Microsoft presenterar maskininlärningsverktyg för att förbättra medellånga väderprognosers noggrannhet

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

Microsoft har utvecklat en maskininlärningsmetod för att förbättra väderprognoser två till sex veckor framåt genom att korrigera snedvridningar i befintliga modeller, vilket hjälper till med planering inom jordbruk och beredskap.

Microsofts forskare har introducerat en ny maskininlärningsteknik som syftar till att förbättra noggrannheten i medellånga väderprognoser, vilket tar itu med en långvarig begränsning i traditionella och AI-baserade prognosmetoder. Denna kostnadseffektiva metod, kallad Probabilistic Bias Correction (PBC), publicerades i tidskriften Nature och är utformad för att förbättra väderprognoser från två till sex veckor i förväg, en tidsperiod då prognosens tillförlitlighet vanligtvis minskar.

Till skillnad från konventionella fysikbaserade prognosmodeller som simulerar jordens atmosfäriska fysik, eller AI-modeller som förutsäger baserat på historiska väderdata, möter båda utmaningar med approximationer som används för att fylla datagap. Dessa approximationer kan introducera systematiska snedvridningar som ackumuleras över längre prognosperioder och minskar precisionen. Till exempel kan klimatförändringar såsom global uppvärmning göra att modeller som förlitar sig på historisk data underskattar aktuella temperaturer.

Microsofts PBC använder maskininlärning för att identifiera och korrigera dessa systematiska snedvridningar i befintliga prognosmodeller. Den har testats på European Centre for Medium-Range Weather Forecasts (ECMWF) ledande fysikbaserade modell och förbättrade prognosnoggrannheten för nederbörd i 98 % av fallen och temperaturprognoser i 92 %. Dessutom fördubblade PBC noggrannheten i ECMWF:s nya AI-baserade prognossystem under studiens analyser. Denna forskning erkändes av ECMWF genom dess AI Weather Quest-tävling.

Viktigt är att PBC är beräkningsmässigt effektiv och kan köras på CPU:er utan behov av kraftfulla superdatorer eller GPU:er, vilket gör det tillgängligt för vädermyndigheter med begränsade resurser – särskilt i ekonomiskt utvecklingsområden. Forskare betonar att den lätta arkitekturen gör det möjligt för forskare globalt att anpassa verktyget för lokal förbättring av väderprognoser.

Genevieve Flaspohler, studiens författare och verkställande direktör för Rhiza Research, samarbetar för närvarande med Kenyas meteorologiska myndighet, finansierad av Gates Foundation, för att implementera AI-drivna tidiga varningssystem inför en förväntad mer extrem regnperiod kopplad till El Niño. PBC-metoden är en del av denna satsning för att leverera mer exakta och tidsenliga prognoser som kan gynna jordbrukare och räddningstjänster.

Även om lovande, varnar experter för att operativ användning av nya AI-prognosmetoder fortfarande är komplex, men Microsofts tillvägagångssätt markerar ett betydande steg mot mer tillförlitliga medellånga väderprognoser och bredare tillgång till avancerad prognosteknologi.