Microsoft Research опублікувала в Nature дослідження прогнозування погоди за допомогою ШІ

Команда під керівництвом Microsoft Research опублікувала дослідження в Nature 14 жовтня 2026 року. У ньому представлено ймовірнісну корекцію зміщення (PBC) — фреймворк машинного навчання, який, за повідомленням авторів, підвищує точність прогнозів погоди на період від двох до шести тижнів, а також оприлюднено вихідний код.

У дослідженні зазначено, що сучасні динамічні системи та системи ШІ забезпечують точні прогнози приблизно на два тижні вперед, однак на субсезонних горизонтах у два–шість тижнів їхня точність різко падає через накопичення похибок, систематичні зміщення моделей і хаотичну природу атмосфери. Автори представляють PBC як фреймворк, що зменшує систематичну похибку, навчаючись коригувати історичні ймовірнісні прогнози моделі та працюючи безпосередньо з розподілами ймовірностей, а не з необробленими спостереженнями.

Ганна Гуан і Сукайнуат Моуатадід зробили однаковий внесок у цю роботу, а Гуан проводила дослідження як стажерка в Microsoft Research; Джуда Коен із MIT і Лестер Маккі з Microsoft Research — автори для листування. Серед афіліацій команди з 13 авторів зазначено Microsoft Research, Microsoft, MIT, Harvard College, Торонтський університет, IMPA, Janus Research Group, Rhiza Research і ECMWF. За даними Nature, статтю отримано 17 квітня 2026 року, а прийнято до публікації 4 вересня 2026 року.

Як працює PBC і як його оцінювали

Отримавши ансамбль необроблених детерміністичних прогнозів, PBC спочатку перетворює його на початковий імовірнісний прогноз, оцінений за кліматологічними квантильними інтервалами. Потім дві моделі машинного навчання паралельно застосовують взаємодоповнювальні корекції: Debias++ змінює прогноз за допомогою поправок, специфічних для місця, дати й квантиля, які визначаються шляхом мінімізації похибки ймовірнісного прогнозування на адаптивно вибраних навчальних періодах; Persistence++ поєднує прогноз із відкладеними спостереженнями та кліматологічними даними, щоб врахувати нещодавні погодні тенденції й ефекти дня року. Обидві корекції проєктуються на простір коректних кумулятивних функцій розподілу, а потім усереднюються, утворюючи остаточний прогноз PBC.

Команда оцінювала прогнози за правилами конкурсу AI Weather Quest від ECMWF: середню температуру на висоті 2 метрів і загальну кількість опадів над сушею, а також середній тиск на рівні моря на глобальній сітці з кроком 1,5 градуса, використовуючи п’ять квінтильних інтервалів. Оцінювання за допомогою рангового показника навичок імовірнісного прогнозу (RPSS) проводили відносно кліматологічного базового рівня для прогнозів на третій тиждень (дні 19–25) і четвертий тиждень (дні 26–32). Фактичні дані брали з реаналізу ERA5 за 1979–2026 роки, перерахованого на сітку з кроком 1,5 градуса; типовий тестовий набір охоплював цільові дати, що припадали на понеділки й п’ятниці невисокосних років у період 2016–2024 років. Автори зазначають, що PBC достатньо легкий, аби щодня поступово перенавчати його, використовуючи лише дані реаналізу та модельних прогнозів, доступні на момент кожного випуску прогнозу, імітуючи таким чином роботу в оперативному режимі.

Підвищення точності прогнозів на основі динамічних моделей і ШІ

У статті динамічний ансамбль ECMWF названо моделлю, яку широко вважають найточнішою погодною моделлю у світі та еталоном для оцінювання точності субсезонних прогнозів. Застосувавши PBC до цього ансамблю за період 2016–2024 років, дослідники потроїли додатну точність сирої моделі для опадів, що становила 0.023 RPSS, і перетворили прогнози температури й тиску з від’ємною точністю на точні прогнози. Порівняно з оперативними прогнозами ECMWF, скоригованими на систематичне зміщення, PBC, за повідомленням авторів, підвищив RPSS температури на 26–37%, а тиску — на 16–32%; поліпшення зафіксовано у 98% вузлів сітки для опадів, 91–92% — для температури та 89–91% — для тиску на рівні моря.

За даними дослідження, PBC також підвищив точність систем на основі ШІ. Після застосування до AIFS-SUBS — моделі ECMWF глибинного навчання для субсезонного прогнозування — PBC подвоїв середній RPSS моделі, що становив 0.03 за всіма змінними й завчасністю прогнозів у тестовому 2025 році. У разі застосування до POET — гібридної системи, що обробляє ансамбль ECMWF за допомогою згорткових нейронних мереж і трансформерів, — PBC, як зазначено у статті, забезпечив у 2024 році підвищення точності на 68–98% для опадів, 15–23% для середнього тиску на рівні моря та 5–7% для температури. Автори також повідомляють, що PBC-ECMWF помітно підвищив точність прогнозів порівняно з моделлю глибинного навчання FuXi-S2S у тестові 2017–2021 роки: поліпшення температурних прогнозів зафіксовано у 99–100% вузлів сітки, прогнозів опадів — у 97–99%, а прогнозів середнього тиску на рівні моря — у 96–100%.

