AREX Feed Article
Nadella 称微软新研究登 Nature：机器学习可改善 2～6 周天气预报
10 月 14 日，Nature 刊出论文，提出一种名为 Probabilistic Bias Correction（PBC，概率偏差订正）的机器学习框架。10 月 16 日，微软董事长兼 CEO 称，这项「我们的新研究」表明机器学习可以改善未来 2～6 周的天气预报，而这个时间尺度历来很难预测。帖文附带的链接指向，新闻稿再链接到 Nature 论文。
这篇由微软研究院与欧洲中期天气预报中心（ECMWF）等机构的研究者共同完成的论文，摘要给出的关键数字是：把 PBC 用于 ECMWF 的动力集合预报，降水、气温、气压三类目标中，预报技巧优于 ECMWF 业务化偏差订正预报的比例分别为 98%、92%、91%。
微软研究院配发的卫星影像：美国东北海岸外的风暴。图片来源：Microsoft Research
两周之后，误差开始累积
次季节预报覆盖未来 2～6 周。论文把这段窗口与农业规划、水资源分配、灾害准备和能源管理直接挂钩。两周以内的天气预报已经相当可靠，但再往后，动力模式从初始条件出发逐步积分，AI 模式从历史数据里学规律，两者都会因为误差累积、系统性偏差和大气的混沌特性而迅速失准。论文写道，业务动力集合甚至领先的概率 AI 模式，在更长的次季节时效上常常不如气候平均，热带以外尤其明显。
PBC 不另造模式：它把现有模式的集合预报当成输入，学习它在历史上怎样出错。它先按地点、日期和分位数学习订正量（Debias++），再把预报与滞后观测、气候平均混合，吸收近期天气趋势和年内日期效应（Persistence++）；两路结果投影到有效的累积分布函数空间后平均，输出最终的概率预报。论文称，这套框架兼容任何输入模型，也可以针对任何气象变量、任何网格和任意数量的分位数箱。
微软研究院资深首席研究员 Lester Mackey 在机构新闻稿里说：「我们的新流程（PBC）把你选中的模型作为输入，学习它容易在哪些方面出错，然后纠正这些错误，给出更好的次季节预报。」
论文强调 PBC 的轻量设计。它不训练一个新的全球预报模型，而是在已有预报上做统计订正。Mackey 对 说，这个工具可以只在 CPU（中央处理器）上运行。
Nature 论文图 1：PBC 的工作流程示意。图片来源：Nature
回测口径与比较基线
论文的评估沿用 ECMWF 的 AI Weather Quest 比赛设定：全球 1.5° 经纬网格，气温和降水只算陆地占优的格点，预报目标是一周平均的 2 米气温、一周累计降水和平均海平面气压，每个格点分成五个气候五分位。技巧用 RPSS 衡量，基准是气候平均；正值为优于气候平均，负值为不如。
评估期主要是 2016～2024 年，真值用 ERA5 再分析。论文把评估范围限定在第 3 周（第 19～25 天）和第 4 周（第 26～32 天），而不是整个 2～6 周区间。Nadella 帖文里的「2 到 6 周」比论文实际评估的区间更宽。
在这个口径下，原始 ECMWF 集合的降水 RPSS 只有 0.023，PBC 把它提高到原来的约三倍；原本为负的气温和气压技巧被翻成正值。与 ECMWF 业务上使用的偏差订正相比，PBC 把气温和气压的技巧分别提高 26～37% 和 16～32%。对 AIFS-SUBS，PBC 把各变量、各时效的平均 RPSS 从 0.03 提高到约 0.06。
论文还报告了洪水预报的结果：对全球灾害警报与协调系统（GDACS）在 2016～2026 年记录的洪水事件，PBC 把洪水预报技巧提高 76～92%；对造成超过 100 人死亡或 8 万人流离失所的严重洪水，提高 86～150%。
MicroDuet 在实时比赛里领先，靠的是后处理
