Использование ИИ для связи волн тепла с глобальным потеплением
Исследователи из Стэнфорда и Университета штата Колорадо разработали быстрый и недорогой подход для изучения влияния глобального потепления на отдельные экстремальные погодные явления. Их метод, описанный 21 августа в Science Advances, использует машинное обучение для определения вклада глобального потепления в волны тепла в США и других регионах в последние годы.
Этот высокоточный подход может изменить методы изучения и прогнозирования влияния изменения климата на различные экстремальные явления. Результаты также помогут в разработке стратегий адаптации к климату и актуальны для судебных исков о компенсации ущерба, вызванного изменением климата. Исследователи обучили модели ИИ прогнозировать ежедневные максимумы температур на основе региональных погодных условий и глобальной средней температуры, используя данные климатических моделей за период с 1850 по 2100 год.
Затем, используя фактические погодные условия реальных волн тепла, они предсказали, насколько жаркими были бы эти события при разных уровнях глобального потепления, и сравнили результаты для оценки влияния изменения климата на частоту и интенсивность исторических явлений. Анализ волны тепла в Техасе в 2023 году показал, что глобальное потепление сделало её на 1,18–1,42 °C жарче. Метод также точно предсказал масштабы рекордных волн тепла в других частях мира.
Используя ИИ, учёные спрогнозировали, что события, равные по интенсивности худшим волнам тепла в Европе, России и Индии за последние 45 лет, могут происходить несколько раз в десятилетие, если глобальная температура достигнет уровня на 2,0 °C выше доиндустриального (сейчас — около +1,3 °C).
«Машинное обучение создаёт мощный мост между реальными метеорологическими условиями, вызывающими конкретное экстремальное явление, и климатическими моделями», — отметил старший автор исследования Ноа Диффенбо. Новый метод, использующий исторические данные и существующие симуляции, позволяет проводить точный и недорогой анализ экстремальных событий по всему миру, что важно для адаптации, и открывает возможности для анализа в реальном времени.