Microsoft Research เผยแพร่ผลการศึกษาเรื่องการพยากรณ์อากาศด้วย AI ใน Nature

ทีมที่นำโดย Microsoft Research เผยแพร่ผลการศึกษาใน Natureเมื่อวันที่ 14 ตุลาคม 2026 โดยนำเสนอการแก้ไขอคติแบบความน่าจะเป็น (PBC) ซึ่งเป็นกรอบการเรียนรู้ของเครื่องที่ผู้เขียนรายงานว่าช่วยปรับปรุงการพยากรณ์อากาศล่วงหน้า 2–6 สัปดาห์ พร้อมกับเผยแพร่โค้ดเป็นโอเพนซอร์ส

ผลการศึกษาระบุว่า แม้ระบบพลวัตและระบบ AI สมัยใหม่จะพยากรณ์ได้อย่างแม่นยำล่วงหน้าราว 2 สัปดาห์ แต่ความแม่นยำจะลดลงอย่างรวดเร็วเมื่อพยากรณ์ในช่วงเวลาย่อยตามฤดูกาลล่วงหน้า 2–6 สัปดาห์ เนื่องจากข้อผิดพลาดที่สะสม อคติเชิงระบบของแบบจำลอง และธรรมชาติอันโกลาหลของบรรยากาศ ผู้เขียนนำเสนอ PBC ในฐานะกรอบการทำงานที่ช่วยลดข้อผิดพลาดเชิงระบบด้วยการเรียนรู้เพื่อแก้ไขผลพยากรณ์เชิงความน่าจะเป็นในอดีตของแบบจำลอง โดยทำงานกับการแจกแจงความน่าจะเป็นโดยตรง แทนที่จะใช้ข้อมูลสังเกตดิบ

Hannah Guan และ Soukayna Mouatadid มีส่วนร่วมในผลงานชิ้นนี้เท่าเทียมกัน โดย Guan ทำงานวิจัยในฐานะผู้ฝึกงานที่ Microsoft Research ส่วน Judah Cohen จาก MIT และ Lester Mackey จาก Microsoft Research เป็นผู้เขียนที่รับผิดชอบการติดต่อ บทความระบุสังกัดของผู้เขียนทั้ง 13 คน ได้แก่ Microsoft Research, Microsoft, MIT, Harvard College, มหาวิทยาลัยโทรอนโต, IMPA, Janus Research Group, Rhiza Research และ ECMWF วารสาร Nature ระบุว่าได้รับบทความเมื่อวันที่ 17 เมษายน 2026 และตอบรับให้ตีพิมพ์เมื่อวันที่ 4 กันยายน 2026.

วิธีทำงานและการประเมินผล PBC

เมื่อได้รับชุดการพยากรณ์แบบกำหนดค่าอย่างดิบ PBC จะแปลงชุดการพยากรณ์ดังกล่าวเป็นผลพยากรณ์เชิงความน่าจะเป็นเบื้องต้น โดยวัดเทียบกับช่วงควอนไทล์ตามภูมิอากาศวิทยา จากนั้นแบบจำลองการเรียนรู้ของเครื่องสองแบบจะใช้การแก้ไขที่เสริมกันพร้อมกัน ได้แก่ Debias++ ปรับผลพยากรณ์ด้วยค่าปรับเฉพาะตามสถานที่ วันที่ และควอนไทล์ ซึ่งเรียนรู้จากการลดข้อผิดพลาดของการพยากรณ์เชิงความน่าจะเป็นในช่วงฝึกที่คัดเลือกแบบปรับตามข้อมูล ส่วน Persistence++ ผสานผลพยากรณ์เข้ากับข้อมูลสังเกตย้อนหลังและข้อมูลภูมิอากาศวิทยา เพื่อจับแนวโน้มสภาพอากาศล่าสุดและผลของวันในรอบปี จากนั้นนำการแก้ไขทั้งสองแบบไปฉายลงบนปริภูมิของฟังก์ชันการแจกแจงสะสมที่ถูกต้อง แล้วหาค่าเฉลี่ยเพื่อให้ได้ผลพยากรณ์ PBC ขั้นสุดท้าย

