The Pulse
Un team di Microsoft raddoppia la capacità di previsione meteo dell’IA ECMWF nelle settimane 3 e 4
Un team guidato da Microsoft ha applicato una correzione probabilistica dei bias ad AIFS-SUBS dell’ECMWF, raddoppiandone la capacità previsionale media per la terza e la quarta settimana. I ricercatori riferiscono anche miglioramenti per le
AI.info Team · Scritto con l’IA ·
Un team guidato da Microsoft riferisce che un livello statistico di correzione ha raddoppiato la capacità previsionale media del sistema di IA del Centro europeo per le previsioni meteorologiche a medio termine per la terza e la quarta settimana. Il risultato, descritto in uno studio pubblicato per la prima volta il 17 aprile, riguarda le previsioni per i giorni 19–32, un intervallo in cui gli errori possono sopraffare i modelli meteorologici. I ricercatori chiamano il metodo correzione probabilistica dei bias, o PBC.
Come PBC interviene sulla terza e la quarta settimana
Anziché generare previsioni meteorologiche da zero, PBC modifica le previsioni probabilistiche prodotte da modelli esistenti. Apprende gli errori sistematici dalle previsioni e dalle osservazioni passate, poi combina due correzioni: una modifica le probabilità previste in base a località, data e quantile; l’altra pondera le osservazioni recenti insieme alla climatologia.
Il team ha testato l’approccio sul sistema di IA AIFS-SUBS dell’ECMWF, sul suo modello dinamico a ensemble e su un sistema ibrido chiamato PoET. La valutazione si è concentrata sulla temperatura media a due metri e sulle precipitazioni totali sulla terraferma, oltre che sulla pressione media al livello del mare. Per la terza e la quarta settimana, i ricercatori hanno valutato le previsioni rispetto a un riferimento climatologico usando il ranked probability skill score, o RPSS.
Il punteggio alla base del raddoppio
Per AIFS-SUBS, PBC ha raddoppiato l’RPSS medio tra le variabili e gli orizzonti temporali testati, portando il punteggio medio a 0,03 nella valutazione del 2025. Lo studio presenta il dato come un miglioramento della capacità previsionale, non come un’affermazione secondo cui il sistema di IA prevede il tempo con una precisione doppia in ogni località o per ogni variabile.
Per il modello dinamico dell’ECMWF, i ricercatori hanno valutato le previsioni dal 2016 al 2024. Rispetto alle previsioni del modello corrette dai bias nella pratica operativa, PBC ha migliorato i punteggi nel 98% delle celle della griglia valutate per le precipitazioni, nel 91–92% per la temperatura e nell’89–91% per la pressione media al livello del mare. Lo studio riferisce inoltre che PBC ha reso positivi, rispetto alla climatologia, i punteggi di capacità previsionale per temperatura e pressione che erano negativi nel modello non corretto.
Un risultato in una competizione, non un nuovo modello meteorologico
Il team di ricerca ha usato il metodo di correzione anche in MicroDuet, il sistema con cui ha partecipato all’AI Weather Quest dell’ECMWF. Secondo lo studio, MicroDuet si è classificato primo per ogni variabile meteorologica e ogni orizzonte temporale nel periodo della competizione da settembre a novembre 2025, davanti a sei centri di previsione, alle previsioni di IA dell’ECMWF e ai sistemi di 34 team di tutto il mondo.
Gli autori descrivono chiaramente il ruolo del metodo: «PBC interviene sugli errori prevedibili anziché tentare di riapprendere l’intera dinamica atmosferica». Hannah Guan et al., “Enhancing AI and Dynamical Subseasonal Forecasts with Probabilistic Bias Correction”
Cosa mostrano i risultati, e cosa no
I risultati indicano una distinzione pratica: migliorare una previsione può significare correggere gli errori ricorrenti di un modello, non sostituire il modello che la produce. I ricercatori affermano che PBC è poco costoso rispetto alla generazione di grandi ensemble dinamici o di IA e può essere riaddestrato quando cambiano i modelli sottostanti.
Lo studio testa specifici sistemi di previsione, variabili, orizzonti temporali e periodi di valutazione; non dimostra che gli stessi miglioramenti si verificheranno per ogni modello o contesto operativo. PBC dipende da errori che ricorrono nei dati storici e lo studio lo presenta come uno strumento di post-elaborazione da affiancare al lavoro per migliorare i modelli meteorologici sottostanti.