Une étude publiée dans Nature le 14 octobre présente Probabilistic Bias Correction, une méthode qui apprend les erreurs systématiques d’un système météo à partir de ses prévisions historiques et des observations. L’objectif est d’améliorer les probabilités à l’échéance difficile de deux à six semaines, pas de promettre le temps exact d’une journée six semaines à l’avance.
Appliquée aux systèmes de l’ECMWF, PBC double selon les auteurs la compétence prédictive sous-saisonnière encore modeste de l’AI Forecasting System. Pour le modèle dynamique déjà débiaisé, l’étude rapporte une amélioration sur 91 % des cibles de pression, 92 % de température et 98 % de précipitations. Ces proportions de cibles améliorées ne sont pas des pourcentages de prévisions devenues exactes.
MicroDuet combine des corrections PBC et obtient la première place pour les variables et échéances évaluées dans la saison inaugurale de l’AI Weather Quest 2025. Ce résultat relève d’un protocole probabiliste précis ; doubler un score initial faible n’équivaut ni à doubler toutes les performances météo ni à garantir chaque événement extrême. Les exemples de tempêtes présentés par Microsoft ne remplacent pas cette évaluation.
Le code PBC est public. Microsoft décrit des essais avec des prévisionnistes kényans et un modèle S2S en preview privée pour certains clients, ce qui doit rester distinct d’une disponibilité commerciale générale. Pour une équipe de recherche, la voie intéressante consiste à comparer la correction à des méthodes de calibration existantes sur des périodes et régions réellement séparées de l’entraînement.