Uma equipa liderada pela Microsoft Research publicou a 14 de outubro de 2026, na revista Nature, um método que melhora as previsões meteorológicas no intervalo difícil de duas a seis semanas. Chamado probabilistic bias correction, ou PBC, não substitui os sistemas existentes: analisa como um determinado modelo falhou no passado e ajusta em conformidade as suas novas previsões probabilísticas. O código está disponível em acesso aberto no GitHub e no Zenodo, e entre os autores há investigadores da Microsoft, do MIT e do Centro Europeu de Previsões Meteorológicas a Médio Prazo (ECMWF).
Este horizonte subsazonal é decisivo para agricultores que escolhem a data da sementeira, para quem gere energia e água e para as autoridades que se preparam para cheias ou ondas de calor. Os modelos físicos e de IA são hoje fiáveis até cerca de duas semanas, mas a partir daí os erros acumulam-se e os enviesamentos sistemáticos dominam. O artigo defende que parte desse erro é previsível. O PBC treina com as previsões históricas do próprio modelo e com observações passadas, tomando a reanálise ERA5 como referência, e junta duas correções aprendidas: uma recalibra diretamente a distribuição prevista e outra incorpora também o tempo observado recentemente. O resultado final é a média das duas.
Os investigadores testaram o PBC em três sistemas de referência para as semanas três e quatro: o ensemble dinâmico operacional do ECMWF, o seu sistema de previsão por IA para escalas subsazonais (AIFS-SUBS) e o POET, um híbrido que reprocessa o ensemble do ECMWF com redes neuronais. Medido pela pontuação de competência probabilística face à climatologia, o PBC duplicou a competência média do sistema de IA em 2025, a partir de um nível baixo, perto de 0,03. No modelo dinâmico do ECMWF, já corrigido operacionalmente, melhorou os resultados em 91% dos alvos de pressão, 92% dos de temperatura e 98% dos de precipitação. Mesmo o POET ganhou entre 68% e 98% na precipitação, entre 15% e 23% na pressão ao nível do mar e entre 5% e 7% na temperatura, em 2024.
A prova mais convincente vem de uma competição em tempo real. Na AI Weather Quest de 2025 do ECMWF, em que as equipas enviam semanalmente previsões globais antes de o tempo acontecer, uma candidatura baseada no PBC, chamada MicroDuet, obteve as melhores previsões em todas as variáveis e horizontes. Superou os modelos dinâmicos de seis centros operacionais, um ensemble internacional multimodelo, o próprio sistema de IA do ECMWF e os sistemas de 34 equipas de todo o mundo.
O baixo custo é um dos trunfos. Como o modelo é pequeno, a equipa volta a treiná-lo todos os dias usando apenas dados que estariam disponíveis nesse momento, para reproduzir condições operacionais. Lester Mackey, da Microsoft Research New England, disse ao The Verge que a ferramenta corre em processadores comuns, sem supercomputadores nem clusters de GPU. A coautora Genevieve Flaspohler, hoje na organização sem fins lucrativos Rhiza Research, contou que o seu trabalho com o serviço meteorológico do Quénia, financiado pela Fundação Gates, está a testar o PBC antes de uma estação das chuvas que se prevê intensa.
Houve também uma leitura externa vinda do próprio ECMWF. Matthew Chantry, responsável estratégico do centro para aprendizagem automática, disse ao The Verge que o artigo é um bom exemplo de ideias desenvolvidas para a comunidade, mas avisou que levar qualquer método para um processo operacional é sempre a etapa mais difícil.
Há limites a ter em conta. Os valores absolutos de competência a três e quatro semanas continuam baixos, pelo que duplicar um sinal fraco ainda resulta numa previsão modesta. Os resultados da competição dizem respeito às épocas descritas no artigo e nenhum serviço meteorológico anunciou a adoção operacional. Vários autores são funcionários ou acionistas da Microsoft, como reconhece a declaração de conflitos de interesse do artigo.