Более простые модели могут превзойти глубокое обучение в прогнозировании климата

Исследователи из Массачусетского технологического института (MIT) продемонстрировали, что в определенных климатических сценариях более простые, основанные на физике модели могут давать более точные прогнозы, чем современные модели глубокого обучения.

Их анализ также выявил, что распространенный метод оценки машинного обучения для климатических прогнозов может искажаться из-за естественной изменчивости данных, например, колебаний погодных условий. Это может создать ложное впечатление о превосходстве глубокого обучения. Исследователи разработали более надежный способ оценки, который показал, что простые модели точнее для оценки региональных температур поверхности, а подходы глубокого обучения могут быть лучшим выбором для прогнозирования локальных осадков. Эти результаты были использованы для улучшения инструмента моделирования — климатического эмулятора, который быстро симулирует влияние деятельности человека на будущий климат.

«Мы пытаемся разработать модели, которые будут полезны для лиц, принимающих решения при выборе климатической политики. Хотя использование новейшей масштабной модели машинного обучения для климатической проблемы может быть привлекательным, это исследование показывает, что важно и полезно сделать шаг назад и тщательно обдумать основы проблемы», — говорит старший автор исследования Ноэль Селин, профессор MIT.

Исследователи сравнили традиционный метод, называемый линейным масштабированием паттернов (LPS), с моделью глубокого обучения, используя стандартный набор данных. Результаты показали, что LPS превосходит модели глубокого обучения по точности прогноза почти всех протестированных параметров, включая температуру и осадки. Однако они обнаружили, что высокая естественная изменчивость в климатических моделях может ухудшать работу глубокого обучения на долгосрочных колебаниях, таких как Эль-Ниньо/Ла-Нинья.

Создав новую, более корректную методику оценки, учитывающую изменчивость, ученые выяснили, что модель глубокого обучения стала немного лучше LPS для локальных осадков, но LPS оставалась точнее для прогнозов температуры. На основе этих результатов LPS был интегрирован в платформу климатической эмуляции для прогнозирования локальных температурных изменений.

«Мы не утверждаем, что LPS всегда должен быть целью. У него есть ограничения, например, он не предсказывает изменчивость или экстремальные погодные явления», — отмечает соавтор Раффаэле Феррари. Исследователи надеются, что их работа подчеркнет необходимость разработки лучших методов тестирования, которые помогут выбрать оптимальный инструмент для каждой конкретной задачи.