Количественная оценка изменений климата с использованием стандартизированных базовых периодов необходима для отслеживания темпов и пространственной структуры происходящих сдвигов в климатической системе Земли. Однако до сих пор отсутствуют надёжные и всесторонние глобальные сопоставления последовательных климатических норм. Используя данные реанализа ERA5-Land с высоким пространственным разрешением (около 9 км), авторы сравнили климатические нормы за периоды 1961–1990 и 1991–2020 гг., чтобы задокументировать изменения температуры, осадков и классификации климатов по системе Кёппена–Гейгера на всей площади суши. Средняя температура поверхности суши в межпериодный интервал выросла на 0,731 °C; при этом наиболее интенсивное потепление наблюдалось в средних и высоких широтах, что согласуется с явлением полярного усиления потепления. Среднее глобальное количество осадков за два 30-летних периода снизилось на 8,8 мм (диапазон изменений составил от −1343 до +3887 мм), что указывает на интенсификацию гидрологического цикла и аридизацию субтропических регионов. Эти гидроклиматические изменения привели к смене климатических категорий по системе Кёппена–Гейгера на площади 18,5 млн км² (12,4% всей суши), причём темпы этих изменений существенно превышают предыдущие оценки, основанные на данных с более низким разрешением. Преобладающая часть изменений климатических условий происходила в сторону более тёплых и сухих режимов. Пространственная автокорреляция аномалий температуры и осадков (индекс Морана составил 0,76 и 0,7 соответственно) свидетельствует о пространственно согласованном характере изменений — что подтверждается дополнительным тестом с использованием суррогатных данных Фурье, — а не о случайных локальных колебаниях. Полученные результаты демонстрируют, что измеримая и пространственно структурированная трансформация климата уже произошла в течение всего одного межпериодного интервала, что имеет прямые последствия для устойчивости экосистем, агросистем и водных ресурсов. Масштаб и пространственная согласованность наблюдаемых изменений подчёркивают необходимость обновления базовых показателей для планирования и адаптации оценок уязвимости к новым климатическим нормам.

Ссылка: https://link.springer.com/article/10.1007/s10584-026-04303-4

В данном исследовании представлена обновлённая оценка трендов стратосферного и общего содержания озона в атмосфере за период 2000–2024 гг. с использованием шести объединённых наборов данных профиля атмосферы по краю диска Земли и шести объединённых наборов данных общего содержания озона. Долгосрочные изменения были количественно оценены с помощью модели множественной линейной регрессии, учитывающей динамическую и химическую изменчивость. В дополнение к стандартным регрессорам (солнечный цикл, квазидвухлетняя осцилляция, Эль-Ниньо-Южное Колебание, оптическая плотность стратосферного аэрозоля) авторы включили индексы Арктической и Антарктической осцилляций и вихревой тепловой поток в каждом полушарии в качестве индикаторов динамической изменчивости. Воздействие вулканической активности (и лесных пожаров) на аэрозоли представлено отдельными индикаторами для трёх периодов, в которых доминируют крупные вулканические события Эль-Чичон, Пинатубо и извержения вулканов после 2000 года, включая Хунга-Тонга. Эти специфические для каждого периода прокси-данные используются для более точного учёта изменяющихся динамических реакций озона, которые в значительной степени зависят от сезона и места извержений. Все наборы данных профилей последовательно показывают положительные тренды в верхней стратосфере, с наиболее сильным восстановлением озона в южных средних широтах, что согласуется с другими исследованиями. В нижней стратосфере тренды остаются слабыми, пространственно неоднородными и преимущественно отрицательными. Сравнение трендов стратосферного столба, полученных из данных профилей, с трендами общего содержания озона показывает тесное соответствие во всех широтных диапазонах. В пределах неопределённостей трендов тренды общего содержания озона с 2000 года в значительной степени обусловлены изменениями стратосферного озона, в то время как вклад тропосферы в зонально-средние тренды общего содержания озона (разница между общим и стратосферным трендами в столбе) представляется незначительным. Расширенная регрессионная модель улучшает представление недавней динамической изменчивости и предоставляет обновлённую перспективу восстановления стратосферного озона до 2024 года.

