Microsoft Research 在《Nature》发表人工智能天气预报研究

由 Microsoft Research 牵头的团队于 2026 年 10 月 14 日在 《Nature》发表了一项研究，介绍了概率偏差订正（PBC）这一机器学习框架。作者称，该框架能够提升提前两至六周的天气预报准确性；团队还开源了相关代码。

研究指出，尽管现代动力学系统和人工智能系统能够提供大约提前两周的准确预报，但在提前两至六周的次季节时间尺度上，预报技巧会急剧下降，原因包括误差累积、模型的系统性偏差以及大气的混沌特性。作者将 PBC 介绍为一种能够减少系统性误差的框架：它通过学习纠正模型以往的概率预报来实现这一点，直接对概率分布进行处理，而非处理原始观测数据。

Hannah Guan 和 Soukayna Mouatadid 对这项工作贡献相同；Guan 在 Microsoft Research 实习期间开展了这项研究。MIT 的 Judah Cohen 和 Microsoft Research 的 Lester Mackey 是本文的通讯作者。论文列出的 13 位作者分别隶属于 Microsoft Research、Microsoft、MIT、Harvard College、多伦多大学、IMPA、Janus Research Group、Rhiza Research 和 ECMWF。《Nature》记录显示，该论文于 2026 年 4 月 17 日收到，并于 2026 年 9 月 4 日接受。

PBC 的工作原理及评估方式

对于一组原始的确定性预报集合，PBC 首先将其转换为初始概率预报，并以气候态分位数区间为参照进行衡量。随后，两个机器学习模型并行实施互补的校正：Debias++ 根据位置、日期和分位数分别进行调整，以扰动预报；这些调整通过在自适应选取的训练时段内最小化概率预报误差来学习。Persistence++ 则将预报与滞后观测及气候态数据融合，以捕捉近期天气趋势和一年中不同日期的影响。之后，将两种校正结果投影到有效累积分布函数构成的空间，并取其平均值，得到最终的 PBC 预测。

团队按照 ECMWF 的 AI Weather Quest 竞赛规范评估预报：在全球 1.5 度网格上，以五个五分位区间为基础，评估陆地上的 2 米平均气温和总降水量，以及平均海平面气压；预报时效为第 3 周（第 19—25 天）和第 4 周（第 26—32 天），并使用排名概率技巧评分（RPSS）与气候态基线进行比较。真实值采用 1979—2026 年 ERA5 再分析数据，并重新网格化至 1.5 度分辨率；默认测试集涵盖 2016—2024 年每年非闰年的周一和周五目标日期。作者指出，PBC 足够轻量，可以每天增量式重新训练，且只需使用每个预报发布日可获得的再分析数据和模型预报数据，从而模拟实际业务部署。

动力学模型和人工智能模型的预报技巧提升

论文称，ECMWF 的动力学集合预报被广泛视为全球最准确的天气模型，也是衡量次季节预报技巧的黄金标准。研究将 PBC 应用于该集合在 2016—2024 年间的预报，报告称，PBC 使原始模型的正降水预报技巧提高至三倍，其 RPSS 为 0.023；同时，还将温度和气压预报从负技巧转变为具有预报技巧的预测。与 ECMWF 经业务化偏差订正的输出相比，作者报告称，PBC 将温度 RPSS 提高了 26%—37%，将气压 RPSS 提高了 16%—32%；在降水方面，98% 的网格单元有所提升，温度方面为 91%—92%，海平面气压方面为 89%—91%。

研究报告称，PBC 也提升了基于人工智能的系统的表现。将 PBC 应用于 ECMWF 的次季节预测深度学习模型 AIFS-SUBS 后，在 2025 测试年覆盖的所有变量和预报时效中，该模型的平均 RPSS 从 0.03 提高了一倍。将 PBC 应用于 POET——一种使用卷积神经网络和 Transformer 神经网络对 ECMWF 集合预报进行后处理的混合系统——后，论文报告称，2024 年的降水预报提升了 68%—98%，平均海平面气压预报提升了 15%—23%，温度预报提升了 5%—7%。作者还报告称，在 2017—2021 测试年期间，PBC-ECMWF 相较于 FuXi-S2S 深度学习模型取得了显著的预报技巧提升：温度方面有 99%—100% 的网格单元改善，降水方面为 97%—99%，平均海平面气压方面为 96%—100%。

