AREX Feed Article
微软研究院 Probabilistic Bias Correction 改进两周至六周延伸期预报，登上《自然》并获 ECMWF 全球竞赛头名
10 月 14 日，微软研究院通过官方账号 宣布：其机器学习框架 Probabilistic Bias Correction（概率偏差校正，简称 PBC）改进了延伸期天气预报，在一场全球预报竞赛中获得最高荣誉，并显示出实际应用的潜力。同一天，这项研究的论文发表在上；与竞赛主办方 ECMWF 的各自记录可以相互印证。
论文给出的核心数字是：把 ECMWF 人工智能预报系统 AIFS 的次季节（2～6 周）预报技能翻倍；对全球业务中去偏差处理后的 ECMWF 动力模式，PBC 在 91% 的气压、92% 的温度和 98% 的降水预报目标上带来技能提升。竞赛方面，由微软与外部合作者组成的 MicroEnsemble 队，其参赛系统 MicroDuet 在 ECMWF 于 2025 年 8 月启动的 AI Weather Quest 首个三个月赛季中，在全部天气变量和预见期上排名第一，成绩超过六家业务预报中心和全球 34 支队伍的预报系统；PBC 代码已在 GitHub 开源，并在肯尼亚气象局的雨季预报中试用。
图片来源：Microsoft Research 博客；卫星影像鸣谢 CSU/CIRA & NOAA。
两周至六周：预报里的「可预报性沙漠」
论文与博客给出同样的判断：如今两周以内的天气预报已相当可靠，物理动力模式和 AI 模式都能做到；但一到 2～6 周的次季节（sub-seasonal）时段，模式技能急剧下滑。原因在里写得很具体：预报由模式逐时间步迭代生成，每一步的小误差在数周内复合放大；大气、陆地、海洋和海冰又以不同时间尺度相互作用，次季节预报因此长期被视作「可预报性沙漠」（predictability desert）。论文还指出，在更长的次季节预见期上，业务动力集合预报乃至最先进的概率 AI 模型常常跑不过「气候平均」这条基线，热带以外尤其明显。
这条空档直接影响真实决策。论文列举的用途包括农业规划、野火管理、水和能源调配以及极端天气准备。@MSFTResearch 的帖文把话说得更直白：两周之后的预报不可靠，给农民等群体留下一处关键缺口。
不做新模型，微软选择修正现有模式的系统性错误
微软研究院新英格兰实验室高级首席研究员 Lester Mackey 在博客中解释了思路：「我们的新流程（PBC）以你手头任意的模式为输入，学习它容易在哪些地方犯错，然后修正这些错误，得到更好的次季节预报输出。」
具体机制在论文中有完整描述。给定一组原始确定性预报集合，PBC 先把它与历史观测或模式自身后报得到的气候分位数区间对比，形成初始概率预报；随后两个轻量机器学习模型并行工作——Debias++ 按地点、日期和分位数学习针对性修正，Persistence++ 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季节效应；最后把两路修正投影到有效累积分布函数（CDF）空间并取平均，得到最终概率预报。整个流程每天只用「发布当日可获得的数据」增量重训，以模拟业务运行环境。论文的评估对象是 2 米温度（陆地）、降水（陆地）和海平面气压，全球 1.5° 经纬网格、五个分位区间（quintile，五分位），检验第 3 周（19～25 天）和第 4 周（26～32 天），指标为相对气候基线的排序概率技能评分（RPSS），地面真值取 ERA5 再分析数据。
数字方面，论文报告：PBC 把 ECMWF 原始集合预报本就为正的降水技能（RPSS 0.023）提升至三倍，并把原本为负技能的温度、海平面气压预报整体转为持续优于气候平均的正技能预报；相对于 ECMWF 自己的业务去偏差方案，PBC 把温度和气压的正 RPSS 分别再提升 26%～37% 和 16%～32%（两者基线分别为 0.07～0.10 和 0.06～0.11），技能增益覆盖 98% 的降水格点、91%～92% 的温度格点和 89%～91% 的气压格点；对 AIFS，PBC 把各变量、各预见期的平均 RPSS（0.03）翻倍。 补充了一个直观例子：气候变暖让基于历史记录的模式偏向「比今天更冷」的预报，PBC 学到的正是这类系统性偏差的修正。
Mackey 告诉 The Verge，与跑在超算上的物理模式、依赖强大 GPU 的生成式 AI 不同，这个工具可以只在 CPU 上运行。「我对天气预报资源效率的提升、以及预报尤其是极端天气预报可靠性的延长，都抱有很大希望。」研究人员希望，这也为算力紧张的气象机构提供了一条用 AI 改进精度的低门槛路径。
MicroDuet 在 AI Weather Quest 连续领跑