Ссылка: https://acp.copernicus.org/articles/26/13359/2026/

На фоне рекордных температур, зафиксированных в 2023–2024 гг., и наблюдаемых по всему миру экстремальных погодных явлений в научной литературе и СМИ ведутся дискуссии о том, происходит ли ускорение глобального потепления. В данной работе авторы рассматривают этот вопрос на региональном уровне, выявляя области, где данные наблюдений за приземной температурой указывают на рост темпов потепления. Полученные результаты свидетельствуют о существовании устойчивых пространственно-временных закономерностей ускорения и начала потепления, наблюдаемых с 1970 года и подтверждаемых различными массивами данных о температуре у поверхности Земли. Показано, что ускорение и начало потепления происходили в разных регионах, причём преимущественно в средних широтах Северного полушария. Отмечается значительная вариативность сроков начала ускорения регионального потепления: этот процесс начинался в разные периоды — от 1980-х до 2010-х годов. Полученные результаты вносят уточнения в продолжающуюся дискуссию об ускорении глобального потепления, позволяя определить конкретные регионы, где меняются темпы потепления, а также временные рамки этих изменений.

Ссылка: https://www.nature.com/articles/s41467-026-77514-z

Поскольку многочисленные модели прогнозирования погоды на базе искусственного интеллекта обучаются с использованием данных климатического реанализа, возникает острая необходимость в независимых наборах данных, основанных на результатах наблюдений, для верификации прогнозов. В данной работе, опирающейся преимущественно на сеть GHCN (Global Historical Climatology Network), представлен набор данных GHCNdgp (GHCN daily gridded precipitation), охватывающий период с 2020 по 2025 гг. Для повышения плотности сети станций и расширения пространственного охвата были объединены два набора данных суточных наблюдений (GHCN daily и Global Surface Summary of the Day) и три набора данных с внутрисуточным разрешением (GHCN hourly, Integrated Surface Database и Integrated Global Land surface Dataset). Проверки пространственно-временной согласованности сочетались с проверками целостности данных и времени регистрации наблюдений, что позволило выявить аномальные значения и определить время передачи данных станциями. Кроме того, набор данных GHCNdgp был сопоставлен с тремя существующими продуктами по осадкам с использованием коэффициента корреляции Пирсона: IMERG V07 Late (Integrated Multi-satellitE Retrievals for Global Precipitation Measurement), MSWEP V2.8 (Multi-Source Weighted-Ensemble Precipitation) и GPCC First Guess Daily (Global Precipitation Climatology Centre). Результаты показали, что более 90% аномальных наблюдений обусловлены идентичными значениями и повторяющимися последовательностями данных. Медианное значение коэффициента корреляции Пирсона для станций, у которых периоды накопления осадков смещены на 24 часа, как правило, ниже 0,25. Процедуры контроля качества позволили повысить медианное значение коэффициента корреляции Пирсона: с 0,46 до 0,62 (при сравнении с IMERG), с 0,54 до 0,71 (с MSWEP) и с 0,33 до 0,47 (с GPCC). Эти результаты свидетельствуют о том, что набор данных GHCNdgp эффективно устраняет расхождения во времени регистрации наблюдений и соответствует пространственному разрешению сетки 0,25° × 0,25°, характерному для моделей прогнозирования погоды на базе искусственного интеллекта. Данный набор данных находится в открытом доступе на платформе Zenodo в формате NetCDF (Network Common Data Form) и предоставляет важные наземные данные об осадках, необходимые для оценки качества (бенчмаркинга) прогнозов погоды, создаваемых с помощью искусственного интеллекта.