竞赛结果与极端天气事件预报

为评估实时表现，团队将由 PBC-ECMWF 和 PBC-POET 组成、名为 MicroDuet 的集合预报系统提交至 ECMWF 的 2025 年 AI Weather Quest 竞赛。论文报告称，在首届 9 月至 11 月赛季中，MicroDuet 在所有天气变量和预报时效上均排名第一，领先于 6 家业务预报中心（ECMWF、NOAA、ECCC、HMCR、KMA 和 JMA）经过偏差订正的动力学模型、由 6 个模型组成的动力学多模式集合、AIFS-SUBS 的 3 个版本，以及全球 34 支队伍的预报系统；在 12 月至次年 2 月的赛季中，MicroDuet 也在两个预报时效上均排名第一。作者报告称，在这两个赛季中，MicroDuet 是唯一一个在所有变量和预报时效上均显著优于经过偏差订正的 ECMWF 预报的参赛系统（P < 0.05）。

ECMWF 在2026年3月13日发布的一篇科学博客中介绍了同一场竞赛，称在前两个竞赛阶段，共有42支团队使用74个各有独特名称的模型提交预测；MicroEnsemble团队的后处理模型MicroDuet始终位居排行榜前列，并且在所有变量和预测时效上都显著优于ECMWF综合预报系统。

论文还报告称，2025年11月，MicroDuet实时发布的第4周气温预测预报了2025年12月美国东部的一次冷空气暴发，而经过偏差订正的ECMWF预测未能预见这一情况。

在极端事件预测方面，作者使用半十分位（5%分位数）增量训练PBC，将极端高值定义为验证结果高于第95百分位的事件，将极端低值定义为低于第5百分位的事件，并使用布赖尔技巧评分衡量预测技巧。对于2016—2024年间第3周的极端高温事件，研究报告称，PBC使经过业务化偏差订正的ECMWF预测技巧在气温方面提高了51%，在气压方面提高了39%；按网格单元计算，降水、海平面气压和气温的预测技巧分别提高了96%、89%和85%。

在全球灾害预警与协调系统（GDACS）于2016年至2026年间收录的2,435起洪水事件中，作者报告称，PBC使第3周洪水预测技巧提高了76–92%；与此同时，业务化偏差订正使ECMWF原始预测的基线技巧从0.04–0.06降至接近零。对于88起严重洪水——GDACS将其定义为造成超过100人死亡或导致80,000人流离失所的事件——论文报告称，PBC使严重洪水预测技巧提高了86–150%。作者指出，这些概率预测技巧的提升意味着对极端事件的预测更加准确，并有望改善脆弱社区的农业规划、能源管理和灾害防备。

开源代码与研究背景

PBC代码采用MIT许可证，可在GitHub上获取，并已存档于Zenodo，同时提供了用于复现研究的代码；代码库称，其Python代码库已在搭载Python 3.13.3的Rocky Linux 8.10环境中通过测试。作者预印本于2026年4月17日提交至arXiv，最后一次修订日期为2026年9月4日；Microsoft Research的出版页面则将该研究的日期标为2026年4月。

在论文讨论部分，研究团队表示，PBC旨在针对可预测的误差，而非试图重新学习大气动力学；他们将其定位为一种后处理工具，而不是替代输入模型改进的方案，并认为这是一种低开销策略，适用于气象中心，包括资源受限地区的气象中心。资助披露列出了FAPERJ对Orenstein的支持、美国国家科学基金会对Cohen的资助，以及欧盟“Destination Earth”项目对ECMWF作者的资助；利益冲突声明指出，数位作者是Microsoft员工或持有Microsoft股票。