Морской лёд — важнейший регулятор климата Земли и объект прогнозирования, важность которого постоянно растёт. Можно ли доверять системам искусственного интеллекта, которые сейчас разрабатываются для таких прогнозов?

Ещё десять лет назад специализированных систем прогнозирования состояния морского льда на основе искусственного интеллекта (ИИ) практически не существовало.

Сегодня их насчитываются десятки; они охватывают оба полюса и работают в диапазоне временных масштабов от нескольких дней до целых сезонов. Расчёты, на выполнение которых раньше требовались дни работы суперкомпьютера, теперь можно провести за считанные минуты на обычном ноутбуке.

Однако скорость и эффективность — это ещё не надёжность. Данных наблюдений, необходимых для создания и всестороннего тестирования таких систем, по-прежнему недостаточно как в Арктике, так и в Антарктике.

Для устранения этого пробела было создано новое международное научное сообщество — ORCAS (Observational Requirements in the Context of AI prediction systems for Sea ice / «Требования к данным наблюдений для систем прогнозирования морского льда на основе ИИ»). Инициатива ORCAS была учреждена в 2025 году в качестве рабочей группы Научного комитета по океаническим исследованиям (SCOR) — в которую входят все авторы публикации, — а также в качестве целевой группы проекта PCAPS («Полярный комплексный анализ и прогнозирование для обеспечения сервисов»), реализуемого в рамках Всемирной программы исследований погоды (WWRP).

Объединяются специалисты по сбору данных, разработчики ИИ и эксперты по физическому моделированию со всего мира, чтобы определить, какие именно данные наблюдений требуются для перспективных систем прогнозирования морского льда на базе ИИ. Это сообщество носит глобальный характер, а его деятельность во многом движима молодыми учёными.

Наблюдения по-прежнему играют ключевую роль

Системы прогнозирования состояния морского льда превратились в практические инструменты, лежащие в основе климатического обслуживания, принятия оперативных решений и обеспечения безопасности жителей высоких широт. От надёжности прогнозов зависят безопасность передвижения и охоты коренных народов Арктики. Морским судам необходимы прогнозы, поступающие практически в режиме реального времени, чтобы избегать опасных ледяных полей. В точных прогнозах также нуждаются рыбопромысловые предприятия, поисково-спасательные службы и специалисты по планированию прибрежных территорий.

Изначально такие системы создавались в рамках научных исследований, призванных выяснить, можно ли предсказывать состояние морского льда при переходе от одного сезона к другому [Chen and Yuan, 2004] и на какой срок вперёд возможен такой прогноз [Holland et al., 2013]. С тех пор эти разработки переросли в масштабную систему прогнозирования.

Инновационные методы, опирающиеся на научные достижения в области прогнозирования арктического морского льда [Bushuk et al., 2024] (рис. 1), сегодня позволяют получать прогнозы практически в режиме реального времени для обоих полюсов. Расширение масштабов международных усилий по прогнозированию — в частности, в рамках проекта S2S (прогнозы на сроки от внутрисезонных до сезонных) [Vitart and Robertson, 2018] и инициативы SIPN South (Сеть прогнозирования морского льда в Южном полушарии) [Massonnet et al., 2023] — свидетельствует о стремительном развитии этой области.

^{Рис. 1. На этом графике показано ежегодное число рецензируемых публикаций, полученных в результате запроса Scopus, сопоставляющего термины прогнозирования морского льда с ключевыми словами в области ИИ и машинного обучения. В 2018 году эта область была небольшой и стабильной, а затем резко ускорилась. Два события обрамляют самый резкий рост: выпуск IceNet в 2021 году [Andersson et al., 2021], показавший, что глубокое обучение может соответствовать или превосходить динамические модели для сезонных прогнозов морского льда, и обвал морского льда в Антарктиде в 2023 году до рекордно низкого уровня. Штриховая полоса за 2026 год отражает публикации только за январь-май.}

На сегодняшний день в области прогнозирования состояния морского льда применяется широкий спектр подходов, которые проект ORCAS стремится интегрировать в свою работу. Например, традиционные динамические климатические модели, основанные на описании физических процессов, имитируют взаимодействие атмосферы, океана и ледяного покрова. Эти модели по-прежнему широко используются, поскольку позволяют получать обширные ретроспективные данные (хиндкасты) для оценки точности прогнозов, а также формировать большие ансамбли для анализа неопределённости. Однако они могут быть весьма ресурсоёмкими с точки зрения вычислительных мощностей и подверженными систематическим погрешностям.