Ссылка: https://www.nature.com/articles/s41597-026-08145-8

Влияние аэрозолей — предмет активных исследований в мегаполисах с высокой антропогенной нагрузкой, расположенных в условиях северного климата. В Москве — самом северном из крупнейших мегаполисов Европы — был проведён анализ многолетних характеристик аэрозолей, при этом особое внимание уделялось эквивалентному чёрному углероду (equivalent black carbon, eBC). Среднегодовая концентрация eBC составила 1,3 ± 0,8 мкг/м³. Выраженной сезонной изменчивости выявлено не было (наблюдалось лишь незначительное повышение — примерно на 15% — в августе и сентябре), что контрастирует с данными по другим городам Европы и Азии, где обычно фиксируются высокие зимние показатели. Среднемесячные концентрации PM₁₀ и PM_2.5 демонстрировали схожую динамику. Были выявлены значимые отрицательные корреляции между концентрацией eBC и скоростью ветра, а также между eBC и высотой пограничного слоя атмосферы. Анализ функции условной вероятности в зависимости от сезона показал, как уровень eBC реагирует на ветер, что позволило определить в качестве источников крупные автомагистрали и промышленные предприятия. Суточный ход концентрации характеризовался двумя пиками летом и сглаженным профилем весной и осенью, тогда как зимой наблюдалась иная картина с максимумом в дневные часы. Среднегодовая динамика по дням недели отражала влияние утренних и вечерних часов пик в рабочие дни, сменяющееся структурой с одним ночным пиком в выходные. К сезонным региональным источникам были отнесены жилой сектор, сельское хозяйство и летние лесные пожары. Вклад сжигания ископаемого (дизель, бензин, газ) и твёрдого (биомасса, уголь) топлива оценивался на основе частотного распределения показателя поглощения Ангстрёма и модели аэталометра, использующей дополнительные маркеры (ионы K⁺ и оксиды азота NOx) для ограничения значений показателя поглощения Ангстрёма. Доля eBC, образующегося при сжигании ископаемого топлива (eBC_FF), достигала 83%; низкая доля eBC от твёрдого топлива (eBC_SF) указывала на перенос продуктов сгорания биомассы и угля с прилегающих территорий. Это первое исследование для Москвы, в котором проводится сопоставление с другими европейскими мегаполисами с использованием чёрного углерода в качестве современного показателя качества воздуха, принятого в Европе.

Ссылка: https://www.sciencedirect.com/science/article/abs/pii/S1352231026005893

Сектор зданий играет ключевую роль в достижении климатической нейтральности, поскольку вносит значительный вклад в конечное потребление энергии и выбросы парниковых газов. Однако возможности регионального энергетического планирования ограничены нехваткой высокодетализированных пространственно-временных наборов данных, одновременно охватывающих жилые, промышленные и общественные здания (сектор услуг). В данном исследовании разработан интерактивный энергетический атлас Валлонии с высоким пространственным разрешением, объединяющий кадастровые сведения, региональную энергетическую статистику, типовые модели зданий (архетипы) и стандартизированные временные профили нагрузки. Предложенная методология сочетает детальные кадастровые данные о 1,69 млн зданий с региональной статистикой и типовыми моделями для оценки годовых энергетических показателей с использованием гибридного подхода, объединяющего методы «сверху вниз» (top-down) и «снизу вверх» (bottom-up). На основе этих годовых оценок были сформированы профили с почасовой детализацией (8760 часов в году) с использованием стандартизированных профилей нагрузки BDEW для пяти показателей: потребление тепловой энергии (Heat Consumption, HC), потребность в тепловой энергии (Heat Demand, HD), потребление электроэнергии (Electricity Consumption, EC), потребность в электроэнергии для охлаждения (Cooling Electricity Demand, CED) и потребление электроэнергии на отопление (Heating Electricity Consumption, HEC). Полученные данные были агрегированы по четырём административным уровням (регион, провинция, округ, муниципалитет), охватывающим 5 провинций, 20 округов и 262 муниципалитета, и представлены в виде интерактивного веб-приложения, созданного с использованием инструментов Python, Dash и Plotly. Сформированные почасовые профили демонстрируют существенные различия в объёмах энергопотребления и его временном распределении в зависимости от категории здания. На уровне отдельных зданий среднее почасовое потребление тепла варьируется от 3,33 кВт·ч для сблокированных домов до 18,53 кВт·ч для многоквартирных домов; эти абсолютные значения отражают различия в размерах зданий и плотности жилья, поэтому они дополняются показателями энергоёмкости, нормированными на площадь. В секторе услуг наибольшая потребность в электроэнергии (40,07 кВт·ч) зафиксирована для объектов транспортной инфраструктуры, тогда как самые высокие показатели среднего потребления тепла (18,26 кВт·ч) характерны для зданий культурного и спортивного назначения. Промышленные объекты демонстрируют значительно более высокие расчётные потребности в энергии: так, для предприятий химической промышленности среднее почасовое потребление тепла и электроэнергии достигает 7275,5 кВт·ч и 2843,0 кВт·ч соответственно. Проверка достоверности модели на основе данных мониторинга семи реальных объектов (жилых, промышленных и сферы услуг) показала среднее значение коэффициента вариации среднеквадратичной ошибки на уровне около 27%, хотя имеющиеся данные мониторинга позволяют провести эмпирическую оценку преимущественно для показателей HC и EC. Анализ графиков продолжительности нагрузки выявляет характерные временные закономерности, различающиеся по секторам: более выраженная сезонная изменчивость в профилях жилого сектора, зависимость от графиков деятельности в профилях сферы услуг и относительно стабильные нагрузки в промышленном секторе; при этом данные временные характеристики отчасти унаследованы от используемых типовых профилей BDEW. Таким образом, «Энергетический атлас Валлонии» обеспечивает интеграцию на региональном уровне кадастровых данных, оценок годового энергопотребления, стандартизированных временных профилей, а также средств многомасштабной ГИС-агрегации и интерактивной визуализации, что служит основой для предварительного планирования энергосистем и оценки хода декарбонизации в регионе.

