14 октября 2026 года в научном журнале Nature вышла статья (DOI 10.1038/s41586-026-11126-x), в которой международная группа исследователей представила новую систему PBC (probabilistic bias correction — коррекция вероятностного смещения). PBC — лёгкая система на основе машинного обучения, предназначенная для исправления систематических ошибок существующих моделей прогноза погоды; она улучшает вероятностные прогнозы на субсезонном горизонте от 2 до 6 недель. Руководила группой студентка Гарварда Ханна Гуань; в состав команды вошли представители Microsoft Research, Массачусетского технологического института (MIT), Европейского центра среднесрочных прогнозов погоды (ECMWF) и других научных организаций. Как сообщается в статье, применение PBC к системе прогнозирования AIFS-SUBS на основе искусственного интеллекта от ECMWF удвоило средний субсезонный уровень её мастерства.
Результаты в моделях ECMWF
Команда применила PBC не только к ИИ-моделям, но и к оперативному динамическому ансамблю ECMWF. Этот ансамбль — система на основе традиционного численного моделирования со смещением, скорректированным в оперативном порядке, и считается одним из самых надёжных источников прогнозов в мировой практике. По данным статьи в Nature, после применения PBC мастерство прогноза улучшилось в 91% ячеек сетки по давлению, в 92% — по температуре и в 98% — по осадкам. Эти показатели основаны на результатах глобальной оценки за 2016–2024 годы.
Исследователь MIT Джуда Коэн сказал в интервью MIT News:
«До сих пор никому не удавалось показать, что модель способна прогнозировать на субсезонном горизонте лучше долгосрочных средних показателей. Наши модели регулярно превосходят климатологические средние».
Коэн также добавил, что метод статистически значимо улучшил способность прогнозировать экстремальные погодные явления — наводнения или волны холода. Это особенно важно, поскольку традиционный, не основанный на ИИ метод коррекции смещения от ECMWF именно на прогнозе экстремальных явлений давал худший результат.
Первоначальным автором идеи стал сотрудник Microsoft Research Лестер Маки, который сотрудничает с исследователем MIT Джудой Коэном уже более десяти лет. Среди ведущих авторов статьи — студентка Гарварда Ханна Гуань, постдок Торонтского университета Сукайна Муатадид, учёный MIT Женевьев Фласполер, а также исследователи ECMWF Якоб Шлёр и Джошуа Талиб.
Победа в конкурсе AI Weather Quest
Практическая эффективность метода прошла проверку в 2025 году в конкурсе прогнозов реального времени AI Weather Quest, организованном ECMWF. В конкурсе участвовали модели оперативных центров прогнозирования со всего мира. Прогнозы на основе PBC заняли первое место по всем погодным переменным и по всем заблаговременностям — об этом результате рассказал и The Verge.
По словам исследователей, победившее решение состояло в объединении прогнозной модели ECMWF с другой моделью и применении поверх неё коррекции PBC. Этот подход удвоил предсказательную силу базовой модели на субсезонном горизонте и впервые дал результат лучше долгосрочных средних показателей. Конкурс проходил в режиме реального времени: модели заранее прогнозировали будущую погоду, а результаты проверяли позже.
Открытый код и доступность
Ещё одна важная особенность PBC — её открытость и лёгкость. Полный код метода опубликован в открытом доступе на GitHub (mouatadid/pbc), поэтому другие исследовательские группы и центры прогнозирования могут подключить его к своим системам как дополнительный слой и опробовать. Хотя при создании модели использовался суперкомпьютерный кластер Engaging от MIT, для запуска готовой системы суперкомпьютер не требуется.
По словам авторов, PBC может работать с любой входной моделью и дополнительно улучшает даже модели, смещение которых уже было скорректировано другим алгоритмом ИИ. Это позволяет переносить метод в различные системы прогнозирования.
Почему субсезонный прогноз — особый диапазон
Субсезонный прогноз — это прогноз на горизонт от 2 до 6 недель. Краткосрочные прогнозы (1–2 недели) сейчас довольно точны, однако за двухнедельным рубежом даже небольшие различия в начальных условиях приводят к резко различающимся результатам. Поэтому в этом диапазоне вместо одного точного значения используются вероятностные прогнозы — прогнозируется распределение возможных состояний будущей погоды. PBC исправляет систематические смещения именно в этих распределениях, обучаясь на исторических прогнозах самой модели и прошлых наблюдениях за погодой.