Перспективными и эффективными решениями (рис. 2) становятся новые методы на базе искусственного интеллекта, включая модели машинного обучения (ориентированные на анализ данных), гибридные системы с учётом физических закономерностей и крупномасштабные ИИ-модели погоды; зачастую они работают быстрее традиционных методов, демонстрируя сопоставимую или даже более высокую точность прогнозирования. Эти подходы, как правило, делятся на две категории: краткосрочные региональные прогнозы (от нескольких дней до недели), необходимые для навигации, и долгосрочные прогнозы для всего Арктического региона (на недели или месяцы вперёд), оценивающие площадь ледяного покрова. На данный момент лишь немногие из этих методов ориентированы на Антарктику, и ещё меньше — на локальные условия, имеющие первостепенное значение для местных сообществ и навигации маломерных судов.

_{Рис. 2. На данной диаграмме, составленной на основе обзора ключевых моделей морского льда, 20 существующих систем сгруппированы по прогнозируемым параметрам (слева), классу модели (в центре) и способу формирования прогноза (справа). Большинство моделей прогнозируют площадь распространения морского льда, а не несколько переменных одновременно; при этом прогноз чаще всего формируется путём прямого предсказания будущего состояния, а не посредством пошагового продвижения во времени (авторегрессионные модели) или обработки входной последовательности (рекуррентные модели). Небольшая часть систем представляет собой эмуляторы, воспроизводящие поведение физически обоснованных моделей с упором на долгосрочную устойчивость. Ширина полос пропорциональна числу систем.}

Подходы к моделированию климата, основанные на физических процессах, и методы искусственного интеллекта менее независимы друг от друга, чем может показаться на первый взгляд. Модели на базе ИИ часто обучаются на данных реанализа, полученных в результате моделирования физических процессов, что обусловливает их общую «родословную». И те, и другие опираются на данные наблюдений: первые — для настройки и инициализации, вторые — для тестирования и обучения. Надёжные, легкодоступные и хорошо документированные данные наблюдений, поступающие практически в режиме реального времени, служат фундаментом для прогнозирования состояния морского льда вне зависимости от выбранного подхода.

Дефицит данных наблюдений

Сбор данных наблюдений в полярных регионах по-прежнему характеризуется разреженностью и неравномерным распределением, а также сложностью и высокой стоимостью поддержания наблюдательных сетей. Поскольку изменение климата переводит оба полюса в условия, не имеющие исторических аналогов, от систем прогнозирования требуется работа в сценариях, которые недостаточно полно представлены в данных наблюдений, использованных для их создания и тестирования.

Данные, подготовленные для использования в системах ИИ, и данные, ориентированные на изучение физических процессов, имеют свои преимущества и сопряжены с определёнными трудностями для формирующегося сообщества ORCAS (рис. 3). Данные, готовые к использованию в ИИ, как правило, стандартизированы, прошли контроль качества, приведены к регулярной сетке, хорошо документированы и доступны в масштабах, пригодных для обработки системами машинного обучения (например, поля глобального реанализа ERA5 [Hersbach et al., 2020]). Напротив, данные, ориентированные на изучение процессов, призваны раскрыть механизмы функционирования системы морского льда — например, посредством детальных измерений толщины, дрейфа и деформации льда, свойств снежного покрова или теплообмена между океаном, льдом и атмосферой. Такие наблюдения могут носить локальный или нерегулярный характер, проводиться в рамках отдельных экспедиций или с трудом поддаваться унификации, однако они обладают уникальной ценностью для проверки физической обоснованности прогнозов и получения независимых данных, используемых для валидации моделей (но не для их обучения).

_{Рис. 3. На каждом этапе прогнозирования с использованием ИИ — обучении, выводе (собственно прогнозировании) и верификации — современные системы в значительной степени опираются на продукты данных, представленные в виде регулярных сеток, включая результаты реанализа, данные атмосферного анализа и прогнозирования, а также материалы спутникового дистанционного зондирования. Данные прямых (in situ) измерений и результаты специализированных экспедиционных исследований (например, полученные с помощью буёв, судовых наблюдений и в ходе полевых кампаний) на всех этапах используются недостаточно эффективно; во многом это объясняется тем, что такие данные пока не приведены к форматам, пригодным для непосредственного усвоения моделями или интеграции через системы реанализа. Определение оптимальных способов усиления каждого из этапов за счёт использования этих немногочисленных, но крайне ценных данных наблюдений является главной задачей инициативы ORCAS (Observational Requirements in the Context of AI prediction systems for Sea ice — «Требования к данным наблюдений в контексте систем прогнозирования морского льда на базе ИИ»).}

Одна из общих задач для систем прогнозирования морского льда — сделать наборы данных наблюдений более доступными, совместимыми и пригодными для обучения и оценки ИИ — короче говоря, привести их в соответствие с принципами FAIR (доступность, совместимость и повторное использование).

