Машинное обучение может стать прорывом в прогнозировании климата

Исследователи под руководством Пьера Жентина из Колумбийской школы инженерии продемонстрировали, что методы машинного обучения могут значительно улучшить представление облаков в климатических моделях с грубым разрешением (~100 км). Это ключевой шаг для сужения большого разброса в прогнозах глобального потепления, вызванного увеличением концентрации парниковых газов.

Точное моделирование облаков и их влияния на нагрев и увлажнение атмосферы остаётся главным вызовом для климатических прогнозов, от которых зависит принятие политических решений, например, в рамках Парижского соглашения. Новый подход, основанный на глубоких нейронных сетях, позволяет преодолеть эту проблему, обучая модель на данных симуляций, которые явно представляют облака.

Разработанная система Cloud Brain (CBRAIN) успешно предсказывает ключевые для климатического моделирования параметры облаков. Как отмечает ведущий автор работы Пьер Жантин, этот метод, движимый данными и построенный «сверху вниз», открывает новые возможности для представления физических процессов в моделях. Первые тесты в полностью связанных климатических моделях показывают, что CBRAIN также может улучшить оценки будущего роста температуры в ответ на выбросы парниковых газов.