händelser med fler än 100 dödsfall eller 80 000 människor på flykt, rapporterar artikeln att PBC förbättrade prognosförmågan för allvarliga översvämningar med 86–150 %. Författarna uppger att dessa förbättringar av den probabilistiska prognosförmågan leder till mer träffsäkra förutsägelser av extremhändelser och kan förbättra jordbruksplanering, energihantering och katastrofberedskap i utsatta samhällen.

Öppen källkod och forskningssammanhang

PBC-koden finns tillgänglig på GitHub under MIT-licensen och är arkiverad på Zenodo tillsammans med kod för att reproducera studien. I kodarkivet står det att Python-kodbasen testades med Rocky Linux 8.10 och Python 3.13.3. Författarnas förhandsversion skickades in till arXiv den 17 april 2026 och reviderades senast den 4 september 2026, och Microsoft Researchs publikationssida anger att arbetet är från april 2026.

I artikelns diskussion beskriver teamet PBC som en metod för att korrigera förutsägbara fel snarare än att försöka lära om atmosfärens dynamik. De framställer den som ett efterbehandlingsverktyg, inte som en ersättning för förbättringar av indata-modellerna, och som en resurskrävande lättviktig strategi för meteorologiska institut, även i resursbegränsade miljöer. I finansieringsupplysningarna anges stöd från FAPERJ till Orenstein, ett anslag från USA:s National Science Foundation till Cohen och finansiering från EU:s Destination Earth till ECMWF-författarna. Deklarationen om konkurrerande intressen uppger att flera författare är anställda av Microsoft eller äger aktier i Microsoft.