Вследствие многомерного характера засухи и ограниченности одновариантных индексов в плане учёта совокупного метеорологического, гидрологического и социально-экономического воздействия, прогнозирование гибридных засух предоставляет ценную информацию для управления водными ресурсами. В данном исследовании предлагается система моделирования гибридной засухи на основе объединения индексов для бассейна реки Марун (Иран), охватывающая исторический (2002–2021 гг.) и будущий (2022–2040 гг.) периоды в рамках сценариев изменения климата SSP3.70 и SSP5.85. Ряд стандартных индексов засухи, основанных на данных об осадках, притоке воды, запасах в водохранилищах и расходе воды, был объединен с использованием энтропии Шеннона (SE), функций копулы* (C) и метода главных компонент (PCA) соответственно. В результате были разработаны три гибридных индекса засухи: SEHDI (на основе энтропии Шеннона), CHDI (на основе копулы) и PCAHDI (на основе метода главных компонент). После оценки оптимальных временных масштабов для отдельных индексов был выбран индекс CHDI, поскольку он обеспечивает комплексное и сглаженное представление динамики засухи, а также лучше отражает её продолжительность и интенсивность. Затем для прогнозирования гибридных индексов засухи (HDI) были применены три модели искусственного интеллекта: многослойный перцептрон (MLP), регрессия на основе метода опорных векторов (SVR) и случайный лес (RF). Кроме того, модели MLP и RF использовались для объединения результатов моделирования искусственным интеллектом с целью повышения точности прогноза. Результаты показали, что модель на основе объединения методов с использованием MLP демонстрирует высокую эффективность для индекса CHDI при сценарии SSP3.70, а модель на основе объединения методов с использованием RF — при сценарии SSP5.85. При использовании моделей, основанных на объединении методов, точность оценки индекса HDI существенно возросла (показатель ошибки улучшился на 2,4% для сценария SSP3.70). Полученные данные указывают на повышенный риск засухи при сценарии SSP5.85 (с высоким уровнем выбросов) и на снижение риска при более умеренном сценарии SSP3.70, что подтверждает практическую ценность предложенной системы для мониторинга засух и планирования управления водными ресурсами.

* Копула (от лат. copula — «связка», «соединение») — математическая функция, связывающая многомерное распределение с его одномерными (маргинальными) распределениями, описывая структуру зависимости между случайными величинами.

Ссылка: https://www.nature.com/articles/s41598-026-71545-8

В данном исследовании оцениваются вызванные изменением климата угрозы водной обеспеченности озимой пшеницы для степной и лесостепной зон России — регионов, где земледелие сопряжено с рисками из-за ограниченных водных ресурсов. Методология, основанная на принципах неравновесной термодинамики, связывает водную обеспеченность с транспирацией растений. К числу количественных показателей относятся обеспеченность растений влагой, риск дефицита влаги, риск недобора урожая и эффективность использования воды. Для моделирования многолетних рядов компонентов водного баланса использовалась модель земной поверхности SWAP; расчёты выполнялись на основе метеорологических данных четырёх глобальных климатических моделей для исторического периода (1977–2014 гг.) и трёх сценариев изменения климата (SSP1-2.6, SSP3-7.0, SSP5-8.5) на период 2015–2100 гг. Анализ проводился для посевов озимой пшеницы в районах расположения девяти агрометеорологических станций на юге европейской части России, а также в Западной и Восточной Сибири. Моделирование для исторического периода выявило субоптимальную обеспеченность растений влагой, значительные риски дефицита влаги и недобора урожая вследствие водного стресса, а также низкую эффективность использования воды (почти половина суммарного испарения приходится на непроизводительные потери влаги). Прогнозы указывают на рост температуры воздуха и разнонаправленные изменения осадков в зависимости от региона: их снижение на европейской территории и рост (преимущественно переходящий в сток) в Сибири. Прогнозируется снижение фактической транспирации (до 5–15% по сценарию SSP5-8.5 к 2071–2100 гг.), что ведёт к ухудшению водной обеспеченности и увеличению абсолютных потерь урожая; при этом средние показатели недобора урожая выше на станциях европейской части, чем в Сибири (17 ц/га против 11 ц/га соответственно по сценарию SSP5-8.5 в период 2071–2100 гг.). Полученные результаты свидетельствуют о росте рисков в сельском хозяйстве и необходимости разработки стратегий адаптации — в частности, мер по снижению непроизводительного испарения (например, путём мульчирования) для повышения водной обеспеченности без применения орошения.

