Nature pubblica lo studio su PBC, sviluppato con Microsoft Research

Lo studio su Probabilistic Bias Correction (PBC), pubblicato su Nature il 14 ottobre 2026, esamina un framework di machine learning sviluppato con Microsoft Research per correggere previsioni meteo probabilistiche già prodotte da altri sistemi. Nelle settimane 3 e 4, il metodo ha aumentato la skill in gran parte delle celle della griglia valutata: i risultati misurano i miglioramenti del modello, non la probabilità di azzeccare il meteo in una singola località. Leggi lo studio su Nature.

Che cosa fa PBC

PBC non genera da solo una previsione: rielabora quelle di sistemi meteorologici dinamici, basati sull’intelligenza artificiale o ibridi. Impara dagli errori sistematici commessi in passato e dalle osservazioni, poi corregge la distribuzione di probabilità della previsione in ingresso, intervenendo sul suo centro, sulla dispersione e sulla forma.

Il metodo applica in parallelo due correzioni, Debias++ e Persistence++. I risultati vengono poi proiettati su funzioni di distribuzione cumulativa valide e mediati. In pratica, PBC punta a migliorare le informazioni probabilistiche fornite da un modello esistente, senza sostituirlo.

Che cosa ha misurato lo studio

L’analisi principale riguarda la settimana 3, cioè i giorni 19–25, e la settimana 4, i giorni 26–32. Su una griglia globale con celle da 1,5° di latitudine e longitudine, il paper valuta la temperatura media a 2 metri e le precipitazioni totali sulla terraferma, oltre alla pressione media al livello del mare.

Rispetto alle previsioni del modello dinamico ECMWF già corrette operativamente per il bias, PBC ha migliorato la skill — l’abilità previsionale misurata dal punteggio — nella quota di celle indicata per ciascuna variabile:

Il punteggio usato è il ranked probability skill score (RPSS), confrontato con una previsione basata sulla climatologia; lo studio usa la rianalisi ERA5 come riferimento osservativo e suddivide le probabilità in cinque classi, o quintili. Le percentuali della tabella indicano quindi la quota di celle in cui è aumentato quel punteggio.

Il paper riporta anche risultati su altri sistemi e periodi di test. Applicato all’AIFS-SUBS di ECMWF, PBC ha raddoppiato il RPSS medio di 0,03 ottenuto nel 2025, considerando insieme variabili e scadenze valutate. Nei test del 2024 sul sistema ibrido POET, gli incrementi del RPSS sono stati del 68–98% per le precipitazioni, del 15–23% per la pressione al livello del mare e del 5–7% per la temperatura. Nell’analisi degli eventi di piena catalogati dal Global Disaster Alert and Coordination System, il paper riporta miglioramenti della skill del 76–92%, e dell’86–150% per le piene gravi.

MicroDuet primo nella competizione del 2025

Nella stagione inaugurale settembre–novembre 2025 dell’AI Weather Quest, competizione di ECMWF per le previsioni probabilistiche subseasonal, l’ensemble MicroDuet basato su PBC si è classificato primo per ogni variabile e scadenza valutata. Il paper riferisce che ha superato sistemi di sei centri previsionali operativi e le proposte di 34 squadre. È un risultato relativo a quella competizione e alle sue verifiche.

L’uso iniziale in Kenya

Microsoft Research riferisce che i meteorologi della Kenya Meteorological Service Authority (KMSA) hanno testato PBC e lo hanno utilizzato nella preparazione di aggiornamenti settimanali durante la stagione delle piogge del 2026. Nel resoconto aziendale, il meteorologo Phillip Okello giudica il metodo migliore degli altri approcci testati dal suo gruppo nel Grande Corno d’Africa e indica come priorità previsioni più precise di piogge intense e periodi secchi. Il resoconto di Microsoft Research non riporta un punteggio quantitativo indipendente per questo lavoro sul campo.

Codice PBC e servizio S2S

Il codice open source di PBC e quello degli esperimenti sono accessibili. Microsoft descrive separatamente il proprio modello S2S, che fornisce indicazioni probabilistiche settimanali fino a sei settimane, come un’anteprima privata per clienti selezionati.