Un gruppo internazionale di ricercatori coordinato da Microsoft Research ha sviluppato Probabilistic Bias Correction, denominato PBC, un metodo di apprendimento automatico progettato per migliorare l’accuratezza delle previsioni meteorologiche probabilistiche su intervalli compresi tra due e sei settimane. La ricerca, pubblicata su Nature il 14 ottobre 2026, affronta le difficoltà della previsione substagionale, un ambito nel quale l’accumulo degli errori, le distorsioni sistematiche dei modelli e il comportamento caotico dell’atmosfera determinano una progressiva riduzione dell’affidabilità oltre le prime due settimane. Il metodo interviene sulle distribuzioni probabilistiche prodotte dai sistemi meteorologici, apprendendo dai risultati storici come correggere le distorsioni ricorrenti associate a determinate variabili, aree geografiche e orizzonti previsionali. PBC può essere applicato sia ai modelli numerici tradizionali sia ai sistemi di previsione basati sull’intelligenza artificiale, attraverso una procedura di post-elaborazione relativamente leggera dal punto di vista computazionale.
Il funzionamento di PBC parte da un insieme di previsioni deterministiche, trasformato in una distribuzione probabilistica iniziale attraverso intervalli quantilici riferiti alla climatologia. L’algoritmo apprende successivamente una correzione statistica delle probabilità sulla base della relazione osservata tra previsioni storiche e condizioni meteorologiche effettivamente registrate. La metodologia è stata valutata utilizzando convenzioni analoghe a quelle della competizione AI Weather Quest dell’European Centre for Medium-Range Weather Forecasts, considerando temperatura media a due metri dal suolo, precipitazioni totali e pressione atmosferica media al livello del mare. Le previsioni sono state analizzate su una griglia globale con risoluzione di 1,5 gradi, distinguendo cinque intervalli quantilici e due principali orizzonti temporali: la terza settimana, corrispondente ai giorni 19-25, e la quarta settimana, relativa ai giorni 26-32. Come riferimento sono stati utilizzati i dati della rianalisi ERA5, mentre la valutazione delle prestazioni si è basata sul Ranked Probability Skill Score, che misura il miglioramento rispetto alle probabilità climatologiche.
Applicando PBC all’ensemble meteorologico dell’ECMWF, i ricercatori hanno osservato un incremento di circa tre volte dell’abilità previsionale positiva relativa alle precipitazioni rispetto al modello originale, il cui punteggio RPSS era pari a 0,023; anche le previsioni di temperatura e pressione, inizialmente caratterizzate da punteggi negativi, hanno raggiunto risultati positivi. Rispetto alle previsioni ECMWF già sottoposte alle procedure operative di correzione dei bias, PBC ha prodotto miglioramenti compresi tra il 26 e il 37% per la temperatura e tra il 16 e il 32% per la pressione atmosferica, con risultati favorevoli rispettivamente nel 91-92% e nell’89-91% delle celle geografiche esaminate. Per le precipitazioni, i miglioramenti sono stati osservati nel 98% delle celle. La metodologia ha incrementato anche le prestazioni dei modelli di intelligenza artificiale AIFS-SUBS e POET: nel primo caso, le valutazioni relative al 2025 hanno registrato un raddoppio del punteggio RPSS medio, mentre nel secondo gli incrementi hanno raggiunto il 68-98% per le precipitazioni, il 15-23% per la pressione e il 5-7% per la temperatura.
Per verificare il comportamento del sistema in condizioni operative, i ricercatori hanno combinato le previsioni PBC-ECMWF e PBC-POET in un ensemble denominato MicroDuet, partecipando alla competizione AI Weather Quest 2025 dell’ECMWF. Nella stagione settembre-novembre, MicroDuet ha ottenuto il primo posto per tutte le variabili meteorologiche e gli intervalli previsionali considerati, superando i risultati dei modelli numerici corretti di sei centri meteorologici nazionali e internazionali, un ensemble multimodello e le soluzioni presentate da numerosi gruppi di ricerca. Le prestazioni sono rimaste elevate anche nel periodo dicembre-febbraio, con miglioramenti statisticamente significativi rispetto al sistema ECMWF di riferimento. Tra gli esempi documentati figura una previsione emessa nel novembre 2025 che anticipava, con quattro settimane di preavviso, un’ondata di freddo negli Stati Uniti orientali verificatasi nel dicembre successivo.
Il gruppo ha approfondito anche la previsione degli eventi meteorologici estremi, utilizzando intervalli quantilici del 5% per identificare anomalie superiori al 95° percentile o inferiori al 5° percentile delle distribuzioni climatiche. Nelle previsioni a tre settimane, PBC ha migliorato del 51% l’abilità previsionale relativa alle temperature estreme e del 39% quella relativa agli estremi di pressione rispetto alle previsioni ECMWF già corrette operativamente. L’analisi di 2.435 eventi alluvionali registrati tra il 2016 e il 2026 nel database del Global Disaster Alert and Coordination System ha indicato incrementi del 76-92% nella capacità previsionale misurata, mentre per 88 eventi particolarmente gravi, definiti da oltre cento vittime oppure almeno 80.000 persone sfollate, il miglioramento è risultato compreso tra l’86 e il 150%. I risultati rappresentano incrementi relativi di indicatori statistici e richiedono quindi una lettura distinta dalle probabilità assolute di prevedere correttamente un singolo evento. Il codice di PBC è stato pubblicato su GitHub con licenza MIT e archiviato su Zenodo insieme agli strumenti di replicazione sperimentale, permettendo l’applicazione e la verifica della metodologia anche presso altri centri meteorologici.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)