Ссылка: https://link.springer.com/article/10.1007/s10584-026-04310-5

Сокращение выбросов метана открывает значительные возможности для смягчения последствий антропогенного изменения климата в ближайшей перспективе, если эффективно бороться с основными источниками. Природный газ является крупным и управляемым источником метана. Несмотря на масштабную модернизацию трубопроводов в городах, сокращение выбросов метана остаётся значительно меньше, чем ожидалось, что указывает на наличие упущенных путей распространения выбросов. Используя долгосрочные наблюдения с вышек в одном из мегаполисов США, авторы обнаружили сильный сезонный цикл выбросов метана, достигающий пика в зимний отопительный и летний охлаждающий сезоны. Выбросы метана из природного газа доминировали в оба сезона и были сильно коррелированы с потреблением, что дало коэффициент потерь 1,7±0,6 %, что эквивалентно примерно 300×10⁶ долларов США в год неиспользованного природного газа. Неполное сгорание было основным наблюдаемым сигналом, связанным с природным газом, это указывает на необходимость приоритетного внимания при планировании мер по смягчению последствий антропогенного изменения климата в будущем в отношении неэффективного потребления природного газа.

Ссылка: https://acp.copernicus.org/articles/26/12911/2026/

Лесные пожары выбрасывают в атмосферу значительные объёмы малых газовых примесей и аэрозолей, играя тем самым важную роль в формировании состава тропосферы. Понимание и количественная оценка взаимодействий между пожарами, химией атмосферы и климатом приобретают всё большее значение в связи с ростом активности лесных пожаров во многих регионах за последние десятилетия. В данной работе авторы использовали модель E3SM (версия 3) с интегрированным модулем химии (в стандартной конфигурации) и данными о выбросах от пожаров GFED5 для оценки влияния современных лесных пожаров на состав атмосферы и радиационный баланс. Установлено, что в период 1997–2022 гг. лесные пожары приводили к увеличению среднеглобальных годовых значений общего содержания CO и O₃ в столбе атмосферы на 16 ± 2 % и 6 ± 1 % (здесь и далее приводятся значения «среднее ± стандартное отклонение») соответственно; наиболее значительный рост наблюдался в пожароопасных районах южной части Амазонии, Центральной Африки и тропической Азии. Также выявлено, что пожары вносят существенный вклад в межгодовую изменчивость концентраций CO и O₃ в тропических широтах, обеспечивая тем самым лучшее соответствие данным прямых (in situ) наблюдений. Выбросы от пожаров увеличивают глобальную аэрозольную оптическую толщину на 7 ± 2 %, что приводит к снижению суммарного радиационного потока у поверхности примерно на 1,1 Вт/м²; это обусловлено главным образом прямым ослаблением падающего солнечного излучения и косвенным влиянием аэрозолей на облачность. Эффекты охлаждения лишь частично компенсируются незначительным радиационным потеплением у поверхности (+0,07 Вт/м²), вызванным изменением концентрации озона под влиянием пожаров. Проведённый анализ позволяет лучше понять пространственно-временные аспекты влияния лесных пожаров на глобальное содержание малых газовых примесей и аэрозолей в тропосфере, а также предлагает ряд новых диагностических показателей для оценки качества моделей, описывающих взаимосвязь климата и лесных пожаров.

