Машинное обучение повышает точность климатических моделей — особенно для составных экстремальных явлений

Исследователи разработали новый метод машинного обучения для улучшения проекций крупномасштабных климатических моделей и продемонстрировали, что этот инструмент повышает точность моделей как на глобальном, так и на региональном уровне. Это достижение должно предоставить политикам более точные климатические прогнозы для информирования решений и планирования.

"Глобальные климатические модели (GCM) необходимы для политического планирования, но они часто не справляются с составными экстремальными явлениями, когда экстремальные события происходят в короткой последовательности — например, сильные дожди сразу сменяются периодом аномальной жары", — поясняет первый автор работы Шици Фан. Проблема в том, что модели плохо улавливают наблюдаемые паттерны таких событий в данных, что снижает точность их прогнозов как в глобальном, так и в локальном масштабе.

"Все модели несовершенны, и существующие методы коррекции смещений хорошо работают с одним параметром (например, осадками), но плохо — с несколькими одновременно (осадки и температура)", — отмечает соавтор Санкар Арумугам. Новый метод Complete Density Correction using Normalizing Flows (CDC-NF) использует машинное обучение для корректировки выходных данных модели, приближая их к реальным наблюдаемым паттернам.

Тестирование метода на пяти наиболее широко используемых глобальных климатических моделях (CMIP6) для глобального масштаба и континентальной части США показало повышение точности всех моделей. Улучшения были особенно значительными для прогнозирования как изолированных, так и составных экстремальных явлений. Исследователи опубликовали код и данные в открытом доступе, чтобы другие научные группы могли использовать этот метод для повышения точности прогнозов, лежащих в основе стратегий адаптации к изменению климата.