Другая проблема связана со спутниковыми данными, которых в полярных регионах предостаточно. Пассивные микроволновые датчики картируют площадь морского льда на обоих полюсах с 1978 года, предоставляя длительные и согласованные данные, на основе которых обучаются и оцениваются большинство систем ИИ для прогнозирования морского льда. Данные с радиолокаторов с синтезированной апертурой, оптических изображений, альтиметрии и инфракрасных датчиков добавляют детали о типах льда, его толщине и деформации. Однако большая часть этих данных остаётся фрагментированной или трудно поддается согласованию между миссиями и временными периодами. Наборы данных, полученные в ходе кампаний, сталкиваются с аналогичными препятствиями.

Существует также разрыв в масштабах, который необходимо преодолеть. Точечные измерения и наблюдения в ходе кампаний должны быть связаны с сеточными продуктами в масштабе бассейна, которые обычно используются моделями ИИ. Новые сервисы, такие как IceBox, предназначенные для лиц, принимающих решения на борту судов в отдельных местах или вдоль конкретных маршрутов, стремятся сократить этот разрыв, повышая пространственное разрешение прогнозов значительно ниже текущих оперативных масштабов, до 100 метров и более.

Укрепление доверия к прогнозам морского льда, основанным на искусственном интеллекте

Стремительное внедрение систем прогнозирования на базе искусственного интеллекта в науках о Земле [Eyring et al., 2024] ставит фундаментальный вопрос: как обеспечить физическую обоснованность, высокую прогностическую точность и надёжность этих инструментов?

В контексте прогнозирования состояния морского льда это означает необходимость проверки не только точности самих прогнозов, но и физической адекватности поведения модели, её надёжности в различных условиях и практической ценности.

Не менее важна способность прогнозировать события, выходящие за рамки обучающей выборки (то есть не встречавшиеся при обучении модели), — такие явления в последние годы наблюдаются всё чаще. Ключевую роль в решении этой задачи играет независимая (внешняя) оценка. Для её проведения необходимы общие тестовые сценарии, единые наборы данных и чёткие методики прозрачного сравнительного анализа различных архитектур ИИ и традиционных численных моделей [Ullrich et al., 2025].

В рамках инициативы ORCAS важно стремиться разработать руководящие принципы оценки систем прогнозирования морского льда для различных временных горизонтов прогноза. Эти принципы будут опираться на общие сценарии валидации, согласованные наборы данных наблюдений и метрики, связывающие эффективность модели с реальными физическими процессами, происходящими с морским льдом.

Важным итогом недавнего рабочего совещания сообщества ORCAS стал вывод о том, что оценка не должна ограничиваться простыми показателями точности; она должна включать наблюдения, сфокусированные на конкретных физических процессах [Eayrs et al., 2026]. Такие наблюдения необходимо чётко увязывать между собой в различных пространственно-временных масштабах с помощью специализированных метрик (например, характеризующих дрейф, толщину и перенос льда). Кроме того, системы ИИ должны проходить проверку на соответствие известным физическим законам, а также испытания на способность надёжно прогнозировать условия в одном регионе (например, в Антарктике) после обучения на данных другого региона (например, Арктики).

Важное значение имеет и прозрачность. Модели искусственного интеллекта иногда называют «чёрными ящиками»: они выдают точные прогнозы, не раскрывая при этом логику своих рассуждений и не делая её интерпретируемой [Camps-Valls, 2026]. Проект ORCAS будет поддерживать использование инструментов интерпретируемости, позволяющих выявить, какие входные данные оказывают наибольшее влияние на результат работы модели [Rudin, 2019], а также методов более точной оценки неопределённости. Это позволит лицам, принимающим решения, понимать полученные данные и действовать на их основе. В целом, системы оценки, разрабатываемые в рамках ORCAS, будут нацелены на проверку того, сохраняют ли прогнозы состояния морского льда, полученные с помощью ИИ, физическую обоснованность в различных регионах и условиях прогнозирования, а также в условиях меняющегося климата.

Разработка таких систем требует итеративного процесса совместной работы специалистов по натурным наблюдениям, разработчиков моделей и специалистов по анализу данных; это необходимо для создания физически обоснованных критериев оценки и обеспечения практической значимости результатов для реальных задач.

Наблюдения для эпохи ИИ

Если для сравнительного анализа качества прогнозов уже существуют такие инициативы, как SIPN South [Massonnet et al., 2023], то проект ORCAS фокусируется на менее изученном вопросе: насколько физически реалистичны прогнозы ИИ и можно ли им доверять? Чтобы найти ответ на этот вопрос, систематизируются данные, полученные в ходе полевых кампаний и исследований отдельных процессов, формируя из них специализированные наборы данных для валидации.

Естественно, возникает вопрос, не приведёт ли приоритетное использование наблюдений, готовых к применению ИИ, к оттеснению на второй план сложных в обработке измерений, которые труднее стандартизировать, но которые необходимы для понимания физических процессов. Эта проблема решается с помощью двух параллельных стратегий. Во-первых, авторы адаптируют приоритеты наблюдений таким образом, чтобы ключевые переменные собирались в формах, которые системы ИИ могут легко использовать. Во-вторых, они работают с разработчиками над включением ориентированных на процессы наборов данных в качестве оценочных критериев, проверяющих физическую достоверность, выходящую за рамки простых показателей точности.