Ссылка: https://egusphere.copernicus.org/preprints/2026/egusphere-2026-4288/

Сеточные кадастры выбросов CO₂ с высоким пространственным разрешением служат основой для исследований углеродного цикла и позволяют увязать глобальные и национальные цели по снижению выбросов с региональными оценками и конкретными мерами по сокращению выбросов на местах. Основные наборы данных — ODIAC, EDGAR, MEIC-global и MEIC-China — используют различные пространственные прокси-показатели и методики учёта, что приводит к заметным расхождениям. В данном исследовании сравниваются исторические и новейшие версии этих кадастров на глобальном уровне, на уровне пяти стран с наибольшим объёмом выбросов и на уровне отдельных ячеек сетки; при этом анализируются различия между версиями и самими кадастрами, а также влияние пространственного разрешения. Результаты показывают, что расхождения в общих глобальных объёмах выбросов составляют лишь 7,97% и 2,03%, однако наблюдается выраженная региональная неоднородность. Максимальные расхождения достигают 17,58% для России и 44,68% для Японии; доля ячеек сетки с расхождениями более 50% превышает 35%. В версиях ODIAC (после v2022) и EDGAR (после v8.0) неопределённость, связанная с обновлением версий, снизилась, тогда как в MEIC-China сохраняются значительные различия между версиями (14,52% и 17,88%), обусловленные длительными циклами обновления данных. Пространственное разрешение оказывает нелинейное влияние на величину расхождений, причём наиболее заметные изменения наблюдаются в районе 2°: при разрешении меньше 2° расхождения, как правило, возрастают, тогда как при разрешении грубее 2° они постепенно уменьшаются и, по-видимому, стабилизируются. Данная работа позволяет уточнить ключевые характеристики кадастров, что важно для выбора и объединения данных, а также для реализации методов точного управления углеродным балансом.

Ссылка: https://www.mdpi.com/2072-4292/18/18/3144

В данном исследовании анализируется относительный вклад выбора климатической модели, метода коррекции систематических ошибок и сценария выбросов в неопределённость прогнозов приземной температуры воздуха, осадков, температуры по влажному термометру (WBGT) и производительности труда — от глобального до локального масштаба. Оценка четырнадцати моделей проекта CMIP5 проводилась на основе данных реанализа JRA-55 с использованием методов линейного масштабирования и квантильного отображения; статистическая значимость результатов проверялась с помощью t-критерия Стьюдента, а неопределённость разлагалась на составляющие, отражающие вклад внутренней изменчивости, моделей и сценариев. Коэффициенты коррекции ошибок, полученные на основе исторических данных (1960–2005 гг.), применялись к будущим периодам для сценариев RCP2.6, RCP4.5 и RCP8.5. Кроме того, для реконструкции климатических полей при широком спектре значений концентрации CO₂-эквивалента использовался инструмент машинного обучения QuickClim, что позволило провести расширенный анализ чувствительности. Результаты показывают, что метод квантильного отображения в целом превосходит линейное масштабирование при коррекции данных об осадках и температуре, хотя оба метода существенно снижают систематические ошибки. Разложение неопределённости выявило, что в прогнозах температуры доминирующим фактором в ближайшей перспективе является выбор модели, тогда как к концу столетия на первый план выходит выбор сценария; в то же время неопределённость исходных данных по осадкам обусловлена ​​преимущественно различиями между моделями, однако после коррекции ошибок со временем возрастает влияние сценария. Неопределённость будущих прогнозов существенно возрастает при переходе от глобального масштаба к локальному. Моделирование с помощью QuickClim также показало, что более высокие концентрации CO₂-эквивалента усиливают неопределённость прогнозов температуры, тогда как неопределённость осадков возрастает главным образом при уменьшении пространственного масштаба. На локальном уровне метод квантильного отображения даёт более высокие значения прогнозируемой температуры по влажному термометру и большие потери производительности труда по сравнению с линейным масштабированием, что подчёркивает важность выбора метода коррекции ошибок при оценке региональных климатических рисков.

