Ny maskinlæring forbedrer vejrvarsler to til seks uger frem
Et forskerteam med deltagelse fra MIT og Microsoft Research rapporterer forbedringer for vejrprognoser i det subseasonale vindue på to til seks uger. Ifølge MIT News og et paper beskrevet som publiceret i Nature har holdet udviklet en maskinlæringsbaseret tilgang, der lærer at korrigere systematiske fejl i output fra etablerede, dynamiske prognosemodeller. Tilgangen lægges oven på eksisterende systemer, ikke som erstatning. De konkrete metrikker og baselines henvises til i Nature-arbejdet.
MIT News skriver, at når korrektionen blev lagt på en førende “gold-standard” model, blev nøjagtigheden fordoblet i to–seks-ugersperioden. MIT News refererer også, at forskerne i Nature-publikationen viser forudsigelser, der slår klimatologiske gennemsnit i dette interval. Oplysninger om præcise mål og rumlig dækning fremgår ifølge MIT News af selve publikationen og eventuelle bilag.
Relevans og kontekst
MIT News peger på februarbegivenhederne i Texas 2021 som eksempel på betydningen af bedre varsler. Ifølge MIT News oplevede staten den værste energiinfrastruktursvigt i sin historie efter tre kraftige vinterstorme, og mindst 246 omkom. MIT News fremhæver, at et længere forspring i prognoser kan give mulighed for at forberede afbødende tiltag tidligere.
Hvis to–seks-ugersprognoser bliver mere brugbare, kan beslutningstagere planlægge længere frem inden for energi, landbrug og beredskab, skriver MIT News. Artiklen angiver, at længere varsel kan hjælpe med at matche udbud og efterspørgsel bedre.
Hvad forskerne har gjort
MIT News beskriver kernen i arbejdet som en maskinlæringsdrevet bias-korrektion trænet på historiske prognoser og observationer. Formålet er at identificere og justere systematiske fejl i den dynamiske model for netop to–seks-ugersvinduet. Unite.ai skriver, at tilgangen omtales som et probabilistisk bias-korrektionsframework (PBC) i Nature-studiet. Ifølge Unite.ai blev koden frigivet som open source.
MIT News citerer medforfatter Judah Cohen for, at tilgangen også forbedrer forudsigelser af ekstreme vejrbegivenheder, som oversvømmelser eller kuldeudbrud. Vurderingerne af disse forbedringer fremgår ifølge MIT News af studiets valgte metrikker og datasæt.
Hovedresultater ifølge kilderne
MIT News fremhæver fire punkter: 1) rapporterede forbedringer i to–seks-ugersperioden via ML-bias-korrektion; 2) forudsigelser, der ifølge Nature-arbejdet slår klimatologiske gennemsnit i dette vindue; 3) en fordobling af nøjagtighed, når korrektionen anvendes på en førende model; 4) en førsteplads i en international prognosekonkurrence. MIT News er kilde for disse udsagn.
Unite.ai beskriver samtidig, at en Microsoft Research-ledet gruppe introducerede PBC i Nature og rapporterede, at koden blev frigivet som open source. Specificerede metrikker, konkurrencens navn og detaljer om evaluering henvises af kilderne til den videnskabelige publikation og eventuelle tilhørende repositorier.
Om metrikker og dokumentation
For udsagn som “fordoblet nøjagtighed” og “slår klimatologi” henviser MIT News til Nature-artiklen for detaljer om mål, baseline og dækningsområde. Artiklen i MIT News præsenterer derfor overblik, mens de talmæssige definitioner ligger i paperets figurer, tabeller og bilag. Læseren må konsultere Nature-publicationen for de præcise definitioner og resultater.
Kilder
Primær: MIT News “Researchers improve weather forecasts looking two to six weeks out” (14. okt. 2026). Supplerende: Unite.ai “Microsoft Research Publishes AI Weather Forecasting Study in Nature”. Journalreference: Nature (se tidsskriftside for publikation og bilag).
