Microsoft Research công bố nghiên cứu về dự báo thời tiết bằng AI trên Nature

Ngày 14 tháng 10 năm 2026, một nhóm do Microsoft Research dẫn đầu đã công bố một nghiên cứu trên Nature, giới thiệu phương pháp hiệu chỉnh sai lệch xác suất (PBC), một khuôn khổ học máy mà theo các tác giả, có thể cải thiện dự báo thời tiết trước từ hai đến sáu tuần; nhóm cũng phát hành mã nguồn mở của phần mềm.

Nghiên cứu cho biết dù các hệ thống động lực học và AI hiện đại đưa ra dự báo chính xác trong khoảng hai tuần, độ chính xác giảm mạnh ở các khoảng thời gian dưới mùa, từ hai đến sáu tuần, do sai số tích lũy, sai lệch có tính hệ thống của mô hình và bản chất hỗn loạn của khí quyển. Các tác giả giới thiệu PBC là một khuôn khổ giúp giảm sai số có hệ thống bằng cách học cách hiệu chỉnh các dự báo xác suất trong quá khứ của mô hình; phương pháp này xử lý trực tiếp các phân phối xác suất thay vì các quan trắc thô.

Hannah Guan và Soukayna Mouatadid đóng góp ngang nhau cho công trình, và Guan thực hiện nghiên cứu của mình với tư cách là thực tập sinh tại Microsoft Research; Judah Cohen thuộc MIT và Lester Mackey thuộc Microsoft Research là các tác giả liên hệ. Nhóm gồm 13 tác giả, với các đơn vị công tác được liệt kê là Microsoft Research, Microsoft, MIT, Harvard College, University of Toronto, IMPA, Janus Research Group, Rhiza Research và ECMWF. Nature ghi nhận bài báo được nhận vào ngày 17 tháng 4 năm 2026 và được chấp nhận vào ngày 4 tháng 9 năm 2026.

PBC hoạt động như thế nào và được đánh giá ra sao

Với đầu vào là một tổ hợp dự báo tất định thô, trước tiên PBC chuyển tổ hợp này thành một dự báo xác suất ban đầu, được đánh giá theo các khoảng phân vị khí hậu học. Sau đó, hai mô hình học máy áp dụng song song các phương pháp hiệu chỉnh bổ trợ cho nhau: Debias++ điều chỉnh dự báo bằng các hiệu chỉnh riêng theo vị trí, ngày tháng và phân vị, được học thông qua việc giảm thiểu sai số dự báo xác suất trên các giai đoạn huấn luyện được lựa chọn thích ứng; trong khi đó, Persistence++ kết hợp dự báo với các quan trắc trễ và dữ liệu khí hậu học để nắm bắt xu hướng thời tiết gần đây cũng như ảnh hưởng của ngày trong năm. Hai phương pháp hiệu chỉnh được chiếu lên không gian các hàm phân phối tích lũy hợp lệ, rồi lấy trung bình để tạo thành dự báo PBC cuối cùng.

Nhóm đánh giá các dự báo theo quy ước của cuộc thi AI Weather Quest do ECMWF tổ chức: nhiệt độ trung bình ở độ cao 2 mét và tổng lượng mưa trên đất liền, cùng áp suất trung bình mực nước biển trên toàn cầu, trên lưới có độ phân giải 1,5 độ và gồm năm khoảng ngũ phân vị; các dự báo có thời hạn từ tuần thứ 3 (ngày 19–25) và tuần thứ 4 (ngày 26–32) được chấm bằng điểm kỹ năng xác suất xếp hạng (RPSS), so với đường cơ sở khí hậu học. Dữ liệu thực tế đối chiếu là bộ tái phân tích ERA5 giai đoạn 1979–2026, được nội suy lại lên lưới có độ phân giải 1,5 độ; tập kiểm tra mặc định gồm các ngày mục tiêu rơi vào thứ Hai và thứ Sáu, không phải ngày nhuận, trong giai đoạn 2016–2024. Các tác giả cho biết PBC đủ nhẹ để có thể được huấn luyện lại theo từng bước mỗi ngày, chỉ sử dụng dữ liệu tái phân tích và dữ liệu dự báo của mô hình có thể quan sát được tại mỗi thời điểm phát hành dự báo, qua đó mô phỏng việc triển khai trong thực tế.