Работа организована вокруг трёх результатов. Первый — это валидационный анализ, сравнивающий прогнозы ИИ с историческими полевыми исследованиями, в рамках которого разрабатываются многоразовые оценочные структуры. Второй — это стратегический отчёт о приоритетах наблюдений для планирования Пятого международного полярного года. Третий — это доступное руководство для новичков в этой области.

Применение за пределами морского льда

Прогнозирование состояния морского льда с помощью искусственного интеллекта — одна из сложнейших задач в этой области. Данных здесь мало, условия меняются быстрее, чем предполагалось при обучении моделей, а физические процессы тесно взаимосвязаны на всех масштабах: от отдельных ледяных полей до целых океанических бассейнов. Однако подобные трудности характерны не только для полярных регионов.

В целом в науках о Земле возможности прогнозирования с применением ИИ растут быстрее, чем способность их проверять. Разрыв между точностью прогнозов и их физической обоснованностью, между стремительной разработкой моделей и более медленным процессом создания прозрачных и надёжных систем оценки, ощущается повсеместно: от климатического прогнозирования и моделирования океана до наук об атмосфере.

Проект ORCAS предлагает решение этой проблемы: его системы прогнозирования, хотя и ориентированы на морской лёд, нацелены на решение более широких задач. Приоритетные направления наблюдений, создаваемые системы оценки и разрабатываемые стандарты будут иметь значение, выходящее далеко за рамки подготовки очередного сезонного прогноза.

Успешное решение этой задачи в одном из самых труднодоступных для сбора данных и стремительно меняющихся уголков планеты внесёт вклад в масштабную работу по обеспечению надёжности ИИ-прогнозирования во всех науках о Земле — работу, к которой, как надеются авторы, присоединится широкое научное сообщество.

References
Andersson, T. R., et al. (2021), Seasonal Arctic sea ice forecasting with probabilistic deep learning, Nat. Commun., 12(1), 5124, https://doi.org/10.1038/s41467-021-25257-4.
Bushuk, M., et al. (2024), Predicting September Arctic sea ice: A multimodel seasonal skill comparison, Bull. Am. Meteorol. Soc., 105, E1170–E1203, https://doi.org/10.1175/BAMS-D-23-0163.1.
Camps-Valls, G. (2026), AI needs a new philosophy of science, Innovation, 7(5), 101311, https://doi.org/10.1016/j.xinn.2026.101311.
Chen, D., and X. Yuan (2004), A Markov model for seasonal forecast of Antarctic sea ice, J. Clim., 17, 3,156–3,168, https://doi.org/10.1175/1520-0442(2004)017%3C3156:AMMFSF%3E2.0.CO;2.
Eayrs, C., et al. (2026), The ORCAS Community Workshop: Connecting Observations and AI Sea Ice Prediction Systems—Workshop Report, Zenodo, https://doi.org/10.5281/zenodo.19543215.
Eyring, V., et al. (2024), Pushing the frontiers in climate modelling and analysis with machine learning, Nat. Clim. Change, 14(9), 916–928, https://doi.org/10.1038/s41558-024-02095-y.
Hersbach, H., et al. (2020), The ERA5 global reanalysis, Q. J. R. Meteorol. Soc., 146, 1,999–2,049, https://doi.org/10.1002/qj.3803.
Holland, M. M., et al. (2013), Initial-value predictability of Antarctic sea ice in the Community Climate System Model 3, Geophys. Res. Lett., 40(10), 2,121–2,124, https://doi.org/10.1002/grl.50410.
Massonnet, F., et al. (2023), SIPN South: Six years of coordinated seasonal Antarctic sea ice predictions, Front. Mar. Sci., 10, 1148899, https://doi.org/10.3389/fmars.2023.1148899.
Rudin, C. (2019), Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead, Nat. Mach. Intell., 1(5), 206–215, https://doi.org/10.1038/s42256-019-0048-x.
Ullrich, P. A., et al. (2025), Recommendations for comprehensive and independent evaluation of machine learning–based Earth system models, J. Geophys. Res. Mach. Learn. Comput., 2(1), e2024JH000496, https://doi.org/10.1029/2024JH000496.
Vitart, F., and A. W. Robertson (2018), The sub-seasonal to seasonal prediction project (S2S) and the prediction of extreme events, npj Clim. Atmos. Sci., 1, 3, https://doi.org/10.1038/s41612-018-0013-0.

 

Ссылка: https://eos.org/science-updates/reliable-ai-sea-ice-forecasts-depend-on-sustained-observations

 

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

 

Стартап проверяет, может ли стабилизация участков многолетней мерзлоты, подверженных быстрому разрушению, предотвратить выбросы парниковых газов.

