Прогнозирование волн тепла за несколько месяцев с помощью машинного обучения

Ученые под руководством Центра Euro-Mediterranean Center on Climate Change (CMCC) разработали систему прогнозирования, способную предоставлять полезную информацию за четыре-семь недель до лета. Это дает ценное время для повышения готовности к волнам тепла — одному из самых смертоносных климатических рисков в Европе.

Система машинного обучения, обученная на данных многовекового климатического анализа, продемонстрировала рост эффективности прогнозов при резком сокращении требуемых вычислительных ресурсов. Это делает подобные методы доступными для большего числа исследователей и институтов. Исследование, опубликованное в Communications Earth & Environment, показывает, как методы машинного обучения (ML) и искусственного интеллекта (AI) революционизируют климатологию, позволяя делать более точные и экономичные прогнозы по сравнению с традиционными подходами.

«ML станет фундаментальной частью того, как мы изучаем климатическую изменчивость», — говорит ведущий автор Ронан МакАдам. — «Это исследование продемонстрировало полезность ML в прогнозировании экстремальных явлений, но это лишь первый шаг в определении того, как это делать для получения интерпретируемых и физически значимых результатов». Раннее предупреждение об экстремально жарком лете может помочь обществу подготовиться к смягчению экономических потерь и снижению рисков для жизни.

Система использует оптимизационную структуру выбора признаков, которая определяет оптимальную комбинацию атмосферных, океанических и наземных переменных для прогнозирования вероятности волн тепла в Европе. Метод не только соответствует, а в некоторых случаях превосходит традиционные системы, но и предоставляет информацию о том, какие предикторы были использованы. Например, влажность почвы в Европе, температурные режимы и атмосферная циркуляция оказались наиболее критичными локальными предикторами, в то время как отдаленные сигналы из тропической части Тихого и Атлантического океанов также вносят вклад в точность прогноза.

Одним из самых инновационных аспектов исследования стало обучение ML-системы на палеоклиматических симуляциях, охватывающих годы 0–1850, что обеспечило значительно больший объем обучающих данных по сравнению с доступными наблюдательными записями. «Недостаточно реальных данных для достаточного обучения прогноза, поэтому модели ML фактически изучали драйверы волн тепла в модельном мире, но успешно применили обучение к реальному миру», — поясняет МакАдам.

Помимо повышения эффективности, резкое сокращение вычислительных требований делает сезонное прогнозирование с помощью этой техники доступным для более широкого круга исследователей. «Наше исследование успешно расширило прогнозирование на основе данных и ML до сезонного масштаба, используя крошечную долю вычислительных ресурсов традиционных подходов», — отмечает ученый. Это открывает новые возможности для климатических сервисов в различных секторах, включая сельское хозяйство, здравоохранение, управление энергетикой и планирование действий в чрезвычайных ситуациях.