Увеличение детализации климатических прогнозов

Новая система DeepSD (deep learning-based statistical downscaling), разработанная исследователями из Северо-Восточного университета и NASA Ames, позволяет создавать высокодетализированные климатические прогнозы для конкретных локаций. Система использует методы глубокого обучения для "увеличения масштаба" (downscaling) исторических климатических данных, что дает возможность моделировать будущие условия с более высоким пространственным разрешением.

Эта работа критически важна для адаптации к изменению климата на местном уровне. В то время как глобальные модели хорошо описывают региональные тренды, для планирования инфраструктуры (энергосети, водоснабжение) в городах, защиты прибрежных зон или уязвимых экосистем необходимы прогнозы, "привязанные" к конкретным точкам. Система DeepSD обрабатывает огромные массивы исторических данных NASA (температура, осадки, рельеф) с помощью суперкомпьютера Pleiades, обучая искусственные нейронные сети распознавать паттерны.

"Эти данные с повышенным разрешением будут иметь огромную ценность для исследователей климата и экологов, изучающих влияние на экосистемы или изменения климата в сценариях будущего потепления", — отметил Санграм Гангули, соавтор исследования из Института экологических исследований залива NASA Ames. Ведущий автор Томас Вандал видит потенциал DeepSD для решения широкого круга задач — от отслеживания экстремальных погодных явлений до прогнозирования стихийных бедствий.