Канадский стартап разрабатывает способ предотвращения выбросов парниковых газов из многолетней мерзлоты путём стабилизации почвы с помощью теплоизоляционного «покрывала» из древесных материалов. Если этот метод окажется эффективным, он может стать первым инструментом, позволяющим непосредственно сдерживать выбросы парниковых газов, выделяющихся из многолетней мерзлоты по мере потепления в Арктике.

«Наша цель — обеспечить, чтобы углерод, содержащийся в почве, оставался надёжно изолированным», — говорит Кансу Кулха (Cansu Culha), соучредитель компании PermaC и исследователь природных рисков в Университете Британской Колумбии (Ванкувер, Канада).

Мёрзлые участки земной поверхности оттаивают по мере повышения температуры, вызванного антропогенными выбросами. Единственный надёжный способ замедлить это таяние в глобальном масштабе — радикально сократить выбросы от сжигания ископаемого топлива. Однако некоторые исследователи изучают методы непосредственного предотвращения таяния: от укладки светоотражающих матов на ледники до закачки воды на морской лёд для увеличения его толщины.

По словам исследователей, подход компании PermaC — первый известный им метод, направленный именно на предотвращение таяния многолетней мерзлоты и связанных с ним выбросов; по оценкам, объём этих выбросов сопоставим с показателями Японии.

Компания недавно завершила первые испытания своих теплоизоляционных покрывал на территории Северо-Западных территорий Канады — на участке многолетней мерзлоты, подверженном быстрой эрозии (такое явление называют «ретрогрессивным термокарстовым оползнем»). Подобные оползни возникают, когда холм многолетней мерзлоты оттаивает и обрушивается, позволяя эрозии разрушать значительные участки ландшафта. В результате более глубокие слои почвы подвергаются воздействию тепла, образуя очаги интенсивных выбросов CO₂ и метана. Согласно одной из оценок, такие зоны быстрой эрозии могут увеличивать объём выбросов из многолетней мерзлоты на 40% по сравнению с показателями, рассчитанными в моделях, учитывающих лишь постепенное таяние.

Компания применяет метод стабилизации краёв термокарстовых провалов (оползней) с помощью слоя, состоящего из древесной стружки, грунта и семян местных растений, укрытого матом из кокосового волокна, напоминающим мешковину. Кулха говорит, что эта идея возникла у неё после того, как она узнала об опыте коренных народов Аляски, предотвращающих деградацию многолетней мерзлоты путём высадки деревьев по краям таких провалов. Подобные противоэрозионные покрытия уже используются в регионах с умеренным климатом, однако для теплоизоляции или стабилизации многолетней мерзлоты они до сих пор не применялись, отмечает она.

Компания PermaC пока не опубликовала результаты испытаний, проведённых в этом году. Тем не менее, покрытие, судя по всему, остановило эрозию: за время арктического лета край провала, не защищённый покрытием, отступил на 5 метров, тогда как на участке, укрытом матом, заметного отступления почвы зафиксировано не было, сообщает Кулха.

«Это весьма многообещающие результаты», — говорит Кристина Шедель (Christina Schaedel), специалист по многолетней мерзлоте из Центра климатических исследований Вудвелла (Фалмут, штат Массачусетс), консультирующая компанию. Впрочем, она добавляет, что эти данные получены на примере лишь одного провала и за один летний сезон.

«Зелёное» покрытие

Одной из сложностей является расчёт объёма выбросов CO₂, предотвращаемых благодаря использованию таких покрытий. Измерение выбросов углекислого газа из термокарстовых провалов — непростая задача, которая до сих пор остаётся предметом активных научных исследований, отмечает Марк Лара (Mark Lara), биолог из Иллинойсского университета в Урбане-Шампейне, изучающий ландшафты многолетней мерзлоты. «Безусловно, существуют провалы, из которых активно выделяется углерод», — говорит он. Однако, добавляет учёный, существует «множество нюансов, способных существенно повлиять на результаты». Например, объём выбросов из конкретного провала зависит от его геометрии, содержания углерода в почве и того, какая часть этого углерода в результате эрозии превращается в CO₂ или метан.

На данный момент у Кулхи есть лишь предварительные оценки объёмов выбросов, которые можно предотвратить с помощью таких покрытий. Экстраполируя данные исследований скорости эрозии и содержания углерода в почве Арктики, она полагает, что использование покрытий на типичном участке оползания грунта, богатом углеродом, позволит предотвратить выброс около 2200 тонн CO₂ в год. Если эти расчёты верны и покрытия удастся разместить на 20 000 подобных участков в Канаде и на Аляске (что составляет амбициозную цель компании на ближайшее десятилетие), то, по оценкам Кулхи, можно будет предотвращать выбросы примерно 40 миллионов тонн CO₂ ежегодно — объём, сопоставимый с годовым уровнем выбросов Венгрии.

