Väderprognoser har blivit anmärkningsvärt tillförlitliga över korta horisonter: dagens modeller är mycket exakta till cirka två veckor, och långväga klimatprognoser förbättras också stadigt. Mellan dessa två tidsskalor sitter dock en envis blind fläck. Prognoser i två till sex veckors fönster - känd som undersäsongsprognos - förblir opålitliga, även om det är just det intervallet som är viktigt för att bestämma när man ska plantera grödor, hur man fördelar vatten och energi och hur man förbereder sig för skogsbränder.
Microsoft Research och ett nätverk av externa medarbetare säger att de har hittat ett sätt att minska det gapet, inte genom att bygga ännu en prognosmodell, utan genom att lära mjukvara att korrigera de förutsägbara misstagen i de modeller som redan finns. Tillvägagångssättet, som kallas Probabilistic Bias Correction (PBC), beskrivs i en artikel publicerad i den vetenskapliga tidskriften Nature och beskrivs i ett Microsoft-blogginlägg som publicerades denna vecka. Det är ett av de mer tysta praktiska bidragen i vågen av tillämpad AI-forskning som täcks av den senaste AI-utvecklingen, eftersom den uppgraderar de system som meteorologer redan förlitar sig på snarare än att be dem byta till något nytt.
Varför två till sex veckors fönster trotsar prognoser
Fysikbaserade modeller simulerar atmosfären och haven med hjälp av vetenskapliga ekvationer, medan nyare AI-modeller tränar på stora arkiv av observerade väderdata. Enligt Microsoft presterar båda familjerna bra ut till ungefär tio dagar. Bortom den punkten förvärras små initiala fel och de komplexa interaktionerna mellan atmosfären, haven och landytan överväldigar båda tillvägagångssätten, vilket är anledningen till att utsikterna för två till sex veckor har länge släpat efter resten av prognoserna.
Istället för att gå in i ett myllrande fält av konkurrerande modeller fokuserade det Microsoft-ledda teamet på ett annat mål: de systematiska, repeterbara felen som modellerna gör i det här sortimentet. "Vår nya pipeline (PBC) tar din favoritmodell som input och lär sig på vilka sätt den tenderar att göra fel. Den korrigerar sedan dessa fel, vilket ger en bättre outputprognos för undersäsongsintervallet", förklarade företaget i sitt blogginlägg.
Ett lätt lager ovanpå befintliga modeller
Tekniskt sett är PBC ett lättviktigt maskininlärningssystem som studerar varje given modells arkiv med historiska prognoser för att lära sig var och hur den systematiskt är partisk. När dessa mönster är inlärda justerar systemet modellens probabilistiska utdata för att kompensera. I utvärderingar som beskrivs i Nature-dokumentet rapporterar Microsoft att PBC förbättrade prestandan för världens ledande operativt förutsatta undersäsongsmodell, som drivs av European Centre for Medium-Range Weather Forecasts (ECMWF).
Resultaten höll i sig i livetävling, inte bara i retrospektiva tester. ECMWF lanserade AI Weather Quest i augusti 2025, en realtidstävling utformad för att främja probabilistiska undersäsongsprognoser. Ett team som heter MicroEnsemble, som består av Microsoft-forskare och externa samarbetspartners, tog högsta betyg med ett bidrag kallat MicroDuet, som tillämpade PBC på ECMWFs branschledande dynamiska modell.
"AI Weather Quest tillhandahåller en unik plattform för benchmarking i realtid för undersäsongsprognoser", säger Dr. Joshua Talib, en forskare inom undersäsongsprognos vid ECMWF. "Bidrag från Team MicroEnsemble lyfte fram hur maskininlärning kan förbättra färdigheten hos traditionella dynamiska prognossystem genom efterbearbetning."
Från benchmark till verkliga piloter i Östafrika
Tekniken går redan bortom riktmärken. I Kenya förbereder sig prognosmakare för att testa PBC när en av landets två regnperioder börjar. Insatsen involverar Kenya Meteorological Service Authority (KMSA) och forskare vid Climate Hazards Center vid University of California, Santa Barbara, med råd från Genevieve Flaspohler, som driver Rhiza Research, en ideell organisation fokuserad på att förbättra AI-driven väderprognos.
Flaspohler menar att värdet av en prognos beror på att man kommer i tid för att agera på den. "En bra väderprognos, levererad vid rätt tidpunkt, på rätt kommunikationskanal, kan vara en stor skillnad för jordbruksresultat", sa hon och noterade att Östafrika har pendlat mellan de torraste åren någonsin och de regnigaste åren någonsin. I en region där gårdar till stor del saknar bevattning och plantering, gödsling och köp av utsäde allt beror på utsikterna, är en skickligare undersäsongsprognos inte en abstrakt förbättring.
"Eftersom vi är mitt i den varmaste El Niño som någonsin registrerats, finns det mycket rädsla bland regeringar och inom klimatvetenskapssamfundet om hur det kommer att manifestera sig", sa Flaspohler. "Det finns ett stort behov av enkla prognosmetoder som fungerar robust."
Ett effektivitetsargument i en tid av större modeller
Det som gör PBC anmärkningsvärt inom AI-forskning är dess ekonomi. Medan mycket av fältet tävlar om att träna allt större end-to-end prognosmodeller, är PBC ett jämförelsevis litet system som lånar det mesta av sin skicklighet från de operativa modeller som det korrigerar. Det gör det billigare att driva och lättare för meteorologiska myndigheter att anta, eftersom de kan behålla sin befintliga infrastruktur och helt enkelt lägga till ett korrigeringslager.
Det speglar också ett bredare mönster inom tillämpad maskininlärning: efterbearbetning och kalibrering ger ofta vinster som annars skulle kräva en fullständig omarbetning av modellen. För vädertjänster som väger var man ska spendera begränsade budgetar, kommer sannolikt en metod som bevisligen förbättrar det hårdaste prognosintervallet – validerad både i naturen och i en live ECMWF-tävling – att dra uppmärksamhet.
Vad kommer härnäst för AI under säsong
Microsofts blogginlägg slutar med att tillkännage en operativ produkt, och företaget har inte sagt om PBC kommer att integreras i kommersiella prognoserbjudanden. Det kortsiktiga testet är huruvida nationella vädertjänster börjar anta förspänningskorrigerande lager som PBC för sina undersäsongsutsikter, och om tillvägagångssättet passar bra med AI-prognosmodellerna som nu börjar användas i drift.
Om den gör det, kan fönstret på två till sex veckor – sträckan där bönder, nätoperatörer och katastrofplanerare historiskt sett har haft minst att arbeta med – äntligen börja stängas. För ett område som har ägnat årtionden åt att jaga marginella vinster i skicklighet är det en pragmatisk sorts framsteg att låta ett litet maskininlärningssystem rensa upp de systematiska felen i gigantiska fysiska modeller.
---
Stay ahead of AIFå de senaste AI-nyheterna, analyserna och genombrotten – allt på ett ställe.
Läs mer AI-nyheter →