ทีมประเมินผลพยากรณ์ตามแนวทางของการแข่งขัน AI Weather Quest ของ ECMWF โดยใช้ค่าเฉลี่ยอุณหภูมิที่ระดับ 2 เมตรและปริมาณฝนรวมเหนือพื้นดิน รวมถึงค่าเฉลี่ยความกดอากาศระดับน้ำทะเลบนตารางกริดทั่วโลกที่มีความละเอียด 1.5 องศา แบ่งเป็น 5 ช่วงควินไทล์ พิจารณาระยะพยากรณ์สัปดาห์ที่ 3 (วันที่ 19–25) และสัปดาห์ที่ 4 (วันที่ 26–32) และให้คะแนนด้วยคะแนนทักษะความน่าจะเป็นแบบจัดอันดับ (RPSS) โดยเทียบกับค่าพื้นฐานทางภูมิอากาศวิทยา ข้อมูลอ้างอิงความจริงคือข้อมูลวิเคราะห์ซ้ำ ERA5 ช่วงปี 1979–2026 ซึ่งปรับให้อยู่บนกริดความละเอียด 1.5 องศา ส่วนชุดทดสอบเริ่มต้นครอบคลุมวันที่เป้าหมายซึ่งตรงกับวันจันทร์และวันศุกร์ที่ไม่ใช่วันในปีอธิกสุรทินในช่วงปี 2016–2024 ผู้เขียนระบุว่า PBC มีน้ำหนักเบาพอที่จะฝึกใหม่แบบทยอยเพิ่มเติมได้ทุกวัน โดยใช้เฉพาะข้อมูลวิเคราะห์ซ้ำและข้อมูลผลพยากรณ์จากแบบจำลองที่สังเกตได้ ณ วันที่ออกรอบพยากรณ์แต่ละครั้ง เพื่อจำลองการนำไปใช้งานจริง

การเพิ่มทักษะการพยากรณ์ในแบบจำลองพลวัตและ AI

บทความระบุว่า ชุดแบบจำลองพลวัตของ ECMWF ได้รับการยอมรับอย่างกว้างขวางว่าเป็นแบบจำลองสภาพอากาศที่แม่นยำที่สุดในโลก และเป็นมาตรฐานสูงสุดสำหรับการประเมินทักษะการพยากรณ์ในช่วงเวลาย่อยตามฤดูกาล เมื่อนำ PBC ไปใช้กับชุดแบบจำลองดังกล่าวในช่วงปี 2016–2024 ผลการศึกษารายงานว่า PBC เพิ่มทักษะการพยากรณ์ปริมาณฝนของแบบจำลองดิบ ซึ่งมีค่า RPSS เป็นบวกที่ 0.023 ขึ้นเป็นสามเท่า และเปลี่ยนผลพยากรณ์อุณหภูมิและความกดอากาศที่มีทักษะติดลบให้เป็นผลพยากรณ์ที่มีทักษะ เมื่อเทียบกับผลลัพธ์ของ ECMWF ที่ผ่านการแก้อคติตามกระบวนการปฏิบัติงาน ผู้เขียนรายงานว่า PBC เพิ่มค่า RPSS ของอุณหภูมิ 26–37% และของความกดอากาศ 16–32% โดยมีการปรับปรุงใน 98% ของเซลล์กริดสำหรับปริมาณฝน, 91–92% สำหรับอุณหภูมิ และ 89–91% สำหรับความกดอากาศระดับน้ำทะเล

ผลการศึกษารายงานว่า PBC ยังช่วยปรับปรุงระบบที่ใช้ AI ด้วย เมื่อนำไปใช้กับ AIFS-SUBS ซึ่งเป็นแบบจำลองการเรียนรู้เชิงลึกของ ECMWF สำหรับการพยากรณ์ช่วงเวลาย่อยตามฤดูกาล PBC เพิ่มค่า RPSS เฉลี่ยของแบบจำลองจาก 0.03 เป็นสองเท่าในทุกตัวแปรและระยะพยากรณ์ ตลอดปีทดสอบ 2025 เมื่อนำไปใช้กับ POET ซึ่งเป็นระบบไฮบริดที่ประมวลผลผลลัพธ์จากชุดแบบจำลองของ ECMWF ในขั้นหลังด้วยโครงข่ายประสาทเทียมแบบคอนโวลูชันและแบบทรานส์ฟอร์เมอร์ PBC เพิ่มผลการปรับปรุงในปี 2024 โดยเพิ่ม 68–98% สำหรับปริมาณฝน, 15–23% สำหรับความกดอากาศเฉลี่ยระดับน้ำทะเล และ 5–7% สำหรับอุณหภูมิ ตามที่ระบุในบทความ ผู้เขียนยังรายงานด้วยว่า PBC-ECMWF มีทักษะการพยากรณ์เพิ่มขึ้นอย่างชัดเจนเมื่อเทียบกับแบบจำลองการเรียนรู้เชิงลึก FuXi-S2S ตลอดปีทดสอบ 2017–2021 โดยมีเซลล์กริดที่ปรับปรุงขึ้น 99–100% สำหรับอุณหภูมิ, 97–99% สำหรับปริมาณฝน และ 96–100% สำหรับความกดอากาศเฉลี่ยระดับน้ำทะเล