Ссылка: https://www.nature.com/articles/s41598-026-71587-y

Волна тепла, накрывшая западную часть Северной Америки в 2021 году, стала одним из самых экстремальных подобных явлений за всю историю наблюдений. Недавние исследования выявили событие сопоставимого масштаба и географического охвата, произошедшее в 1941 году. Однако о последствиях волны тепла 1941 года известно немного. В данной работе авторы проанализировали 357 выпусков 25 периодических изданий, вышедших до, во время и после волны тепла 1941 года, и выявили широкий спектр последствий, включая рост смертности, нехватку воды, ущерб урожаю, лесные пожары, наводнения, а также изменения в социальных обычаях и поведении людей. Затем они провели количественный анализ данных климатического реанализа, речного стока, уровня моря, урожайности сельскохозяйственных культур и смертности для сравнения с показателями 2021 года. Как качественный, так и количественный анализ позволили понять, каким образом и почему различались некоторые последствия этих двух волн тепла. Причинами различий стали: неодинаковая динамика развития волн тепла в масштабах континента и погодные условия после их завершения; меры реагирования, обусловленные одновременным протеканием других кризисов (Второй мировой войны и пандемии COVID-19); а также различия в социальных нормах, суточных приливно-отливных циклах, технологиях, инженерных решениях и инфраструктуре.

Ссылка: https://www.nature.com/articles/s43247-026-04055-0

Точный метеорологический прогноз имеет решающее значение для общественной безопасности и экономической стабильности, однако он в значительной степени опирается на модели численного прогноза погоды, результаты работы которых зачастую сложны для понимания неспециалистами. Хотя большие языковые модели демонстрируют потенциал в преобразовании структурированных данных в естественный язык для автоматизации подготовки прогнозов, прогресс в этой области сдерживается острой нехваткой наборов данных, позволяющих преодолеть разрыв между модальностями и отразить неявные логические рассуждения экспертов-метеорологов. Для решения этой задачи авторы представляют Grid2Text — тщательно подготовленный набор данных, связывающий сеточные метеорологические характеристики (на основе данных ERA5) с проверенными экспертами текстовыми прогнозами, содержащими явные цепочки рассуждений касательно температурных трендов, изменений вектора ветра, диапазонов влажности и типов осадков. Кроме того, были разработаны критерии валидации на основе процесса проверки с участием человека, чтобы гарантировать физическую непротиворечивость и логическую точность данных. Авторы ожидают, что этот общедоступный набор данных послужит стимулом для разработки интерпретируемых методов на базе больших языковых моделей, предназначенных для описания и обсуждения прогнозов погоды, и тем самым внесёт вклад в развитие области генерации научных текстов.

