Как машинное обучение помогает исследователям настраивать климатические модели для достижения беспрецедентной детализации

Машинное обучение используется для обработки огромных массивов исторических климатических данных и наблюдений с целью улучшения прогнозов будущего климата Земли. Эти прогнозы будут играть ключевую роль в смягчении антропогенного воздействия на климат в предстоящие годы.

Подходы машинного обучения применяются в двух ключевых областях: наблюдениях и моделировании. Алгоритмы помогают обрабатывать экспоненциально растущие объемы данных, которые невозможно проанализировать вручную. Например, в наблюдениях с помощью спутников, таких как предстоящая миссия NASA SWOT, машинное обучение позволяет восполнять пробелы в данных и создавать полную глобальную картину поверхности океана в любой момент времени.

Основная проблема климатического моделирования — вычислительные ограничения. Текущие климатические модели, используемые для проекций на сотни лет вперед, вынужденно работают с низким разрешением из-за колоссальных требований к мощности суперкомпьютеров. Это приводит к тому, что модели не отражают мелкомасштабные турбулентные процессы, критически важные для точности. Решением является параметризация — интеграция эффектов мелкомасштабных процессов в модели с грубым разрешением. Машинное обучение, обучаясь на данных реалистичных высокодетализированных моделей, способно создавать гораздо более точные параметризации, делая долгосрочные климатические прогнозы одновременно более точными и вычислительно осуществимыми.