Mức cải thiện kỹ năng dự báo trên các mô hình động lực học và AI

Bài báo mô tả tổ hợp dự báo động lực học của ECMWF là mô hình thời tiết được nhiều người xem là chính xác nhất thế giới và là chuẩn vàng để đánh giá kỹ năng dự báo dưới mùa. Khi áp dụng PBC cho tổ hợp này trong giai đoạn 2016–2024, nghiên cứu cho biết PBC đã nâng gấp ba kỹ năng dự báo lượng mưa dương của mô hình thô, vốn đạt 0.023 RPSS, đồng thời biến các dự báo nhiệt độ và áp suất có kỹ năng âm thành những dự báo có kỹ năng. So với đầu ra đã được ECMWF hiệu chỉnh sai lệch trong vận hành, các tác giả cho biết PBC tăng RPSS về nhiệt độ từ 26–37% và RPSS về áp suất từ 16–32%; mức cải thiện xuất hiện tại 98% ô lưới đối với lượng mưa, 91–92% đối với nhiệt độ và 89–91% đối với áp suất mực nước biển.

Nghiên cứu cho biết PBC cũng cải thiện các hệ thống dựa trên AI. Khi áp dụng cho AIFS-SUBS, mô hình học sâu của ECMWF dùng để dự báo dưới mùa, PBC đã tăng gấp đôi RPSS trung bình 0.03 của mô hình trên tất cả các biến và thời hạn dự báo trong năm kiểm tra 2025. Khi áp dụng cho POET, một hệ thống lai xử lý hậu kỳ tổ hợp dự báo của ECMWF bằng mạng nơ-ron tích chập và mạng nơ-ron biến áp, PBC giúp cải thiện trong năm 2024 lần lượt 68–98% đối với lượng mưa, 15–23% đối với áp suất trung bình mực nước biển và 5–7% đối với nhiệt độ, theo bài báo. Các tác giả còn cho biết PBC-ECMWF đạt mức cải thiện kỹ năng rõ rệt so với mô hình học sâu FuXi-S2S trong các năm kiểm tra 2017–2021: kỹ năng cải thiện ở 99–100% ô lưới đối với nhiệt độ, 97–99% đối với lượng mưa và 96–100% đối với áp suất trung bình mực nước biển.

Kết quả cuộc thi và dự báo các hiện tượng thời tiết cực đoan

Để đánh giá hiệu năng theo thời gian thực, nhóm đã đưa một tổ hợp gồm PBC-ECMWF và PBC-POET, mang tên MicroDuet, tham gia cuộc thi AI Weather Quest 2025 của ECMWF. Bài báo cho biết MicroDuet đứng đầu ở tất cả các biến thời tiết và thời hạn dự báo trong mùa thi đầu tiên, từ tháng 9 đến tháng 11, vượt qua các mô hình động lực học đã hiệu chỉnh sai lệch của sáu trung tâm dự báo vận hành (ECMWF, NOAA, ECCC, HMCR, KMA và JMA), một tổ hợp đa mô hình động lực học gồm sáu mô hình, ba phiên bản AIFS-SUBS và các hệ thống dự báo của 34 đội trên toàn thế giới; MicroDuet cũng dẫn đầu ở cả hai thời hạn dự báo trong mùa từ tháng 12 đến tháng 2. Theo các tác giả, trong cả hai mùa, MicroDuet là hệ thống dự thi duy nhất vượt trội đáng kể so với ECMWF đã hiệu chỉnh sai lệch (P < 0.05) ở tất cả các biến và thời hạn dự báo.

ECMWF mô tả cùng cuộc thi trong một bài blog khoa học ngày 13 tháng 3 năm 2026, cho biết 42 đội đã gửi dự báo sử dụng 74 mô hình có tên riêng trong hai kỳ thi đầu tiên, đồng thời mô hình hậu xử lý MicroDuet của đội MicroEnsemble liên tục dẫn đầu bảng xếp hạng và vượt trội đáng kể so với Hệ thống Dự báo Tích hợp của ECMWF ở mọi biến số và thời hạn dự báo.