Ссылка: https://www.nature.com/articles/s41597-026-08249-1

Мишра (Mishra) утверждает, что экология пока не готова к внедрению искусственного интеллекта (ИИ, (1)). Эти опасения вполне обоснованы: экологические выводы зависят от контекста, наборы данных зачастую скудны и предвзяты, а модели, демонстрирующие хорошие статистические показатели, могут оказаться биологически несостоятельными. Однако такая оценка неполна. Вопрос заключается не только в том, готовы ли экологи к использованию ИИ, но и в том, может ли экология позволить себе оставаться в стороне от его развития. В недавних обзорах отмечается, что ИИ трансформирует такие области, как экологический мониторинг, прогнозирование, классификация и управление, — и в то же время указывается на уже известные препятствия: качество данных, интерпретируемость моделей, высокие вычислительные затраты и проблемы экологической обобщаемости (2–6).

Готовность неоднородна, но она существует

Утверждение о том, что экология не готова к внедрению искусственного интеллекта, грешит представлением этой научной области как чего-то однородного. В некоторых её направлениях готовность действительно низкая: многие учебные программы до сих пор уделяют недостаточно внимания машинному обучению, анализу распространения неопределённости и проблеме алгоритмической предвзятости. Однако в других областях экологии рабочие процессы уже строятся на базе ИИ, причём за последнее десятилетие число экологических исследований, использующих технологии ИИ, стремительно растет [рис. 1, (7)]. Использование фотоловушек, методов пассивного акустического мониторинга, спутникового дистанционного зондирования, систем биорегистрации (biologging), анализа ДНК из объектов окружающей среды (eDNA) и платформ гражданской науки привело к появлению экологических данных в таких объёмах, которые невозможно обработать вручную (8–11). В этих сферах ключевой вопрос заключается в том, примут ли экологи участие в определении исходных допущений, стандартов проверки и биологической интерпретации используемых моделей.

^{Динамика публикаций в области экологических исследований с применением ИИ, основанная на результатах поиска в базе данных Web of Science (согласно работе (4)). Вертикальная пунктирная линия обозначает конечную точку исходного набора данных за 2011–2022 гг. (4). Расширение периода поиска до 2026 года показывает, что общее число экологических исследований продолжает расти устойчивыми темпами, в то время как число экологических исследований, связанных с ИИ, за последнее десятилетие увеличивается ускоренными темпами — быстрее, чем при экспоненциальном росте.}

Риск недостаточного использования также имеет значение

Мишра подчёркивает риски чрезмерной самоуверенности, непрозрачности и некритического принятия (1). Эти риски реальны. Однако недостаточное использование также имеет свою цену. Экология сталкивается с проблемами мониторинга, которые слишком масштабны, быстро развиваются и пространственно распределены для использования только традиционных рабочих процессов. Обесцвечивание кораллов, перераспределение видов, возникновение болезней, распространение инвазивных видов, коллапс экосистем и неудача в восстановлении часто происходят быстрее, чем можно обработать экологические данные. ИИ может ускорить обнаружение, сортировку полевых исследований, извлечение структуры из разнородных данных и выявление закономерностей, которые трудно обнаружить с помощью традиционных методов анализа. Рейнольдс и др. выявили 21 область, где ИИ может принести пользу охране природы, одновременно предупреждая о вреде, таком как потеря навыков охраны природы (3).

ИИ должен расширять экологическую теорию

Самый веский аргумент в пользу ИИ в экологии — это не автоматизация, а синтез. Экология долгое время испытывала трудности с масштабированием: поведение отдельных особей не всегда точно соответствует популяциям, локальные процессы трудно масштабируются до ландшафтов, а краткосрочные наблюдения часто не позволяют предсказать долгосрочные изменения. ИИ предлагает инструменты для связывания наблюдений между различными датчиками, масштабами и системами (3, 5), но эти инструменты должны быть ограничены экологическими знаниями. Механистические модели, иерархический вывод, пространственная экология, естественная история и полевые эксперименты остаются важными. Будущее — это не предсказание «чёрного ящика», заменяющее экологическую теорию. Это гибридная экология: модели, которые сочетают понимание процессов с гибким обучением на основе данных.

