Microsoft lanserer maskinlæringsverktøy for å forbedre nøyaktigheten i værvarsling på middels sikt

Bilde: Illustrative image · Logos of the Nokia Corporation and that of Windows Phone 8 by the Microsoft Corporation. · Public domain · Kilde

Microsoft har utviklet en maskinlæringsmetode for å forbedre værvarsler to til seks uker fremover ved å korrigere skjevheter i eksisterende modeller, noe som bistår planlegging innen landbruk og krisehåndtering.

Microsoft-forskere har introdusert en ny maskinlæringsteknikk som har som mål å forbedre nøyaktigheten i værvarsling på middels sikt, og tar tak i en langvarig begrensning i tradisjonelle og AI-baserte prognosemetoder. Denne kostnadseffektive løsningen – kalt Probabilistic Bias Correction (PBC) – ble publisert i tidsskriftet Nature, og er utviklet for å forbedre værvarsler fra to til seks uker i forkant, en tidsperiode hvor påliteligheten i prognosene vanligvis avtar.

I motsetning til konvensjonelle fysikkbaserte prognosemodeller som simulerer jordens atmosfæriske fysikk, eller AI-modeller som baserer sine prediksjoner på historiske værdata, møter begge utfordringer knyttet til tilnærminger brukt for å fylle datagap. Disse tilnærmingene kan introdusere systematiske skjevheter som akkumuleres over lengre prognoseperioder og reduserer presisjonen. For eksempel kan klimaendringer som global oppvarming føre til at modeller som baseres på historiske data undervurderer dagens temperaturer.

Microsofts PBC bruker maskinlæring for å identifisere og korrigere disse systematiske skjevhetene i eksisterende prognosemodeller. Den har blitt testet på European Centre for Medium-Range Weather Forecasts' (ECMWF) ledende fysikkbaserte modell, og forbedret prognosenøyaktigheten for nedbør i 98 % av tilfellene og temperaturprognoser i 92 %. I tillegg doblet PBC nøyaktigheten til ECMWFs nye AI-baserte varslingssystem under studiens analyser. Denne forskningen ble anerkjent av ECMWF gjennom deres AI Weather Quest-konkurranse.

Viktig er det at PBC er beregningseffektivt og kan kjøres på CPU-er uten behov for strømforbrukende superdatamaskiner eller GPU-er, noe som gjør det tilgjengelig for værinstitusjoner med begrensede ressurser – spesielt i økonomisk utviklende regioner. Forskere fremhever at den lette arkitekturen gjør det mulig for forskere verden over å tilpasse verktøyet for lokal forbedring av værvarsling.

Genevieve Flaspohler, en av studiens forfattere og administrerende direktør for Rhiza Research, samarbeider for tiden med Kenyas meteorologiske myndighet, støttet av Gates Foundation, for å implementere AI-drevne tidlige varslingssystemer foran en forventet mer ekstrem regnsesong knyttet til El Niño. PBC-metoden er en del av denne satsingen for å levere mer nøyaktige og tidsriktige varsler som kan ha nytte for bønder og krisehåndterere.

Selv om dette er lovende, advarer eksperter om at operativ implementering av nye AI-varslingsmetoder fortsatt er kompleks, men Microsofts tilnærming representerer et betydningsfullt steg mot mer pålitelig middel-lang tids værvarsling og bredere tilgang til avansert prognoseteknologi.