По словам Кулхи, компания разрабатывает детальную методику, позволяющую независимой стороне проверять данные о предотвращённых выбросах; это необходимо для продажи углеродных кредитов, соответствующих объёму выбросов, которых удалось избежать благодаря использованию покрытий. Такие кредиты можно будет приобретать для компенсации выбросов в других местах. Компания планирует начать выпуск кредитов уже в следующем году; на данный момент она привлекла от инвесторов 1,4 миллиона канадских долларов (1 миллион долларов США), сообщает Кулха.

 

Ссылка: https://www.nature.com/articles/d41586-026-03045-8

 

На качество городского воздуха влияют разнообразные летучие органические соединения, и предыдущие исследования указывают на необходимость понимания сезонных особенностей их источников. В данной работе авторы объединяют методы масс-спектрометрии высокого разрешения и вихревой ковариации для количественной оценки потоков летучих органических соединений на участке городской/пригородной зоны Нью-Йорка в летний и зимний периоды. Выбросы характеризуются выраженной сезонностью: летом интенсивность обмена летучих органических соединений между поверхностью и атмосферой возрастает вдвое, а молярные потоки и потоки, рассчитанные с учётом реакционной способности, превышают зимние показатели в 2–4 раза. В летний период преобладают зависящие от температуры выбросы от летучих химических продуктов, растительности и жилого сектора; на долю одного лишь этанола приходится около 25% от общего потока. Зимой зависящие от температуры выбросы снижаются, и доминирующим источником становится автотранспорт. Обновлённые данные инвентаризации согласуются с результатами летних наблюдений (расхождение в пределах 40%), однако завышают зимние потоки более чем в 2,5 раза. Это зимнее расхождение обусловлено завышенной оценкой выбросов от летучих химических продуктов и приготовления пищи, а также неучётом процессов испарения, зависящих от температуры. Полученные результаты подчёркивают необходимость учёта сезонных и зависящих от температуры городских выбросов для корректной оценки уровня загрязнения и эффективности мер по его снижению в условиях глобальных изменений.

 

Ссылка: https://www.science.org/doi/10.1126/sciadv.aef9622

 

Внезапные засухи стали серьёзной угрозой, создающей растущие проблемы для природных и социально-экономических систем, однако влияние недавнего снижения концентрации аэрозолей на скорость их развития остаётся неясным. В данном исследовании авторы анализируют воздействие аэрозолей и лежащие в его основе механизмы, используя данные различных систем наблюдений и результаты климатического моделирования с использованием больших ансамблей. Снижение уровня аэрозолей всё чаще связывают с острым дефицитом почвенной влаги, при этом влияние аэрозолей на изменчивость скорости развития засух усиливается на 69,2% территории рассматриваемых регионов. На начальной стадии засухи изменения температуры воздуха, обусловленные колебаниями концентрации аэрозолей, вносят более значительный вклад в изменчивость скорости развития засухи, чем факторы, связанные с атмосферным спросом на влагу. Аэрозоли долгое время сдерживали развитие внезапных засух, однако их сокращение на фоне глобального потепления способствует ускорению этого процесса. Согласно прогнозам, по мере дальнейшего снижения выбросов аэрозолей площадь территорий с повышенным риском ускорения развития внезапных засух (согласно моделям, учитывающим аэрозольное воздействие) увеличится на 11,7% в период 2070–2099 гг. по сравнению с историческим периодом 1990–2019 гг.

 

Ссылка: https://www.nature.com/articles/s41467-026-78230-4

 

Оценка засух — крайне сложная задача, требующая использования высококачественных данных, что представляет собой серьёзный вызов для учёных и специалистов по управлению водными ресурсами. В данной работе представлен набор данных Global Multi-Index Drought (GMID) — многомасштабный массив данных с высоким разрешением, включающий пять стандартизированных индексов засухи: стандартизированный индекс осадков (SPI), индекс испарительного спроса при засухе (EDDI), стандартизированный индекс осадков и эвапотранспирации (SPEI), стандартизированный индекс дефицита эвапотранспирации (SEDI) и стандартизированный индекс дефицита давления пара (SVPDI). Этот набор данных охватывает весь земной шар и доступен для различных временных масштабов (от 1 до 12, а также 18, 24 и 48 месяцев) за период 1980–2024 гг., отличаясь высоким пространственным (0,1°) и временным (еженедельным и ежемесячным) разрешением. Набор данных GMID содержит две версии индексов засухи: одну, полученную с использованием традиционного подхода на основе единого распределения, и другую, сформированную с применением нового гибкого подхода, позволяющего выбирать такие функции распределения вероятностей, которые обеспечивают наилучшее соответствие нормализованных рядов в каждом конкретном случае. Благодаря высокому разрешению и гибкой многоиндексной структуре GMID существенно превосходит ранее существовавшие продукты с данными о засухах, представляя собой комплексный и надёжный долгосрочный ресурс для оценки засух (в том числе внезапных) в глобальном масштабе.