На пути к экологическому ИИ

Области исследований редко бывают готовы к применению методов, способных радикально их преобразить, — готовность формируется в процессе использования, через неудачи, выработку стандартов, воспроизводимость результатов и институциональные инвестиции. Поэтому правильнее ставить вопрос не как «экология ещё не готова к внедрению ИИ», а как «экология должна определить принципы ответственного использования ИИ». Мишра справедливо отмечает, что некритичный подход к внедрению ИИ может нанести вред экологическим выводам (1). Однако ИИ, разработанный с опорой на экологическую теорию и реалии полевых исследований, способен произвести в экологии настоящую революцию. Задача сегодня состоит не в том, чтобы оставаться в стороне от этих перемен, а в том, чтобы возглавить их.

References
1 P. Mishra, Ecology is not yet ready for AI—And why that matters. Proc. Natl. Acad. Sci. U.S.A. 123, e2533976123 (2026).
2 C. Cipriano, S. Noce, S. Mereu, M. Santini, Algorithms going wild—A review of machine learning techniques for terrestrial ecology. Ecol. Modell. 506, 111164 (2025).
3 S. A. Reynolds et al., The potential for AI to revolutionize conservation: A horizon scan. Trends Ecol. Evol. 40, 191–207 (2025).
4 M. Ryo, Ecology with artificial intelligence and machine learning in Asia: A historical perspective and emerging trends. Ecol. Res. 39, 5–14 (2024).
5 M. Pichler, F. Hartig, Machine learning and deep learning—A review for ecologists. Methods Ecol. Evol. 14, 994–1016 (2023).
6 S. Christin, E. Hervet, N. Lecomte, Applications for deep learning in ecology. Methods Ecol. Evol. 10, 1632–1644 (2019).
7 Roff, Code for “Ecology must shape AI before AI reshapes ecology” (2026). https://github.com/marine-ecologist/PNAS-ecology-AI-code. Accessed 17 September 2026.
8 M. S. Norouzzadeh et al., Automatically identifying, counting, and describing wild animals in camera-trap images with deep learning. Proc. Natl. Acad. Sci. U.S.A. 115, E5716–E5725 (2018).
9 J. Waldchen, P. Mader, Machine learning for image based species identification. Methods Ecol. Evol. 9, 2216–2225 (2018).
10 D. Tuia et al., Perspectives in machine learning for wildlife conservation. Nat. Commun. 13, 792 (2022).
11 E. M. Ditria et al., Artificial intelligence and automated monitoring for assisting conservation of marine ecosystems: A perspective. Front. Mar. Sci. 9, 918104 (2022).

Ссылка: https://www.pnas.org/doi/10.1073/pnas.2619925123

Хотя сценарии изменения климата неизменно предсказывают будущие изменения океанической циркуляции, по-прежнему необходима межбассейновая оценка масштабов, интенсивности и механизмов, лежащих в основе этих изменений. В связи с этим в данном исследовании количественно оцениваются изменения объёмного переноса океанических течений и их связь со смещением ветвей субтропических круговоротов и изменениями ветрового воздействия на основе прогнозов, полученных в рамках проекта CMIP6. Для этого были проанализированы ежемесячные данные 24 моделей с учётом сценария, при котором с крайне высокой вероятностью будет превышен порог глобального потепления на 2°C по сравнению с началом века. В целом, для западных пограничных течений Северного полушария прогнозируется общее снижение объёмного переноса к 2090–2100 гг. Напротив, в Южном полушарии ожидается усиление переноса Бразильского и Восточно-Австралийского течений, тогда как для течения Игольного мыса (Агульяс) прогнозируется его ослабление. Северные ветви субтропических круговоротов в основном смещаются к северу, за исключением Южного Пассатного течения в Атлантике. Результаты множественной линейной регрессии и анализа разложения дисперсии указывают на то, что будущие изменения объёмного переноса связаны с механизмами, специфичными для каждого бассейна. В Северной Атлантике объёмный перенос Гольфстрима связан как с изменением положения дрейфовой части Северо-Атлантического течения, так и с аномалиями ротора напряжения трения ветра. В южной части Тихого океана изменения Восточно-Австралийского течения в основном обусловлены миграцией Южного Пассатного течения, а в Индийском океане замедление течения Игольного мыса обусловлено прежде всего аномалиями ротора напряжения трения ветра. Что касается южной части Атлантики и северной части Тихого океана, то для Бразильского течения и течения Куросио значимых связей с рассматриваемыми механизмами выявлено не было.

Ссылка: https://link.springer.com/article/10.1007/s00382-026-08385-9