Машинное обучение ускоряет климатические модели с высоким разрешением, делая их пригодными для локального уровня

Климатические модели — ключевой инструмент для прогнозирования последствий изменения климата. Однако современные модели не могут быстро и экономично предоставлять информацию на небольших масштабах, например, для отдельного города. Авторы новой статьи в Journal of Advances in Modeling Earth Systems нашли способ использовать машинное обучение для снижения вычислительных затрат при работе с такими моделями.

Исследователи применили технику состязательного обучения (adversarial learning), чтобы повысить разрешение глобальных климатических моделей для локальных регионов — процесс, известный как даунскейлинг. Традиционные методы даунскейлинга, сочетающие физические уравнения и историческую статистику, требуют больших вычислительных ресурсов. Новый подход упрощает физику, фокусируясь на ключевых параметрах (например, водяном паре и топографии), и дополняет её статистическими данными. Это позволило быстро и точно моделировать экстремальные осадки для таких разных мест, как гористый Денвер и равнинный Чикаго.

«Он дает нам экстремальные явления, как физическая модель, но с гораздо меньшими затратами. И он дает нам скорость, сравнимую со статистическими методами, но с гораздо более высоким разрешением», — говорит Сай Равела, ведущий автор исследования. Важным преимуществом оказалось малое количество данных, необходимых для обучения модели, — процесс занимает часы, а результаты получаются за минуты, в отличие от месяцев работы других моделей.

Быстрое и частое выполнение таких моделей критически важно для страховых компаний и местных властей, которым необходимо оперативно оценивать риски и принимать решения, например, по сельскому хозяйству или миграции населения в условиях меняющегося климата. Следующим шагом проекта станет адаптация модели для анализа других опасных явлений, таких как тропические штормы, ветры и температура.