 

Ссылка: https://www.nature.com/articles/s41597-026-07904-x

 

Представлена система данных с высоким разрешением (на уровне отдельных зданий) для США, объединяющая информацию о конструкциях, фундаментах, материалах ограждающих конструкций, типовых моделях (архетипах), коэффициентах «воплощённого» углерода, объёмах материалов и базовых показателях эксплуатационного энергопотребления; в качестве примера рассматривается город Индианаполис. Базовые характеристики взяты из Национального реестра строительных объектов (National Structure Inventory) и привязаны к конкретным зданиям; недостающие данные об ограждающих конструкциях добавлены путём сопоставления панорам Google Street View (с учётом углов обзора) и результатов сегментации спутниковых снимков. Здания сгруппированы по стандартизированному коду типа (конструкция – фундамент – стена – крыша); каждый тип связан с расчётным (площадью 1000 кв. футов) в программе Athena Impact Estimator для получения масштабируемых коэффициентов «воплощённого» воздействия и ведомостей расхода материалов. Оценка эксплуатационного энергопотребления выполнена путём согласования архетипов ResStock с данными авторов и присвоения показателей интенсивности энергопотребления (электроэнергия, газ, суммарный показатель) с использованием системы иерархического сопоставления и методов замещения на основе нескольких моделей (включая Bayesian Ridge, Random Forest, Extra Trees, LightGBM, XGBoost, SoftImpute и простые методы заполнения пропусков). Публикация включает сводную таблицу по городу и унифицированный словарь данных, а также рабочий процесс, разработанный с расчётом на масштабирование до общенационального уровня. Набор данных предназначен для поддержки создания цифровых двойников городов, моделирования строительного фонда, выбора объектов для модернизации и анализа политики с учётом как «воплощённого», так и эксплуатационного воздействия.

 

Ссылка: https://www.nature.com/articles/s41597-026-08407-5

 

Методы глубокого обучения широко применяются для моделирования городских наводнений и управления рисками, связанными с ними. Хотя глубокое обучение обеспечивает аналитическую базу, именно уникальные характеристики самих типов (модальностей) исходных данных в значительной степени определяют эффективность моделей. В данной статье представлен обзор 289 исследований, опубликованных в период с 2016 по 2025 гг.; работы классифицированы по пяти типам данных на основе методов их получения, характеристик и процессов обработки: гидрогеопространственные физические данные, данные дистанционного зондирования, данные о восприятии людьми и социальном мониторинге (social sensing), акустические данные окружающей среды, а также методы кросс-модальной интеграции. Гидрогеопространственные физические данные и данные дистанционного зондирования преобладают в современных исследованиях благодаря своей стабильности, широкой доступности и высокой информационной насыщенности, в то время как данные о поведении людей и акустические данные используются недостаточно активно из-за их неоднородности, ограниченной доступности и трудоёмкости предварительной обработки. К числу основных проблем относятся потеря информации на этапе предварительной обработки, недостаточное согласование различных типов данных (кросс-модальное выравнивание), трудности при создании представлений, сочетающих статистическую корреляцию с физической обоснованностью, а также значительные региональные различия в данных. В конечном счёте, эти ограничения свидетельствуют о том, что в данной области по-прежнему доминируют модели, основанные исключительно на данных; для дальнейшего прогресса необходима интеграция методов статистического обучения с физическими механизмами, что позволит повысить надёжность моделей и их способность к обобщению.

 

Ссылка: https://www.mdpi.com/2072-4292/18/19/3426

 

Совместные экстремальные явления, сочетающие засуху и волну тепла (Compound drought and heat wave, CDHW), усиливают риски для здоровья населения, сельского хозяйства, энергетических систем и местных экономик, зачастую приводя к более тяжёлым последствиям, чем эти явления по отдельности. Актуальность этой проблемы наглядно продемонстрировали экстремальная жара и масштабная засуха на юге США в 2023 году, обнажившие сохраняющиеся социальные и инфраструктурные проблемы во многих регионах. В данном исследовании проводится картографирование случаев CDHW с учётом различных аспектов уязвимости на уровне округов — таких как социально-экономическое неблагополучие, зависимость от сельского хозяйства и уязвимость здоровья населения, — с целью выявления наиболее подверженных риску регионов США. Установлено, что воздействие CDHW распределено неравномерно: наибольшая нагрузка ложится на округа, характеризующиеся сочетанием социальных и инфраструктурных проблем. Например, округа с высоким уровнем бедности и значительной долей ветхого жилого фонда подвергаются воздействию CDHW в непропорционально высокой степени, что подчёркивает необходимость разработки стратегий адаптации, ориентированных на обеспечение социальной справедливости.