Результати конкурсу та прогнози екстремальних явищ

Щоб оцінити результати в реальному часі, команда подала на конкурс ECMWF AI Weather Quest 2025 ансамбль PBC-ECMWF і PBC-POET під назвою MicroDuet. У статті зазначено, що в першому сезоні конкурсу, який тривав із вересня до листопада, MicroDuet посів перше місце за всіма погодними змінними й завчасністю прогнозів, випередивши динамічні моделі шести оперативних центрів прогнозування зі скоригованим систематичним зміщенням (ECMWF, NOAA, ECCC, HMCR, KMA та JMA), ансамбль із шести динамічних моделей, три версії AIFS-SUBS і системи прогнозування 34 команд з усього світу. У сезоні з грудня до лютого MicroDuet також посів перше місце за обома періодами завчасності прогнозу. За словами авторів, в обох сезонах MicroDuet був єдиною системою, яка значно перевершила скориговану на систематичне зміщення модель ECMWF (P < 0.05) за всіма змінними й завчасністю прогнозів.

ECMWF описала ті самі змагання у науковому блозі від 13 березня 2026 року, зазначивши, що в перших двох змагальних періодах 42 команди подали прогнози, використовуючи 74 моделі з унікальними назвами, а модель постобробки команди MicroEnsemble під назвою MicroDuet стабільно очолювала таблицю результатів і значно перевершувала інтегровану систему прогнозування ECMWF за всіма змінними та строками випередження.

У статті також повідомляється, що в листопаді 2025 року оперативний прогноз температури на четвертий тиждень, сформований MicroDuet, передбачив вторгнення холодного повітря на сході США в грудні 2025 року, якого не спрогнозувала ECMWF після усунення систематичного зміщення.

Для прогнозування екстремальних явищ автори навчали PBC на приростах напівдециля (5-відсоткового квантиля), визначивши екстремально високі значення як події, фактичні показники яких перевищували 95-й процентиль, а екстремально низькі — як ті, що були нижчими за 5-й процентиль; майстерність оцінювали за показником Браєра. Для екстремально високих значень на третьому тижні за 2016–2024 роки дослідження повідомляє, що PBC підвищила майстерність оперативно скоригованої на систематичне зміщення ECMWF на 51% для температури та на 39% для тиску; приріст у вузлах сітки становив 96% для опадів, 89% для тиску на рівні моря та 85% для температури.

За даними авторів, серед 2 435 повеней, внесених до каталогу Глобальної системи оповіщення про стихійні лиха та координації допомоги (GDACS) у період із 2016 до 2026 року, PBC підвищила майстерність прогнозування повеней на третьому тижні на 76–92%, тоді як оперативне коригування на систематичне зміщення знизило базову майстерність необроблених прогнозів ECMWF із 0,04–0,06 майже до нуля. Для 88 масштабних повеней, які GDACS визначає як події, що спричиняють понад 100 смертей або переміщення 80 000 осіб, у статті повідомляється, що PBC підвищила майстерність прогнозування таких повеней на 86–150%. Автори зазначають, що це зростання ймовірнісної майстерності забезпечує точніше прогнозування екстремальних явищ і може сприяти вдосконаленню планування в сільському господарстві, управління енергетикою та підготовки до стихійних лих у вразливих громадах.

Код із відкритим вихідним кодом і дослідницький контекст

Код PBC доступний на GitHub за ліцензією MIT і заархівований на Zenodo разом із кодом для відтворення результатів дослідження; у репозиторії зазначено, що кодову базу Python протестували на Rocky Linux 8.10 із Python 3.13.3. Препринт авторів подали до arXiv 17 квітня 2026 року й востаннє оновили 4 вересня 2026 року, а на сторінці публікації Microsoft Research датою роботи вказано квітень 2026 року.

У розділі обговорення автори описують PBC як метод, спрямований на передбачувані похибки, а не на повторне навчання моделі атмосферної динаміки; вони розглядають його як інструмент постобробки, а не як заміну вдосконаленню вхідної моделі, і як стратегію з низькими вимогами до ресурсів для метеорологічних центрів, зокрема тих, що працюють в умовах обмежених ресурсів. У деклараціях про фінансування зазначено підтримку FAPERJ для Orenstein, грант Національного наукового фонду США для Cohen і фінансування програми Destination Earth ЄС для авторів з ECMWF; у декларації про конфлікт інтересів сказано, що кілька авторів є працівниками Microsoft або володіють акціями Microsoft.