Исследование пересечения ИИ и климатической физики: роль машинного обучения в развитии климатологии

Экспоненциальный рост больших данных и вычислительной мощности трансформирует климатологию, при этом машинное обучение играет ключевую роль в описании физики меняющегося климата. К такому выводу пришла международная группа учёных во главе с профессором Аннализа Бракко в обзорной статье, опубликованной в журнале Nature Reviews Physics.

Исследование показало, что машинное обучение стимулирует прогресс в трёх ключевых областях: восполнение пробелов в наблюдательных данных, создание более надёжных климатических моделей и улучшение прогнозов, особенно в области погоды. Однако работа также подчёркивает пределы возможностей ИИ. «Машинное обучение фантастически расширяет временные и пространственные масштабы, для которых у нас есть измерения, но оно не может предсказывать будущие тренды или собирать необходимые данные», — отмечает Бракко.

Один из важных примеров — улучшение параметризаций в климатических моделях. Учёные могут запускать модель в чрезвычайно высоком разрешении на короткое время, чтобы с помощью машинного обучения вывести уравнения, которые лучше всего аппроксимируют процессы на малых масштабах. Эти уравнения затем используются в более грубых моделях, которые можно запускать на сотни лет. Бракко подчёркивает, что, хотя полная климатическая модель, основанная исключительно на машинном обучении, пока недостижима, этот инструмент уже продвигает нашу способность точно предсказывать погодные системы и такие явления, как Эль-Ниньо.