Microsoft Research hat Probabilistic Bias Correction (PBC) entwickelt, ein Machine-Learning-Framework zur Verbesserung von Wetterprognosen für zwei bis sechs Wochen. Es ersetzt bestehende Wettermodelle nicht, sondern korrigiert deren Vorhersagen. Laut Microsoft zeigen erste Auswertungen Verbesserungen bei der Prognose von Temperatur, Niederschlag und Luftdruck.
Aus früheren Fehlern lernen, statt das Modell zu ersetzen
Als Grundlage dienen frühere Vorhersagen eines bestimmten Modells. Nach Angaben von Microsoft Research sucht PBC darin mit einem schlanken Machine-Learning-System nach systematischen Abweichungen und wendet die erlernten Korrekturen anschließend auf die ausgegebene Prognose an. Das ursprüngliche Wettermodell bleibt dabei Teil des Verfahrens. Die Forschenden beschrieben die Methode kürzlich in einem Artikel in der Fachzeitschrift Nature.
Den Unterschied zu üblichen Niederschlagskorrekturen erläutert der Meteorologe Phillip Okello von der Kenya Meteorological Service Authority (KMSA): Während diese meist die vorhergesagte Regenmenge verändern, korrigiert PBC die Wahrscheinlichkeiten selbst. Microsoft zufolge wird PBC für die mehrwöchigen Prognosen gezielt auf bessere Ergebnisse an einzelnen Standorten trainiert, damit lokale Wetterdienste die Prognosen globaler Modelle besser nutzen können.
Ergebnisse mit zwei ECMWF-Systemen
Microsoft Research berichtet von weiteren Verbesserungen beim operativ eingesetzten Modell für mehrwöchige Prognosen des Europäischen Zentrums für mittelfristige Wettervorhersage (ECMWF), das bereits eine Korrektur systematischer Fehler nutzte. Der Anteil der Vorhersageziele, bei denen PBC das Ergebnis verbesserte, lag bei 98 % für Niederschlag, 92 % für Temperatur und 91 % für Luftdruck.
Als weiteres Ergebnis meldete Microsoft Research eine Verdopplung der Genauigkeit des AI Forecasting System (AIFS) von ECMWF durch den Einsatz von PBC. Diese Angabe unterscheidet sich von den Prozentwerten beim zuvor genannten Modell: Dort geht es um den Anteil der Ziele mit Verbesserungen, nicht um das Ausmaß des Genauigkeitsgewinns.
MicroDuet kombiniert Korrekturen mit dynamischen und hybriden Modellen
Für den Wettbewerb AI Weather Quest entwickelte das Team MicroEnsemble aus Microsoft-Forschenden und externen Mitwirkenden die Lösung MicroDuet. Laut Microsoft korrigierte PBC darin die Vorhersagen des dynamischen ECMWF-Modells sowie die von PoET. Dieses hybride Modell verbindet KI mit einem dynamischen Ansatz und verbessert mithilfe von Transformern Gruppen probabilistischer Vorhersagen, sogenannte Ensembles.
In der ersten dreimonatigen Wettbewerbssaison belegte MicroDuet laut Microsoft bei allen bewerteten meteorologischen Größen und Vorhersagehorizonten den ersten Platz. Die Lösung lag vor sechs führenden operativen Vorhersagezentren und den Systemen von 34 Teams aus aller Welt. Auch über ein volles Jahr mit Echtzeitprognosen lieferte MicroDuet nach Angaben des Unternehmens die genauesten Ergebnisse.
Microsoft nennt zwei schwere Winterstürme, die die Vereinigten Staaten Anfang 2026 trafen. MicroDuet habe sie mit einem Vorlauf von 19 bis 26 Tagen vorhergesagt.
Unterstützung für Regenprognosen in Kenia
Zu Beginn einer der beiden Regenzeiten in Kenia wird PBC dort im Rahmen von Tests und Pilotprojekten mit KI-Modellen erprobt. Bei der Vorbereitung wöchentlicher Prognoseaktualisierungen hilft es dem KMSA-Team, die Wahrscheinlichkeit sehr starker oder sehr geringer Niederschläge einzuschätzen.
Okello zufolge verbesserte PBC die Prognosen in der Region des Großen Horns von Afrika stärker als alle anderen Methoden, die sein Team getestet hatte. Als nächsten Schritt nennt er präzisere Vorhersagen für Starkregen und Trockenperioden, die für Landwirte besonders wichtig sind.
Offenes Framework und nicht öffentliche Tests des S2S-Modells
PBC selbst ist bereits als Open-Source-Software verfügbar. Forschende und Entwickler können das Framework untersuchen, bewerten und weiterentwickeln.
Mit Blick auf weitere Anwendungen der Technologie stellte Microsoft auch den aktuellen Stand seines Modells Microsoft Weather sub-seasonal-to-seasonal (S2S) vor. Es läuft in Echtzeit und liefert wöchentliche probabilistische Ausblicke für bis zu sechs Wochen im Voraus. Anders als das offene Framework befindet sich S2S in einer Private Preview, einer nicht öffentlichen Testphase für ausgewählte Kunden.
