Исследователи разработали новый метод машинного обучения для улучшения прогнозов крупномасштабных климатических моделей и продемонстрировали, что новый инструмент делает модели более точными как на глобальном, так и на региональном уровне. Этот прогресс должен предоставить лицам, определяющим политику, улучшенные климатические прогнозы, которые можно использовать для принятия решений в области политики и планирования.
Статья
Статья под названием [«A Complete Density Correction using Normalizing Flows (CDC-NF) for CMIP6 GCMs»](https://www.nature.com/articles/s41597-025-05478-8) опубликована в открытом доступе в журнале Scientific Data.
Извлечение из статьи
Шици Фанг, первый автор статьи и научный сотрудник Университета штата Северная Каролина, говорит: «Глобальные климатические модели необходимы для планирования политики, но эти модели часто сталкиваются с трудностями при описании „сложных экстремальных явлений“, когда экстремальные явления происходят в короткой последовательности — например, когда экстремальные осадки сразу же сменяются периодом экстремальной жары».
«В частности, эти модели с трудом точно фиксируют наблюдаемые закономерности, касающиеся сложных событий, в данных, используемых для обучения моделей», — говорит Фанг. «Это приводит к двум дополнительным проблемам: трудности в предоставлении точных прогнозов сложных событий в глобальном масштабе; и трудности в предоставлении точных прогнозов сложных событий в локальном масштабе. Работа, которую мы проделали, решает все три эти задачи».
Санкар Арумугам, ответственный автор статьи и профессор гражданского, строительного и экологического инжиниринга в Университете штата Северная Каролина, говорит: «Все модели несовершенны. Иногда модель может недооценивать осадки и/или переоценивать температуру, или что-то ещё. У разработчиков моделей есть набор инструментов, которые они могут использовать для исправления так называемых смещений, повышая точность модели».
«Однако существующий набор инструментов имеет ключевое ограничение: они очень хороши в исправлении недостатка одного параметра (например, осадков), но не очень хороши в исправлении недостатков нескольких параметров (например, осадков и температуры)», — говорит Арумугам. «Это важно, потому что сложные явления могут представлять серьёзные угрозы и — по определению — включают социальные последствия от двух физических переменных: температуры и влажности. Вот где наш новый метод вступает в игру».
Новый метод
Новый метод использует машинные обучающие техники для модификации выходных данных климатической модели таким образом, чтобы прогнозы модели приближались к закономерностям, которые можно наблюдать в реальных данных.
Исследователи протестировали новый метод — Complete Density Correction using Normalizing Flows (CDC-NF) — с пятью наиболее широко используемыми глобальными климатическими моделями. Тестирование проводилось как в глобальном масштабе, так и в национальном масштабе для континентальных Соединённых Штатов.
«Точность всех пяти моделей улучшилась при использовании совместно с методом CDC-NF», — говорит Фанг. «И эти улучшения были особенно выражены в отношении точности как изолированных экстремальных явлений, так и сложных экстремальных явлений».
Код и данные, которые использовались, были [сделаны общедоступными](https://figshare.com/articles/dataset/GCM_biascorrected/27976818), чтобы другие исследователи могли использовать наш метод в сочетании со своими модельными усилиями или дополнительно доработать метод в соответствии со своими потребностями, — говорит Арумугам. «Мы оптимистичны, что это может улучшить точность прогнозов, используемых для информирования стратегий адаптации к климату».
Статья была написана в соавторстве с Эмили Гектор, доцентом кафедры статистики в Университете штата Северная Каролина; Брайаном Рейхом, заслуженным профессором статистики имени Гертруды М. Кокс в Университете штата Северная Каролина; и Ритамом Маджумдером, доцентом кафедры статистики в Университете Арканзаса.
Предоставлено [North Carolina State University](https://phys.org/partners/north-carolina-state-university/)