AIFS-CRPS: ensembleprognoser med en modell tränad med en förlustfunktion baserad på Continuous Ranked Probability Score

Varför smartare väderoddar spelar roll för dig

När du tittar på prognosen ser du oftast en enda förutsägelse: regn eller sol, varmt eller kallt. Men atmosfären är kaotisk, och det som verkligen betyder något är spannet av möjliga utfall—särskilt för stormar, värmeböljor eller veckolånga mönster som påverkar grödor, resor och energianvändning. Denna artikel presenterar ett nytt AI-baserat prognossystem, AIFS‑CRPS, som inte bara gissar morgondagens väder; det skattar sannolikheten för många olika framtider, ofta mer precist och effektivt än dagens bästa fysikbaserade superdatormodeller.

Från enkla svar till spann av möjligheter

Traditionella vädermodeller använder fysikens lagar för att simulera atmosfären många gånger med något olika begynnelsevillkor. Tillsammans ger dessa ”ensemble”‑prognoser en sannolikhetsfördelning: hur sannolikt är kraftigt regn eller en kallknäpp? Tidiga maskininlärningsmodeller för väder tränades däremot för att minimera genomsnittlig fel i en enda prognos, vilket ledde till att de jämnade ut små, skarpa strukturer som intensiva stormar. De kunde vara anmärkningsvärt korrekta på typiska dagar, men hade svårt att representera osäkerhet och dämpade ofta extrema händelser. AIFS‑CRPS är utformat för att täppa till detta gap genom att göra probabilistiska prognoser direkt, så att osäkerhet byggs in i modellen istället för att läggas till i efterhand.

En AI som lär sig vara ärligt osäker

AIFS‑CRPS är en ensemblevariant av ECMWF:s Artificial Intelligence Forecasting System. Istället för att lära sig matcha en enda bästa‑gissning framtid lär den sig att generera många plausibla framtider från en enda AI‑modell genom att tillsätta noggrant formad slumpmässig brus i sin interna representation av atmosfären. Nyckelinnovationen är hur den tränas: modellen optimeras med en statistisk måttstock kallad Continuous Ranked Probability Score (CRPS), som belönar prognosfördelningar som tilldelar hög sannolikhet till det som faktiskt inträffar och som straffar både missade händelser och överdriven säkerhet. Författarna presenterar en ”nästan rättvis” variant av denna poäng som korrigerar för skevheter på grund av ändlig ensemblesstorlek samtidigt som den undviker numeriska patologier som annars skulle ställa till det vid träning på modern hårdvara.

Skarpare detaljer som inte suddas bort

Ett av huvudtesten för ett ensemble‑system är om det bibehåller realistisk variabilitet när prognosen sträcks från timmar till dagar. I sida‑vid‑sida‑jämförelser förlorade ett tidigare AI‑system som tränades med standarden mean‑squared‑error gradvis småskalig struktur, vilket gjorde att kartor såg ut att bli suddiga med ökande prognostid. AIFS‑CRPS bevarar däremot detalj och energi över skalor, närmare det som ses i referensanalyser och avancerade fysikbaserade modeller. Författarna tar itu med en tidig tendens hos modellen att växa för mycket småskaligt brus genom att ”trunkera” referensfältet som används under träning—ta bort de minsta krusningarna från föregående steg så att AI inte bara förstärker dem—men utan att dämpa genuina småskaliga väderstrukturer. Denna balans är avgörande för att representera intensiva stormar och andra högpåverkande händelser.

Slår state‑of‑the‑art för dagar till veckor

Teamet utvärderar AIFS‑CRPS mot ECMWF:s högupplösta Integrated Forecasting System (IFS) ensemble. För prognoser upp till 15 dagar presterar AI‑ensemblen bättre för många nyckelstorheter, såsom temperaturer nära ytan och vid 850 hPa, vindar på jetström‑nivå och mönster i mellan‑troposfäriskt tryck. Beroende på variabel når förbättringar i vanliga probabilistiska och felmått ofta 5–20 procent. AI‑ensemblen visar ibland ”över‑dispersion”—dess medlemmar är mer utspridda än vad som strikt krävs av deras genomsnittliga fel—men detta är till stor del en sidoeffekt av att använda initialvillkorspr perturbationer inställda för fysikmodellen, inte för AI‑systemets mycket lägre fel. På längre subseasonala ledtider på två till sex veckor matchar eller överträffar AI‑systemet—trots att det endast tränats på prognoser upp till 72 timmar—IFS för många ytoch troposfäriska fält när råa prognoser jämförs, och förblir konkurrenskraftigt när bias tas bort och endast anomali‑skill räknas.

Följer tropikernas långsamma hjärtslag

Ett kritiskt test för subseasonal prognos är Madden–Julian‑oscillationen (MJO), ett långsamt rörligt mönster av tropiska störningar som kan påverka monsunregn, stormar och till och med vädret i medelbreddgraderna. Med hjälp av ett standardindex baserat på vindanomalias visar författarna att AIFS‑CRPS ger MJO‑prognoser med högre korrelationer och lägre fel än IFS‑ensemblen över en flerårig testperiod. Viktigt är att spridningen i AI‑ensemblen matchar det typiska prognosfelet mycket nära, ett kännetecken för ett välkalibrerat probabilistiskt system. I en fallstudie återger AI‑modellen mer troget tillväxten och det östliga förflyttandet av ett stort MJO‑utbrott än fysikmodellen, som tenderar att underskatta dess styrka och återgå för snabbt mot neutrala förhållanden.

Vad detta betyder för vardagsvädret och bortom

För icke‑specialister är slutsatsen att AI nu kan göra mer än att erbjuda snabba, snygga väderkartor. System som AIFS‑CRPS kan kvantifiera sannolikheter för olika utfall—hur sannolikt det är att en värmebölja kvarstår, om en stormbana kan skifta, eller hur stabilt ett flerveckorsmönster kan vara—ofta lika bra som, eller bättre än, dagens mest avancerade fysikbaserade modeller, och till en bråkdel av beräkningskostnaden. Utmaningar återstår, såsom att förbättra prestanda i stratosfären och finjustera hur modellen hanterar extrema händelser, men arbetet visar att probabilistisk träning kan göra AI till ett verkligt användbart verktyg för riskmedvetna väder‑ och klimatjänster. I praktiken betyder det mer informativa prognoser för myndigheter, företag och allmänheten när det verkligen gäller.

Citering: Lang, S., Alexe, M., Clare, M.C.A. et al. AIFS-CRPS: ensemble forecasting using a model trained with a loss function based on the continuous ranked probability score. npj Artif. Intell. 2, 18 (2026). https://doi.org/10.1038/s44387-026-00073-7

Nyckelord: AI-väderprognoser, ensembleprognoser, probabilistiska prognoser, subseasonal prognos, Madden–Julian-oscillation