The Pulse
Microsoft usa la correzione degli errori sistematici per migliorare le previsioni a 2-6 settimane
Secondo Microsoft Research, il suo sistema Probabilistic Bias Correction migliora le previsioni a medio termine di temperatura, precipitazioni e pressione. Il metodo corregge le stime di probabilità dei modelli meteorologici esistenti ed è
AI.info Team · Scritto con l’IA ·
«La nostra nuova pipeline (PBC) prende in input il modello che preferite e impara in che modo tende a commettere errori. Poi corregge quegli errori, producendo una previsione migliore per l’orizzonte substagionale».
Lester Mackey, ricercatore principale senior, Microsoft Research New England
Secondo Microsoft Research, il suo framework Probabilistic Bias Correction (PBC) migliora le previsioni meteorologiche nel difficile intervallo tra due e sei settimane correggendo gli errori dei modelli esistenti, anziché sostituirli con un nuovo sistema di previsione. L’azienda ha pubblicato i risultati il 14 ottobre 2026, insieme ai dettagli delle prime sperimentazioni e di un progetto pilota con il servizio meteorologico del Kenya.
Correggere le previsioni, non sostituire i modelli
I modelli meteorologici tendono a perdere capacità previsionale oltre le due settimane circa, quando piccole differenze nelle condizioni atmosferiche possono portare a esiti molto diversi. PBC affronta un problema più specifico: gli errori persistenti nelle stime di probabilità di un modello. Apprende dalle previsioni e dalle osservazioni passate, poi corregge le probabilità conservando i segnali utili del modello originale.
Il metodo combina due correzioni. La prima apprende dagli errori delle previsioni precedenti correzioni specifiche per località, data e probabilità; la seconda combina la previsione con osservazioni recenti e andamenti climatici storici. Le probabilità risultanti sono vincolate a formare una distribuzione valida per la previsione. Questa attenzione alle probabilità è importante perché le previsioni a diverse settimane di distanza descrivono le possibilità che si verifichino condizioni generali, non prevedono in modo affidabile il tempo di un giorno preciso.
I miglioramenti dichiarati sono misurati rispetto a riferimenti climatologici
Il gruppo di ricerca ha testato PBC sulle previsioni del Centro europeo per le previsioni meteorologiche a medio termine (ECMWF), comprese quelle del suo modello dinamico e del suo AI Forecasting System. Nell’articolo, i ricercatori riferiscono che PBC ha migliorato le previsioni del modello dinamico dell’ECMWF corrette per l’uso operativo per il 98% degli obiettivi previsionali relativi alle precipitazioni, il 92% di quelli relativi alla temperatura e il 91% di quelli relativi alla pressione. Riferiscono inoltre che PBC ha raddoppiato la capacità previsionale substagionale media del sistema di IA.
Queste percentuali indicano la quota di obiettivi previsionali per cui la capacità previsionale è migliorata; non significano che l’accuratezza delle previsioni sia aumentata di altrettanti punti percentuali. Lo studio valuta le medie settimanali di temperatura, precipitazioni e pressione al livello del mare nella terza e nella quarta settimana, rispetto a un riferimento climatologico. Gli autori effettuano inoltre test su previsioni storiche dal 2016 al 2024, mentre il confronto con il sistema di IA utilizza dati del 2025.
Una proposta basata su PBC chiamata MicroDuet, realizzata dal team MicroEnsemble, si è classificata prima per tutte le variabili meteorologiche e gli orizzonti di previsione nella stagione inaugurale dell’AI Weather Quest dell’ECMWF. Microsoft afferma che ha superato i sistemi di sei centri operativi di previsione e di 34 team concorrenti. I ricercatori riferiscono inoltre che MicroDuet ha anticipato due tempeste invernali negli Stati Uniti con 19-26 giorni di anticipo, anche se casi di studio come questi non dimostrano, da soli, con quale frequenza il sistema supererà altre previsioni in condizioni future.
Il progetto pilota in Kenya mette alla prova le probabilità di pioggia
Microsoft descrive un primo impiego presso la Kenya Meteorological Service Authority, dove i meteorologi stanno testando PBC per le previsioni settimanali delle precipitazioni. Le previsioni mirano a individuare la probabilità di piogge insolitamente abbondanti o scarse durante una stagione delle piogge. Per i piccoli agricoltori che dipendono dalle precipitazioni, queste informazioni possono orientare le scelte su sementi, semina e fertilizzanti.
«La maggior parte dei metodi di correzione degli errori sistematici si limita ad aggiustare la quantità di pioggia prevista. PBC corregge le probabilità stesse e, nel Grande Corno d’Africa, ha migliorato le nostre previsioni più di qualsiasi altro metodo che abbiamo testato», ha dichiarato Phillip Okello, meteorologo principale della Kenya Meteorological Service Authority. Ha anche indicato un compito ancora da svolgere: rendere più precise le previsioni delle piogge intense e dei periodi di siccità, le condizioni più importanti per gli agricoltori.
Codice aperto, accesso limitato per i clienti
Microsoft afferma che PBC è disponibile come software open source, mentre il suo distinto modello substagionale-stagionale offre indicazioni probabilistiche settimanali fino a sei settimane in anticipo. Quel modello opera in tempo reale ed è disponibile in anteprima privata per clienti selezionati. La distinzione è importante: PBC è un framework di correzione applicabile ai modelli esistenti, mentre il sistema S2S di Microsoft è un prodotto per le previsioni.
I risultati mostrano che l’elaborazione successiva delle previsioni può essere un modo pratico per migliorarle su orizzonti più lunghi, ma il metodo affronta gli errori prevedibili e sistematici, non l’incertezza che nessuna correzione può eliminare. Il suo valore dipenderà dal fatto che i miglioramenti si confermino in regioni, stagioni e contesti operativi diversi, e che i meteorologi riescano a trasformare il miglioramento delle probabilità in indicazioni utilizzabili dalle persone. Per ora, le prove comprendono classifiche di competizioni, test retrospettivi e un progetto pilota nelle sue fasi iniziali in Kenya; il codice del framework è disponibile pubblicamente affinché i ricercatori possano esaminarlo.