Частота и интенсивность совместных экстремальных явлений, сочетающих засуху и волну тепла, растут на территории континентальных штатов США, повышая риски для здоровья людей, экосистем, сельского хозяйства и систем производства энергии. Однако вопрос о том, как эти явления распределяются в социально-экономически уязвимых сообществах, на национальном уровне изучен недостаточно. В рамках данного исследования был разработан показатель CDHW, объединяющий еженедельные данные классификации засух (US Drought Monitor) с ежедневными данными об экстремальных температурах за период 2000–2021 гг., что позволило сопоставить случаи CDHW с социально-экономическими условиями на уровне округов. Анализ выявил значительные региональные различия: повышенная частота CDHW наблюдается на Юге, Юго-Востоке и Западе США. Регионы, сталкивающиеся с серьёзными социально-экономическими проблемами — такими как бедность, высокая занятость населения в сельском хозяйстве и уязвимость здоровья, — подвержены значительно более высоким рискам, связанным с CDHW. Более высокая пространственная концентрация случаев CDHW (на что указывают повышенные значения коэффициента Джини) наблюдается там, где пересекаются различные факторы социально-экономической уязвимости, например, в округах со значительной долей малоимущего населения и старым жилым фондом. Полученные результаты свидетельствуют о неравномерном распределении явлений CDHW среди социально уязвимых сообществ, что указывает на необходимость разработки адресных стратегий адаптации для снижения климатических рисков для наиболее уязвимых групп населения.

 

Ссылка: https://www.pnas.org/doi/10.1073/pnas.2607273123

 

Уплотнение городской застройки способствует компактному и устойчивому развитию, однако скрытые последствия этого процесса для доступа к солнечному свету в уже существующих районах изучены недостаточно. В данном исследовании проводится сравнительная оценка потерь зимнего солнечного света, вызванных уплотнением застройки, в исторических центрах 77 крупных городов Китая. Используя данные о трёхмерной структуре зданий, параметры движения Солнца для каждого города и методологию сравнения фактической ситуации с гипотетической (сценарий «что, если бы не было изменений»), авторы выделяют влияние реконструкции, проведённой после 1990 года, на сложившиеся районы. Результаты демонстрируют повсеместное сокращение инсоляции, значительный охват населения этим явлением, а также неравномерность последствий в зависимости от типа землепользования и конкретного города. Полученные данные позволяют рассматривать доступ к зимнему солнечному свету как измеримый показатель качества городской среды и социальной справедливости, что может служить основой для градостроительных решений и норм высотности, учитывающих вопросы естественного освещения.

Уплотнение городской застройки активно продвигается как способ повышения эффективности землепользования и сдерживания неконтролируемого разрастания городов, однако оно может приводить к сокращению доступа к солнечному свету в зимний период в исторических центрах — важном аспекте качества городской среды. Хотя известно, что трёхмерная (3D) структура города определяет условия инсоляции, большинство исследований посвящено текущим условиям, типичным формам застройки или проектным сценариям. Остаётся неясным, какой объём солнечного света был утрачен в результате недавней реконструкции, особенно в районах сложившейся застройки. В данной работе авторы количественно оценивают потери прямого солнечного света зимой, вызванные уплотнением застройки в исторических центрах 77 крупных городов материкового Китая. Были созданы карты доступа к прямому солнечному свету в день зимнего солнцестояния с пространственным разрешением 5 метров, используя данные о 3D-моделях зданий и параметры движения Солнца для каждого города; при этом фактическая застройка 2020 года сравнивалась с гипотетической моделью высотности зданий, существовавшей примерно в 1990 году. Гипотетическая модель учитывала эмпирические ограничения по высоте, характерные для каждого города, и была верифицирована на основе исторических данных о застройке конкретных кварталов. За три десятилетия уплотнение застройки привело к сокращению инсоляции в среднем на 36% территории исторических центров, при этом средняя продолжительность доступа к солнечному свету на затронутых участках снизилась с 5,37 до 3,75 часа. К 2020 году около 7% территории (603 км²) перешло из категории зон с достаточным уровнем инсоляции в категорию зон с недостаточным уровнем, а на 17,7% территории (1525 км²) продолжительность инсоляции опустилась ниже порогового значения в 2 часа. Средние потери составили от 1,08 до 2,46 часа; это затронуло примерно 16 миллионов жителей первых этажей, причём около 0,61 миллиона человек столкнулись со значительным сокращением продолжительности инсоляции — от 3 до 6 часов. Наиболее масштабные потери наблюдались в городах с изначально низкой продолжительностью инсоляции (особенно в городах второго эшелона), а также в населённых пунктах, расположенных в более высоких широтах. Полученные результаты создают масштабируемую основу для градостроительных преобразований и регулирования высотности застройки с учётом требований к инсоляции.

 

Ссылка: https://www.pnas.org/doi/10.1073/pnas.2624733123