Ссылка: https://link.springer.com/article/10.1007/s10584-026-04250-0

Недавние исследования показывают, что потепление ускоряет континентальную засуху, но эти выводы основаны на индексах засухи, использующих потенциальное испарение типа Пенмана. Хотя оно широко используется и может подходить для территорий, не испытывающих дефицита воды или орошаемых, оно может завышать испарительную потребность в более широких пространственных масштабах, игнорируя ограничения, связанные с взаимодействием суши и атмосферы; энергетические формулы потенциального испарения типа Пенмана могут устранить это ограничение. Применяя несколько формул потенциального испарения типа Пенмана для расчёта стандартизированного индекса осадков и испарения (Standardized Precipitation Evapotranspiration Index, SPEI) за период 1981–2024 гг., авторы показали, что методы типа Пенмана искусственно завышают вклад потенциального испарения в тенденции SPEI, что приводит к тенденциям засухи, по меньшей мере, в шесть раз более сильным, чем энергетические SPEI, в зависимости от интенсивности, частоты и продолжительности засухи. Авторы не обнаружили значительного ускорения тенденций засухи на ~99% квазиглобальной площади суши ни при одном из типов потенциального испарения типа Пенмана. Этот вывод остаётся устойчивым в масштабах столетий (1901– или 1950–2024 гг.). Таким образом, сообщаемое ускорение засухи в значительной степени отражает неточные методы оценки потенциального испарения и нечёткие аналитические модели, а не истинную экогидрологическую реакцию на потепление, что имеет важные последствия для оценки климатических рисков и планирования адаптации.

Ссылка: https://www.nature.com/articles/s43247-026-03954-6

Чёрный углерод — это кратковременно существующий климатически активный агент, представляющий собой совокупность твёрдых частиц с различными физическими, химическими и оптическими свойствами. Однако в современных оценках глобального климата чёрный углерод рассматривается как единое вещество, без учёта различий в свойствах его подтипов, что вносит значительную неопределённость в оценку его влияния на климат. Авторы оценивают климатическое значение этой неоднородности, используя около 2500 результатов термооптических измерений углеродных фракций из различных источников выбросов, чтобы сформировать глобальный реестр, разделяющий чёрный углерод на «чар» (char) — фракцию, слабо поглощающую свет, — и «сажу» (soot), поглощающую свет более интенсивно; охват данных составляет период с 1750 по 2019 гг. Был выявлен рост доли сажи в общем объёме антропогенных выбросов чёрного углерода: с 16% в 1750 году до 35% в 2019 году, что было вызвано прежде всего увеличением потребления ископаемого топлива. Эти изменения, согласующиеся с данными анализа донных отложений, указывают на то, что современные выбросы чёрного углерода обладают более высоким потенциалом глобального потепления в пересчете на единицу массы по сравнению с выбросами начального этапа индустриальной эпохи. Полученные результаты подчёркивают необходимость учёта различных подтипов чёрного углерода в климатических моделях и важность приоритетного сокращения выбросов из источников, характеризующихся высоким содержанием сажи.

Ссылка: https://www.nature.com/articles/s41561-026-02085-z

В точном земледелии всё чаще применяются основанные на анализе данных методы для решения задач мониторинга стрессового состояния культур и засухи в условиях меняющегося климата. В связи с этим необходима инновационная система на базе глубокого обучения для оценки динамики стресса растений, способствующая повышению продуктивности сельского хозяйства и обеспечению региональной продовольственной безопасности, поскольку традиционные модели зачастую не способны уловить тонкие пространственные и спектральные вариации, что ограничивает точность и обобщающую способность результатов. Для решения этих проблем был предложен инновационный адаптивный подход, использующий многовременные спутниковые снимки Sentinel-2, полученные для территории деревни Халдхармау (округ Гонда, штат Уттар-Прадеш, Индия). Модель эффективно объединяет локальные спектральные и пространственные характеристики с более широкими контекстными признаками, обеспечивая классификацию культур и выявление стрессовых состояний для нужд точного земледелия. Карты стресса и засухи были созданы с использованием гибридной модели классификации (CNN+ViT) в сочетании с данными индексов NDVI и NDWI для оценки изменчивости состояния культур под воздействием засухи в период 2023–2025 гг. Ежемесячные (с января по июнь) карты стресса, полученные в ходе этого процесса, дают ценную информацию о временных закономерностях воздействия неблагоприятных условий на посевы. Предложенная система позволяет получить количественные данные о временных и пространственных аспектах уязвимости и устойчивости сельскохозяйственных культур в условиях полузасушливых агроландшафтов. Таким образом, данная разработка совершенствует методы моделирования в точном земледелии за счёт интеграции спутниковых снимков, технологий глубокого обучения и фенологического анализа, а также может быть легко адаптирована для других подверженных засухе регионов с аналогичными системами земледелия.