Bài báo cũng cho biết vào tháng 11 năm 2025, dự báo nhiệt độ thời gian thực cho tuần thứ 4 của MicroDuet đã dự báo trước một đợt không khí lạnh tràn vào miền đông Hoa Kỳ vào tháng 12 năm 2025, sự kiện mà ECMWF sau khi khử sai lệch đã bỏ lỡ.

Để dự báo các sự kiện cực đoan, nhóm nghiên cứu huấn luyện PBC trên các mức gia tăng ở phân vị 5% (phân vị bán thập phân), xác định mức cao cực đoan là những sự kiện có giá trị thực tế cao hơn phân vị thứ 95 và mức thấp cực đoan là những sự kiện thấp hơn phân vị thứ 5, đồng thời đánh giá kỹ năng bằng điểm kỹ năng Brier. Với các mức cao cực đoan ở tuần thứ 3 trong giai đoạn 2016–2024, nghiên cứu cho biết PBC cải thiện 51% kỹ năng của ECMWF sau khi khử sai lệch trong vận hành đối với nhiệt độ và 39% đối với áp suất; mức cải thiện theo ô lưới là 96% đối với lượng mưa, 89% đối với áp suất mực nước biển và 85% đối với nhiệt độ.

Trong số 2.435 trận lũ được Hệ thống Cảnh báo và Điều phối Thảm họa Toàn cầu (GDACS) ghi nhận từ năm 2016 đến năm 2026, các tác giả cho biết PBC cải thiện 76–92% kỹ năng dự báo lũ ở tuần thứ 3, trong khi việc khử sai lệch trong vận hành khiến kỹ năng cơ sở của ECMWF trước khử sai lệch, ở mức 0,04–0,06, giảm xuống gần bằng không. Với 88 trận lũ nghiêm trọng — được GDACS định nghĩa là các sự kiện gây ra hơn 100 ca tử vong hoặc khiến 80.000 người phải di dời — bài báo cho biết PBC cải thiện 86–150% kỹ năng dự báo lũ nghiêm trọng. Các tác giả nhận định rằng những cải thiện về kỹ năng xác suất này giúp dự đoán các sự kiện cực đoan chính xác hơn và có tiềm năng cải thiện công tác lập kế hoạch nông nghiệp, quản lý năng lượng và chuẩn bị ứng phó thảm họa tại các cộng đồng dễ bị tổn thương.

Mã nguồn mở và bối cảnh nghiên cứu

Mã nguồn PBC được cung cấp trên GitHub theo giấy phép MIT và được lưu trữ trên Zenodo, cùng với mã dùng để tái lập nghiên cứu; kho lưu trữ cho biết mã nguồn Python đã được kiểm thử trên Rocky Linux 8.10 với Python 3.13.3. Bản thảo tiền ấn phẩm của các tác giả được gửi đến arXiv vào ngày 17 tháng 4 năm 2026 và được sửa đổi lần cuối vào ngày 4 tháng 9 năm 2026; trang công bố của Microsoft Research ghi thời điểm thực hiện nghiên cứu là tháng 4 năm 2026.

Trong phần thảo luận của bài báo, nhóm nghiên cứu mô tả PBC là phương pháp nhắm đến các sai số có thể dự đoán, thay vì cố gắng học lại các động lực khí quyển; họ xem đây là công cụ hậu xử lý chứ không phải giải pháp thay thế cho việc cải thiện mô hình đầu vào, đồng thời là một chiến lược ít tốn nguồn lực dành cho các trung tâm khí tượng, kể cả những trung tâm hoạt động trong điều kiện hạn chế về nguồn lực. Các công bố về tài trợ liệt kê khoản hỗ trợ của FAPERJ dành cho Orenstein, một khoản tài trợ của Quỹ Khoa học Quốc gia Hoa Kỳ dành cho Cohen và nguồn tài trợ từ chương trình Destination Earth của EU dành cho các tác giả thuộc ECMWF; tuyên bố về xung đột lợi ích cho biết một số tác giả là nhân viên của Microsoft hoặc sở hữu cổ phiếu Microsoft.