2025 年 8 月，ECMWF 启动 ，一场实时进行的全球次季节概率预报竞赛：参赛队伍每周提交覆盖全球的预报，检验窗口为第 19～25 天和第 26～32 天，变量是周平均近地面温度、降水和海平面气压，按五个分位区间给出概率。参赛不限于气象机构——高校、研究机构和企业均可组队，每队最多 10 人。竞赛用接近实时的 ERA5T 再分析按 RPSS 评分，榜单每周五更新。记录，开赛以来累计 42 支队伍至少提交过一次预报，每周参赛队伍从未少于 25 支，大多数提交来自欧洲、中国和美国，也有尼日尔、摩洛哥、肯尼亚、南非、秘鲁和韩国的参与。
MicroEnsemble 队的参赛系统名为 MicroDuet：把 PBC 施加于 ECMWF 的业务动力集合预报，以及一个用 transformer 提升概率集合技能的混合模式 PoET。在首个赛季的全变量第一之外，微软博客还称，MicroDuet 在整整一年的实时预报中交出了最准确的结果。ECMWF 科学博客的独立记录与之吻合：「在两个竞赛期和所有预见期上，MicroEnsemble 队的后处理模式 MicroDuet 持续领跑榜单。」
ECMWF 次季节预报科学家 Joshua Talib 在微软博客中表示：「AI Weather Quest 提供了一个独特的实时基准测试平台。MicroEnsemble 队的贡献展示了机器学习如何通过后处理增强传统动力预报系统的技能。」
提前 19～26 天预告 2026 年初的两场冬季风暴
竞赛成绩之外，微软博客列出三例具体预报。2025 年 11 月 20 日，MicroDuet 预告了 12 月中旬袭击美国东部的寒潮爆发——博客称，这是当时领先的 ECMWF 去偏差动力模式漏掉的事件。博客配图把三者摆在一张图里：左为观测到的 12 月 15～21 日温度距平，中、右分别为 MicroDuet 与 Debiased ECMWF 对最冷五分位概率的预报，中西部、五大湖和东北部的落点差异清晰可见。
2026 年 1 月 1 日，MicroDuet 预告了 1 月 23～27 日的冬季风暴 Fern；据博客引述，这场严重冰雪风暴报告造成 174 人死亡、40 亿美元损失。1 月 29 日，它又预告了 2 月 22～24 日的「2026 年北美暴风雪」——博客称之为美国部分地区有记录以来最大的冬季风暴。这两次的提前量为 19～26 天。
PBC 在肯尼亚雨季接受实地检验
走出论文之后，PBC 的主要实地部署场景在肯尼亚。微软博客介绍，Genevieve Flaspohler 运营着一家专注改进 AI 天气预报的小型非营利机构 Rhiza Research，她为肯尼亚气象局（Kenya Meteorological Service Authority, KMSA）提供咨询，并与加州大学圣巴巴拉分校气候灾害中心（CHC）、德国卡尔斯鲁厄理工学院（KIT）的科学家合作，为小农提供预报。The Verge 补充了她的另一重身份：PBC 论文作者之一，研究期间在微软实习，如今 Rhiza 与 KMSA 的合作获得盖茨基金会资助。
肯尼亚的农田大多没有灌溉，全看降雨，买什么种子、何时播种、何时施肥都押在预报上。这个雨季，PBC 正帮助 KMSA 团队在做每周预报更新时识别出现极多雨或极少雨的概率。「一份在正确时间、通过正确渠道送达的好预报，能让农业收成大不一样，」Flaspohler 说，「在东非尤其如此，那里的年份在有记录以来最干与最湿之间剧烈摇摆。」她还说，当前正处于「有记录以来最暖的 El Niño（厄尔尼诺）」，各国政府和气候科学界都在担忧它将如何显现，「对简单而稳健的预报方法，需求巨大」。
KMSA 首席气象学家 Phillip Okello 已测试过 PBC：「大多数偏差校正只是调整预报的降雨量。PBC 修正的是概率本身，在整个非洲之角，它对我们预报的改进超过我们测试过的任何其他方法。下一步是强化它对强降雨和干旱期的预报，这对农民最重要。」博客同时写明了现状：2026 年长雨季降雨偏少已导致玉米减产；本季生长季刚开始，初步反馈令人鼓舞，但还谈不上定论。
代码开源，微软天气产品线启动私测
与论文同日，PBC 以开源软件形式发布在 上，供研究者下载、评估和改进。The Verge 称论文作者来自微软、MIT、ECMWF 等机构。微软天气团队（Microsoft Weather）的次季节至季节（S2S）模式提供最长六周的每周概率次季节指引，已实现实时运行，目前处于 private preview（私测）阶段，向部分客户开放测试；该团队为 Windows、Bing、Copilot、Edge、MSN 等产品提供天气体验。
ECMWF 机器学习战略负责人 Matthew Chantry 在给 The Verge 的邮件评论中，把研究成绩和落地难度分开谈：这项研究「是为社群利益和参考而开发新想法的好例子」，但他同时写道：「一如既往，把想法变成（业务）流程中的现实，是最具挑战性的一步。」