Prakiraan cuaca menjadi sangat bisa diandalkan dalam jangka pendek: model saat ini sangat akurat hingga sekitar dua minggu, dan proyeksi iklim jangka panjang juga terus meningkat. Namun, di antara kedua skala waktu tersebut, terdapat titik buta yang membandel. Prakiraan dalam jangka waktu dua hingga enam minggu – yang dikenal sebagai prakiraan sub-musiman – tetap tidak dapat diandalkan, meskipun kisaran tersebut penting untuk menentukan kapan menanam tanaman, bagaimana mengalokasikan air dan energi, dan bagaimana mempersiapkan diri menghadapi kebakaran hutan.
Microsoft Research dan jaringan kolaborator eksternal mengatakan bahwa mereka telah menemukan cara untuk mempersempit kesenjangan tersebut, bukan dengan membangun model perkiraan lain, namun dengan mengajarkan perangkat lunak untuk memperbaiki kesalahan yang dapat diprediksi dari model yang sudah ada. Pendekatan tersebut, yang disebut Probabilistic Bias Correction (PBC), dirinci dalam makalah yang diterbitkan di jurnal ilmiah Nature dan dijelaskan dalam postingan blog Microsoft yang diterbitkan minggu ini. Ini adalah salah satu entri yang lebih praktis dalam gelombang penelitian AI terapan yang tercakup dalam perkembangan AI terbaru, karena ini meningkatkan sistem yang sudah diandalkan oleh para ahli meteorologi daripada meminta mereka beralih ke sesuatu yang baru.
Mengapa Jangka Waktu Dua hingga Enam Minggu Tidak Sesuai Perkiraan
Model berbasis fisika mensimulasikan atmosfer dan lautan menggunakan persamaan ilmiah, sementara model AI yang lebih baru melatih arsip data cuaca yang diamati dalam jumlah besar. Menurut Microsoft, kedua keluarga bekerja dengan baik hingga sekitar sepuluh hari. Di luar titik tersebut, kesalahan awal yang kecil akan bertambah dan interaksi kompleks antara atmosfer, lautan, dan permukaan tanah akan membebani kedua pendekatan tersebut. Hal inilah yang menyebabkan perkiraan jangka waktu dua hingga enam minggu sudah lama tertinggal dari perkiraan lainnya.
Daripada memasuki persaingan model yang padat, tim yang dipimpin Microsoft berfokus pada target yang berbeda: kesalahan sistematis dan berulang yang dilakukan model dalam rentang ini. “Pipa baru kami (PBC) mengambil model favorit Anda sebagai masukan dan mempelajari cara-cara yang cenderung membuat kesalahan. Kemudian memperbaiki kesalahan tersebut, menghasilkan perkiraan keluaran yang lebih baik untuk rentang sub-musim,” perusahaan tersebut menjelaskan dalam postingan blognya.
Lapisan Ringan di Atas Model yang Sudah Ada
Secara teknis, PBC adalah sistem pembelajaran mesin ringan yang mempelajari arsip prakiraan historis model tertentu untuk mempelajari di mana dan bagaimana model tersebut bias secara sistematis. Setelah pola tersebut dipelajari, sistem akan menyesuaikan keluaran probabilistik model untuk mengimbanginya. Dalam evaluasi yang dijelaskan dalam makalah Nature, Microsoft melaporkan bahwa PBC meningkatkan kinerja model sub-musiman yang tidak bias secara operasional, yang dioperasikan oleh Pusat Prakiraan Cuaca Jangka Menengah Eropa (ECMWF).
Hasilnya bertahan dalam kompetisi langsung, bukan hanya dalam tes retrospektif. ECMWF meluncurkan AI Weather Quest pada bulan Agustus 2025, sebuah kompetisi real-time yang dirancang untuk memajukan prakiraan submusim yang bersifat probabilistik. Sebuah tim bernama MicroEnsemble, yang terdiri dari peneliti Microsoft dan kolaborator eksternal, meraih penghargaan tertinggi dengan entri yang diberi nama MicroDuet, yang menerapkan PBC pada model dinamis ECMWF yang terdepan di industri.
“AI Weather Quest menyediakan platform pembandingan real-time yang unik untuk prakiraan submusim,” kata Dr. Joshua Talib, ilmuwan prakiraan submusim di ECMWF. "Kontribusi dari Tim MicroEnsemble menyoroti bagaimana pembelajaran mesin dapat meningkatkan keterampilan sistem perkiraan dinamis tradisional melalui pasca-pemrosesan."
Dari Tolok Ukur hingga Pilot Dunia Nyata di Afrika Timur
Teknik ini sudah melampaui tolok ukur. Di Kenya, para peramal cuaca sedang bersiap untuk menguji PBC saat salah satu dari dua musim hujan di negara itu sedang berlangsung. Upaya ini melibatkan Otoritas Layanan Meteorologi Kenya (KMSA) dan para ilmuwan di Pusat Bahaya Iklim di Universitas California, Santa Barbara, dengan saran dari Genevieve Flaspohler, yang menjalankan Rhiza Research, sebuah organisasi nirlaba yang berfokus pada peningkatan prakiraan cuaca bertenaga AI.
Flaspohler berargumen bahwa nilai ramalan bergantung pada tibanya waktu untuk bertindak berdasarkan ramalan tersebut. "A good weather forecast, delivered at the right time, on the right communication channel, can be a big differentiator for agricultural outcomes," she said, noting that East Africa has been oscillating between the driest years on record and the wettest years ever. In a region where farms largely lack irrigation and planting, fertilizing, and seed-purchase decisions all ride on the outlook, a more skillful sub-seasonal forecast is not an abstract improvement.
"Because we are in the midst of the warmest El Niño ever on record, there is a lot of fear among governments and in the climate science community about how that will manifest," Flaspohler said. “Ada kebutuhan besar akan metode peramalan sederhana yang dapat bekerja dengan baik.”
Argumen Efisiensi di Era Model yang Lebih Besar
Apa yang membuat PBC menonjol dalam penelitian AI adalah ekonominya. While much of the field races to train ever-larger end-to-end forecasting models, PBC is a comparatively small system that borrows most of its skill from the operational models it corrects. That makes it cheaper to run and easier for meteorological agencies to adopt, since they can keep their existing infrastructure and simply add a correction layer.
It also reflects a broader pattern in applied machine learning: post-processing and calibration often deliver gains that would otherwise require a full model rework. For weather services weighing where to spend limited budgets, a method that demonstrably improves the hardest forecast range — validated both in Nature and in a live ECMWF competition — is likely to draw attention.
Perkembangan AI Sub-Musim Selanjutnya
Microsoft's blog post stops short of announcing an operational product, and the company has not said whether PBC will be integrated into commercial forecasting offerings. The near-term test is whether national weather services begin adopting bias-correction layers like PBC for their sub-seasonal outlooks, and whether the approach composes well with the AI forecasting models now entering operational use.
If it does, the two-to-six-week window — the stretch where farmers, grid operators, and disaster planners have historically had the least to work with — may finally start closing. For a field that has spent decades chasing marginal gains in skill, letting a small machine learning system clean up the systematic errors of giant physical models is a pragmatic kind of progress.
---
Tetap Terdepan dalam AIDapatkan berita, analisis, dan terobosan AI terkini — semuanya di satu tempat.
Baca berita AI selengkapnya →