Ссылка: https://www.nature.com/articles/s41598-026-70304-z

Точный выбор сельскохозяйственных культур — ключевой фактор, определяющий продуктивность фермерского хозяйства с учётом различных характеристик почвы и климатических условий. Большинство современных рекомендательных систем на базе искусственного интеллекта ограничиваются прогнозами или общими советами, не обеспечивая достаточной прозрачности в отношении обоснования конкретных рекомендаций по выбору культур. В данной статье представлена ​​система KRISHI.AI (название образовано от слова «krishi», означающего на хинди «сельское хозяйство», и аббревиатуры AI — «искусственный интеллект») — платформа на базе объяснимого искусственного интеллекта, предназначенная для рекомендаций по выбору сельскохозяйственных культур на основе анализа данных. Система подбирает подходящие культуры, используя семь агрономических и экологических параметров: содержание азота (N), фосфора (P) и калия (K), уровень pH почвы, температуру, влажность и количество осадков. Решение объединяет модель многоклассового прогнозирования на базе алгоритма LightGBM с методами интерпретации признаков (SHAP) и контрфактическим анализом («что, если») с учётом агрономических ограничений; это позволяет объяснить причины выбора конкретной культуры и показать, как возможные изменения входных условий могут повлиять на рекомендацию. Система использует ансамбль деревьев решений с градиентным бустингом (LightGBM) для формирования высокоточных рекомендаций по 22 классам культур, достигая точности на тестовой выборке 99,39% и макро-усреднённого показателя F1, равного 0,9900. Прогнозы дополняются визуализацией вклада признаков (на основе метода SHAP) и контрфактическим анализом, разъясняющим влияние входных факторов на рекомендации и то, как изменение условий на поле сказывается на пригодности культур. Количественная оценка модуля контрфактического анализа, проведённая на 100 тестовых примерах, показала уровень валидности 94,60%, среднее расстояние изменений признаков по метрике L1, равное 0,18, и среднее число изменённых признаков (2,10) на сценарий, что подтверждает практическую достоверность и лаконичность (разреженность) генерируемых объяснений. Функциональные возможности системы реализованы через интерактивную веб-панель на базе Streamlit, обеспечивающую интуитивно понятную обратную связь в реальном времени и позволяющую фермерам и специалистам сельского хозяйства анализировать различные сценарии принятия решений без необходимости обладать техническими знаниями. Объединяя высокую точность прогнозирования с ориентированной на пользователя интерпретируемостью в рамках единого легковесного решения (модель объемом 4,3 МБ, время отклика 187 мс), KRISHI.AI способствует внедрению доступных и надёжных систем поддержки принятия решений в высокотехнологичном сельском хозяйстве, что особенно актуально для мелких фермерских хозяйств Индии. Показатель 189,3 мс соответствует конфигурации, использованной для профилирования методом абляции, тогда как 187 мс отражает типичную сквозную задержку развёрнутого конвейера обработки данных, зафиксированную в ходе основного эксперимента по вычислительному профилированию. Указанную точность следует рассматривать как эталонный показатель эффективности, а не как свидетельство готовности прогностической модели к непосредственному применению в полевых условиях. поскольку равномерно сбалансированный набор данных не учитывает такие факторы, как шум измерений, пропущенные значения, пространственная неоднородность и сезонная изменчивость, характерные для реальных условий сельского хозяйства. Тем не менее, конвейер интерпретируемости и архитектурные решения создают воспроизводимую основу для прозрачных систем искусственного интеллекта в сельском хозяйстве.

Ссылка: https://www.nature.com/articles/s41598-026-68815-w