ผลการแข่งขันและการพยากรณ์เหตุการณ์รุนแรง

เพื่อประเมินประสิทธิภาพแบบเรียลไทม์ ทีมได้ส่งชุดแบบจำลอง PBC-ECMWF และ PBC-POET ซึ่งตั้งชื่อว่า MicroDuet เข้าแข่งขัน AI Weather Quest ของ ECMWF ประจำปี 2025 บทความรายงานว่า MicroDuet ได้อันดับหนึ่งในทุกตัวแปรสภาพอากาศและทุกระยะพยากรณ์ของฤดูกาลแรก ระหว่างเดือนกันยายนถึงพฤศจิกายน โดยเอาชนะแบบจำลองพลวัตที่ผ่านการแก้อคติจากศูนย์พยากรณ์ปฏิบัติการ 6 แห่ง ได้แก่ ECMWF, NOAA, ECCC, HMCR, KMA และ JMA รวมถึงชุดแบบจำลองพลวัตหลายแบบจำลองที่มี 6 แบบจำลอง, AIFS-SUBS จำนวน 3 เวอร์ชัน และระบบพยากรณ์ของ 34 ทีมทั่วโลก และยังเป็นผู้นำในทั้งสองระยะพยากรณ์ของฤดูกาลเดือนธันวาคมถึงกุมภาพันธ์ด้วย ผู้เขียนรายงานว่า ตลอดทั้งสองฤดูกาล MicroDuet เป็นผลงานส่งเข้าแข่งขันเพียงรายการเดียวที่มีผลดีกว่า ECMWF ซึ่งผ่านการแก้อคติอย่างมีนัยสำคัญ (P < 0.05) ในทุกตัวแปรและทุกระยะพยากรณ์

ECMWF อธิบายการแข่งขันเดียวกันนี้ไว้ในบทความวิทยาศาสตร์บนบล็อกเมื่อวันที่ 13 มีนาคม 2026 โดยระบุว่า มี 42 ทีมส่งผลพยากรณ์โดยใช้แบบจำลองที่มีชื่อเฉพาะ 74 แบบ ตลอดการแข่งขันสองช่วงแรก และแบบจำลองหลังการประมวลผล MicroDuet ของทีม MicroEnsemble ขึ้นนำบนตารางอันดับอย่างต่อเนื่อง พร้อมทำผลงานเหนือกว่า Integrated Forecasting System ของ ECMWF อย่างมีนัยสำคัญในทุกตัวแปรและทุกช่วงเวลานำของการพยากรณ์

บทความยังรายงานว่า ในเดือนพฤศจิกายน 2025 การพยากรณ์อุณหภูมิล่วงหน้าแบบเรียลไทม์ในสัปดาห์ที่ 4 ของ MicroDuet คาดการณ์การมวลอากาศเย็นที่พัดเข้ามาในภาคตะวันออกของสหรัฐฯ ในเดือนธันวาคม 2025 ซึ่ง ECMWF ที่ผ่านการปรับแก้อคติไม่สามารถคาดการณ์ได้

สำหรับการพยากรณ์เหตุการณ์สุดขั้ว ผู้วิจัยฝึก PBC ด้วยค่าการเปลี่ยนแปลงแบบเซมิดีไซล์ (ควอนไทล์ 5%) โดยกำหนดให้ค่าสูงสุดสุดขั้วหมายถึงเหตุการณ์ที่มีค่าจริงสูงกว่าเปอร์เซ็นไทล์ที่ 95 และค่าต่ำสุดสุดขั้วหมายถึงเหตุการณ์ที่ต่ำกว่าเปอร์เซ็นไทล์ที่ 5 จากนั้นวัดทักษะด้วยคะแนนทักษะไบรเออร์ สำหรับค่าสูงสุดสุดขั้วในสัปดาห์ที่ 3 ระหว่างปี 2016–2024 งานวิจัยรายงานว่า PBC ช่วยเพิ่มทักษะของ ECMWF ที่ผ่านการปรับแก้อคติในการปฏิบัติงานแล้ว 51% สำหรับอุณหภูมิ และ 39% สำหรับความกดอากาศ โดยทักษะที่เพิ่มขึ้นในแต่ละเซลล์กริดอยู่ที่ 96% สำหรับปริมาณน้ำฝน 89% สำหรับความกดอากาศระดับน้ำทะเล และ 85% สำหรับอุณหภูมิ