AI Weather Quest 由 ECMWF 在 2025 年发起，参赛者每周提交第 3 周和第 4 周的概率预报，赛季结束后按 RPSS 排名。论文作者把 PBC 订正后的 ECMWF 集合与 PBC 订正后的 POET 混合模式组成一个集成，取名 MicroDuet 参赛。论文报告，在 2025 年 9～11 月的首个赛季，MicroDuet 在所有气象变量和所有时效上都排第一，胜过六个业务预报中心（ECMWF、NOAA、ECCC、HMCR、KMA、JMA）的动力模式、一个多模式集成、三个版本的 AIFS-SUBS，以及全球 34 支参赛队的系统。
ECMWF 自己 给出了同样的结论：在两个赛季、两个时效上，MicroDuet 一直领跑排行榜，并对所有变量和时效显著优于 ECMWF 的综合预报系统（IFS）。
2025 年 11 月 20 日，MicroDuet 的第 4 周气温预报捕捉到 12 月中旬美国东部的寒潮，业务化偏差订正的 ECMWF 漏掉了它。论文用这类案例说明，PBC 可能改善对高影响极端天气的早期识别。
微软研究院图 2：2025 年 12 月 15～21 日美国气温距平（左），以及 MicroDuet 与业务化偏差订正 ECMWF 给出的最低气温五分位概率预报。图片来源：Microsoft Research
同一篇 ECMWF 回顾也给这个结果划了边界：能显著超过领先动力系统的机器学习模型很少，做到这一点的模型都依赖动力模式输入，属于后处理或混合设计。PBC 是后处理：它的输入是 ECMWF 的集合预报。
肯尼亚的每周预报更新
论文之外，PBC 已经进入实际预报的试用。微软研究院的新闻稿说，肯尼亚气象局（Kenya Meteorological Service Authority，KMSA）的预报员正在把 PBC 纳入每周预报更新，用来识别极强或极弱降水的概率；此时肯尼亚正进入两个雨季之一。
KMSA 首席气象学家 Phillip Okello 说：「多数偏差订正只是调整预报说会下多少雨。PBC 订正的是概率本身；在非洲之角及周边地区，它比我们测试过的任何方法都更好地改善了我们的预报。下一步是改进它对暴雨和少雨期的预报，这对农民最重要。」
论文作者之一 Genevieve Flaspohler 现在领导非营利组织 Rhiza Research，她参与推动这项试点。她在微软研究院的新闻稿里说，一套在正确时间、通过正确渠道送达的好预报，可以明显改变农业结果；在东非，这一点尤其重要，因为当地在史上最干旱的年份和最多雨的年份之间来回摆动。
论文称，配套代码已经开源；The Verge 给出的仓库是 。研究者希望，轻量、可在 CPU 上运行、开源这三点，能让资源有限的气象机构也用上它。微软研究院的新闻稿同时注明，现在仍是生长季早期，初步报告看起来有希望。
「智能验证系统」比论文走得更远
Nadella 在帖文后半段把话题从天气推到更一般的判断：未来或许不只是关于能力越来越强的模型，而是围绕这些模型构建「智能验证系统」。这类系统学习模型在何处系统性出错，对因果关系进行推理，并持续依据现实校准预测。
这段话的前半部分可以在论文里找到对应：PBC 学的就是模型的历史系统性偏差，并用观测和 ERA5 再分析逐日重新训练。作者在讨论部分把它定位为后处理工具，而不是输入模型的替代品；把「因果推理」写进验证系统的定义，是 Nadella 在这条帖文里提出的判断，论文报告的是历史偏差可以被学习并订正。
ECMWF 机器学习战略负责人 Matthew Chantry 对 The Verge 说，这篇论文是新想法让社区受益和参考的一个好例子，但「一如既往，把想法变成业务化流程中的现实，是最困难的一步」。
ECMWF 在赛事回顾里也把「把这些改进转化为国家气象部门定期发布的可行动指引」列为仍待解决的挑战。