Prognoza meteo a devenit remarcabil de fiabilă pe orizonturi scurte: modelele de astăzi sunt foarte precise până la aproximativ două săptămâni, iar proiecțiile climatice pe termen lung se îmbunătățesc în mod constant. Între aceste două scale de timp, însă, se află un punct orb încăpățânat. Prognozele din fereastra de două până la șase săptămâni – cunoscută sub denumirea de prognoză subsezonală – rămân nesigure, chiar dacă tocmai acesta este intervalul care contează pentru a decide când să plantezi culturile, cum să alocați apă și energie și cum să vă pregătiți pentru incendii.
Microsoft Research și o rețea de colaboratori externi spun că au găsit o modalitate de a reduce acest decalaj, nu prin construirea unui alt model de prognoză, ci prin predarea software-ului pentru a corecta greșelile previzibile ale modelelor care există deja. Abordarea, numită Probabilistic Bias Correction (PBC), este detaliată într-o lucrare publicată în revista științifică Nature și descrisă într-o postare de blog Microsoft publicată în această săptămână. Este una dintre cele mai liniștite intrări practice din valul de cercetare aplicată AI acoperite printre cele mai recente dezvoltări AI, deoarece actualizează sistemele pe care meteorologii se bazează deja, mai degrabă decât să le ceară să treacă la ceva nou.
De ce fereastra de două până la șase săptămâni sfidează prognoza
Modelele bazate pe fizică simulează atmosfera și oceanele folosind ecuații științifice, în timp ce modelele AI mai noi se antrenează pe arhive vaste de date meteorologice observate. Potrivit Microsoft, ambele familii au rezultate bune până la aproximativ zece zile. Dincolo de acest punct, micile erori inițiale se agravează, iar interacțiunile complexe dintre atmosferă, oceane și suprafața terestră copleșesc ambele abordări, motiv pentru care perspectivele de la două până la șase săptămâni au întârziat de mult restul prognozelor.
În loc să intre într-un domeniu aglomerat de modele concurente, echipa condusă de Microsoft s-a concentrat pe o țintă diferită: erorile sistematice și repetabile pe care modelele le fac în această gamă. „Noul nostru pipeline (PBC) ia modelul tău preferat ca intrare și învață în ce moduri tinde să facă erori. Apoi corectează acele erori, obținând o prognoză mai bună a producției pentru intervalul sub-sezon”, a explicat compania în postarea pe blog.
Un strat ușor deasupra modelelor existente
Din punct de vedere tehnic, PBC este un sistem ușor de învățare automată care studiază arhiva de prognoze istorice a oricărui model dat pentru a afla unde și cum este părtinită în mod sistematic. Odată ce aceste modele sunt învățate, sistemul ajustează rezultatul probabilistic al modelului pentru a compensa. În evaluările descrise în documentul Nature, Microsoft raportează că PBC a îmbunătățit performanța celui mai important model subsezonal debiasat operațional din lume, operat de Centrul European pentru Prognozele Meteo pe Interval Mediu (ECMWF).
Rezultatele s-au păstrat în competiție live, nu doar în teste retrospective. ECMWF a lansat AI Weather Quest în august 2025, o competiție în timp real concepută pentru a promova prognoza probabilistică sub-sezonală. O echipă numită MicroEnsemble, formată din cercetători Microsoft și colaboratori externi, a câștigat cele mai mari onoruri cu o înregistrare numită MicroDuet, care a aplicat PBC modelului dinamic ECMWF lider în industrie.
„AI Weather Quest oferă o platformă unică de analiză comparativă în timp real pentru prognozele subsezonale”, a spus dr. Joshua Talib, om de știință în prognoza subsezonală la ECMWF. „Contribuțiile echipei MicroEnsemble au evidențiat modul în care învățarea automată poate îmbunătăți abilitățile sistemelor tradiționale de prognoză dinamică prin post-procesare.”
De la benchmark la piloți din lumea reală în Africa de Est
Tehnica trece deja dincolo de punctele de referință. În Kenya, meteorologii se pregătesc să testeze PBC pe măsură ce unul dintre cele două sezoane ploioase ale țării începe. Efortul implică Autoritatea Serviciului Meteorologic din Kenya (KMSA) și oameni de știință de la Centrul de Riscuri Climatice de la Universitatea din California, Santa Barbara, cu sfatul lui Genevieve Flaspohler, care conduce Rhiza Research, o organizație nonprofit axată pe îmbunătățirea prognozelor meteo bazate pe inteligență artificială.
Flaspohler susține că valoarea unei prognoze depinde de sosirea la timp pentru a acționa asupra ei. „O prognoză meteo bună, transmisă la momentul potrivit, pe canalul de comunicare potrivit, poate fi un mare diferențiere pentru rezultatele agricole”, a spus ea, menționând că Africa de Est a oscilat între cei mai secetoși ani înregistrati și cei mai umezi ani vreodată. Într-o regiune în care fermele nu au în mare măsură irigare, iar deciziile de plantare, fertilizare și cumpărare de semințe se bazează pe perspective, o prognoză sub-sezonală mai pricepută nu este o îmbunătățire abstractă.
„Deoarece ne aflăm în mijlocul celui mai cald El Niño înregistrat vreodată, există o mare teamă în rândul guvernelor și în comunitatea științei climatice cu privire la modul în care se va manifesta acest lucru”, a spus Flaspohler. „Există o mare nevoie de metode simple de prognoză care funcționează robust.”
Un argument de eficiență într-o eră a modelelor mai mari
Ceea ce face PBC remarcabil în cercetarea AI este economia sa. În timp ce mare parte din câmpul se concurează pentru a pregăti modele de prognoză din ce în ce mai mari, PBC este un sistem relativ mic, care își împrumută cea mai mare parte a abilităților de la modelele operaționale pe care le corectează. Acest lucru face să fie mai ieftin de rulat și mai ușor de adoptat de către agențiile meteorologice, deoarece își pot păstra infrastructura existentă și pot adăuga pur și simplu un strat de corecție.
De asemenea, reflectă un model mai larg în învățarea automată aplicată: post-procesarea și calibrarea oferă adesea câștiguri care altfel ar necesita o reelaborare completă a modelului. Pentru serviciile meteorologice care cântăresc unde să cheltuiască bugete limitate, este probabil să atragă atenția o metodă care îmbunătățește în mod demonstrabil cel mai greu interval de prognoză – validată atât în Nature, cât și într-o competiție live ECMWF.
Ce urmează pentru AI subsezonal
Postarea de blog a Microsoft se oprește înainte de a anunța un produs operațional, iar compania nu a spus dacă PBC va fi integrat în ofertele de prognoză comercială. Testul pe termen scurt este dacă serviciile meteorologice naționale încep să adopte straturi de corectare a părtinirii, cum ar fi PBC, pentru perspectivele lor subsezoniere și dacă abordarea se combină bine cu modelele de prognoză AI care intră acum în utilizare operațională.
Dacă se va întâmpla, fereastra de două până la șase săptămâni – perioada în care fermierii, operatorii de rețea și planificatorii de dezastre au avut cel mai puțin de lucrat – ar putea începe în sfârșit să se închidă. Pentru un domeniu care a petrecut zeci de ani urmărind câștiguri marginale în competențe, a lăsa un mic sistem de învățare automată să curețe erorile sistematice ale modelelor fizice gigantice este un tip de progres pragmatic.
---
Rămâneți înaintea AIObțineți cele mai recente știri, analize și descoperiri despre AI - toate într-un singur loc.
Citiți mai multe știri AI →
