26/10/2026 · VietTechies · Biên tập
Nhóm nghiên cứu do Microsoft Research dẫn đầu vừa giới thiệu một khung học máy mang tên hiệu chỉnh sai số xác suất (probabilistic bias correction – PBC), nhằm giải quyết khoảng thời gian dự báo thời tiết tiểu mùa vốn nổi tiếng là khó khăn. Theo các báo cáo và nghiên cứu được đăng trên tạp chí Nature, phương pháp này khắc phục thành công các lỗi hệ thống vốn thường khiến các mô hình thời tiết mất đi khả năng dự đoán trong khoảng thời gian từ hai đến sáu tuần tới.
Vượt qua khoảng trống dự báo tiểu mùa
Các mô hình thời tiết động lực và AI hiện đại đạt độ chính xác cao trong khung thời gian tiêu chuẩn hai tuần. Tuy nhiên, độ dự báo giảm sút nghiêm trọng vượt qua thời điểm này do lỗi tích tụ, sai số hệ thống và sự hỗn loạn của khí quyển. Được ví như một khoảng trống dự báo, khoảng thời gian tiểu mùa từ hai đến sáu tuần này gây nhiều trở ngại cho các nhà khí tượng học vì những sai sót ban đầu nhỏ có thể nhân lên theo thời gian. Thay vì xây dựng các mô hình vật lý lõi hoàn toàn mới vốn tốn nhiều tài nguyên, các nhà nghiên cứu đã chọn cách nhắm vào các lỗi có thể dự đoán bằng một lớp hậu xử lý gọn nhẹ.
Hoạt động của hai mô hình học máy song song
Theo phương pháp luận được báo cáo, PBC hoạt động trực tiếp trên các phân phối xác suất thay vì dữ liệu quan sát điểm thô. Khung này chuyển đổi một tập hợp thô ban đầu thành các dự báo xác suất được đo lường dựa trên các khoảng phân vị khí hậu. Hai mô hình học máy riêng biệt là Debias++ và Persistence++ sẽ thực hiện các hiệu chỉnh bổ trợ song song. Debias++ áp dụng các điều chỉnh theo vị trí, ngày tháng và phân vị bằng cách giảm thiểu lỗi xác suất trong các giai đoạn huấn luyện được chọn thích ứng. Đồng thời, Persistence++ kết hợp dự báo với dữ liệu quan sát có độ trễ và khí hậu lịch sử để tính đến các xu hướng thời tiết gần đây.
Đánh giá hiệu năng và chiến thắng trong các cuộc thi
Khi được thử nghiệm với các tiêu chuẩn ngành, PBC mang lại những cải thiện hiệu năng đáng kể. Việc áp dụng PBC vào tập hợp động lực của Trung tâm Dự báo Thời tiết Trung hạn Châu Âu (ECMWF) giúp nâng cao đáng kể điểm số kỹ năng về lượng mưa, nhiệt độ và áp suất. Hơn nữa, khi áp dụng cho mô hình học sâu AIFS-SUBS và các kiến trúc kết hợp như POET, PBC cải thiện rõ rệt các chỉ số kỹ năng cơ sở. Để chứng minh tính hữu dụng trong thực tế, nhóm nghiên cứu đã đưa tập hợp mang tên MicroDuet vào cuộc thi AI Weather Quest 2025 của ECMWF và dẫn đầu bảng xếp hạng trước các mô hình động lực nghiệp vụ và các đội quốc tế.
Ý nghĩa của bước đột phá đối với hạ tầng toàn cầu và công tác chuẩn bị thiên tai
Sự ra đời của phương pháp hiệu chỉnh sai số xác suất đánh dấu một bước chuyển thực tiễn lớn trong dự báo khí tượng, chứng minh rằng công nghệ hậu xử lý tiên tiến có thể khai thác nhiều giá trị hơn từ hạ tầng tính toán hiện có mà không cần viết lại toàn bộ mô hình vật lý khí quyển cốt lõi. Trong nhiều thập kỷ, các nhà quản lý khẩn cấp, quy hoạch nông nghiệp và vận hành lưới điện đã phải vật lộn với khoảng mù từ hai đến sáu tuần, khi dữ liệu thời tiết đáng tin cậy biến mất ngay lúc cần thiết nhất cho việc lập kế hoạch. Bằng cách nâng cao độ sắc nét của các dự báo tiểu mùa—bao gồm biến động nhiệt độ cực đoan và rủi ro lũ lụt—PBC thu hẹp khoảng cách quan trọng giữa theo dõi thời tiết ngắn hạn và dự báo khí hậu dài hạn. Việc khung này có đủ độ gọn nhẹ để huấn luyện lại hàng ngày bằng tài nguyên tính toán thông thường cũng mở ra cơ hội cho các trung tâm khí tượng toàn cầu áp dụng các bản sửa lỗi dự báo tiên tiến.
Phát triển hợp tác và phát hành mã nguồn mở
Nhằm thúc đẩy nghiên cứu và áp dụng trong vận hành, nhóm Microsoft Research đã phát hành toàn bộ mã nguồn PBC trên GitHub theo giấy phép MIT, cùng với kho lưu trữ dữ liệu trên Zenodo. Dự án do một nhóm 13 tác giả phát triển, bao gồm các nhà nghiên cứu từ Microsoft, MIT, Harvard và các tổ chức khác, bao gồm cả mã nhân bản được kiểm thử trên môi trường Linux. Mặc dù tính khả dụng mã nguồn mở trên GitHub được làm nổi bật, ấn phẩm trên Nature cung cấp sự xác thực bình duyệt cơ bản cho ngành khí tượng học nghiệp vụ.
Ảnh bìa: harrysummer · CC BY-SA 4.0 · Wikimedia Commons. Bố cục và chữ do VietTechies thực hiện. Logo: Microsoft, qua Wikimedia Commons (Public domain).
Nguồn: Microsoft Research Publishes AI Weather Forecasting Study in Nature · Advancing subseasonal forecasting with machine learning | Nature