จากเหตุการณ์น้ำท่วม 2,435 ครั้งที่ระบบ Global Disaster Alert and Coordination System (GDACS) บันทึกไว้ระหว่างปี 2016 ถึง 2026 ผู้วิจัยรายงานว่า PBC ช่วยเพิ่มทักษะการพยากรณ์น้ำท่วมล่วงหน้าในสัปดาห์ที่ 3 ได้ 76–92% ขณะที่การปรับแก้อคติในการปฏิบัติงานทำให้ทักษะพื้นฐานของ ECMWF ซึ่งเดิมอยู่ที่ 0.04–0.06 ลดลงเข้าใกล้ศูนย์ สำหรับน้ำท่วมรุนแรง 88 ครั้ง ซึ่ง GDACS นิยามว่าเป็นเหตุการณ์ที่ทำให้มีผู้เสียชีวิตมากกว่า 100 คน หรือมีผู้พลัดถิ่น 80,000 คนขึ้นไป บทความรายงานว่า PBC ช่วยเพิ่มทักษะการพยากรณ์น้ำท่วมรุนแรงได้ 86–150% ผู้วิจัยระบุว่า การเพิ่มขึ้นของทักษะด้านความน่าจะเป็นเหล่านี้ทำให้คาดการณ์เหตุการณ์สุดขั้วได้แม่นยำขึ้น และอาจช่วยปรับปรุงการวางแผนด้านเกษตรกรรม การจัดการพลังงาน และการเตรียมพร้อมรับมือภัยพิบัติในชุมชนที่เปราะบางได้

ซอร์สโค้ดแบบเปิดและบริบทของงานวิจัย

โค้ด PBC เผยแพร่บน GitHub ภายใต้สัญญาอนุญาต MIT และเก็บถาวรไว้บน Zenodo พร้อมโค้ดสำหรับทำซ้ำการศึกษา โดยระบุในคลังโค้ดว่าได้ทดสอบชุดโค้ด Python บน Rocky Linux 8.10 ด้วย Python 3.13.3 บทความฉบับก่อนตีพิมพ์ของผู้เขียนส่งให้ arXiv เมื่อวันที่ 17 เมษายน 2026 และแก้ไขครั้งล่าสุดเมื่อวันที่ 4 กันยายน 2026 ส่วนหน้าสิ่งพิมพ์ของ Microsoft Research ระบุว่างานนี้เผยแพร่ในเดือนเมษายน 2026

ในการอภิปรายผลของบทความ ทีมวิจัยอธิบายว่า PBC มุ่งจัดการข้อผิดพลาดที่คาดการณ์ได้ แทนที่จะพยายามเรียนรู้พลวัตของบรรยากาศขึ้นใหม่ โดยวางกรอบให้เป็นเครื่องมือสำหรับการประมวลผลภายหลัง ไม่ใช่สิ่งทดแทนการปรับปรุงแบบจำลองต้นทาง และเป็นกลยุทธ์ที่ใช้ทรัพยากรเพิ่มเติมไม่มากสำหรับศูนย์อุตุนิยมวิทยา รวมถึงศูนย์ในพื้นที่ที่มีทรัพยากรจำกัด การเปิดเผยแหล่งทุนระบุว่า FAPERJ สนับสนุน Orenstein, Cohen ได้รับทุนจากมูลนิธิวิทยาศาสตร์แห่งชาติสหรัฐฯ และผู้เขียนจาก ECMWF ได้รับทุนจากโครงการ Destination Earth ของสหภาพยุโรป ส่วนคำชี้แจงผลประโยชน์ทับซ้อนระบุว่า ผู้เขียนหลายคนเป็นพนักงานของ Microsoft หรือถือหุ้น Microsoft