Глобальное потепление и социально-экономическое развитие в совокупности приводят к резкому увеличению использования кондиционеров. Однако в результате применения технологии, обеспечивающей тепловой комфорт, также выбрасывается большое количество парниковых газов, усугубляя изменение климата. Авторы количественно оценивают глобальные выбросы парниковых газов, связанные с кондиционерами, и обусловленное этим воздействие на потепление в рамках пяти климатических сценариев, разделяя вклад глобального потепления и социально-экономического развития. В среднем сценарии (SSP245) совокупные выбросы, связанные с кондиционерами, достигают 113,3 Гт CO₂-экв в период с 2010 по 2050 гг., повышая среднюю глобальную температуру на 0,05°C (0,03°C-0,07°C), при этом только около 8,3% приходится на потребность в охлаждении, обусловленную изменением климата. Неравенство в доходах усугубляет неравенство в использовании кондиционеров, существенно ограничивая доступ к охлаждению в регионах с низким уровнем дохода. Хотя рост доходов уменьшает это неравенство, он увеличивает выбросы: рост потребления электроэнергии, обусловленный ростом доходов, добавляет 14–146 Гт CO₂-экв и дополнительное потепление на 0,003–0,05°C к 2050 году, даже при сценарии SSP119. Эти результаты подчёркивают необходимость быстрого перехода к низкоуглеродной экономике в сфере охлаждения, который уравновешивает общее воздействие на потепление с равным доступом к охлаждению.

Ссылка: https://www.nature.com/articles/s41467-026-69393-1

Изменение климата ускоряется с угрожающей скоростью: 2024 год был признан самым жарким годом за всю историю наблюдений, со средней температурой на 1,55 °C выше значений, установленных в Парижском соглашении. В связи с этим экстремальные погодные явления, такие как наводнения, жара, лесные пожары и таяние ледников, представляют угрозу для экологических систем. Инвестируя в солнечные технологии, страны могут работать над более устойчивым энергетическим будущим и решать насущную проблему изменения климата. В данной работе исследовался глобальный потенциал солнечной фотоэлектрической энергии с помощью моделей сезонной авторегрессионной интегрированной скользящей средней с экзогенными факторами (Seasonal Autoregressive Integrated Moving Average with Exogenous Factors, SARIMAX) и временной свёрточной сети (Temporal Convolutional Network, TCN), реализованных на языке Python, для периода с 2023 по 2050 гг., используя входные данные за период с 2000 по 2022 гг. Результаты показали, что мощность солнечных фотоэлектрических систем составляла 1,23 ГВт в 2000 году, а затем увеличилась до 1053,12 ГВт к 2022 году. Модели SARIMAX и TCN оценили будущую мощность солнечных фотоэлектрических систем, которая, по прогнозам, увеличится с 1291,29 ГВт и 1094,40 ГВт в 2023 году до 11641,41 ГВт и 11577,24 ГВт к 2050 году. Однако энергия солнечных фотоэлектрических систем в 2000 году составляла 1,03 ТВт·ч, а затем увеличилась до 1323,32 ТВт·ч в 2022 году. Модели SARIMAX и TCN спрогнозировали будущее солнечной фотоэлектрической энергии, прогнозируя её увеличение с 1935,52 ТВт·ч и 1557,92 ТВт·ч в 2023 году до 14967,15 ТВт·ч и 15928,52 ТВт·ч к 2050 году. Из результатов видно, что модель SARIMAX обладает более высокой точностью по сравнению с моделью TCN.

Ссылка: https://www.nature.com/articles/s41598-026-41357-x

Ежедневная изменчивость температуры (ЕИТ) существенно влияет на здоровье человека и экосистемы, однако её представление в основных наборах данных реанализа не было систематически оценено. В этом исследовании оценивается способность четырёх широко используемых наборов данных реанализа, а именно ERA-Interim, ERA5, JRA-55 и MERRA-2, по сравнению с данными станционных наблюдений, отражать пространственные и временные характеристики ЕИТ. Все четыре набора данных в целом воспроизводят наблюдаемую пространственную картину ЕИТ, но, как правило, недооценивают её величину в глобальном масштабе, за исключением восточного Китая. JRA-55 показывает лучшие результаты в низких и средних широтах, в то время как другие наборы данных демонстрируют более тесное соответствие с наблюдениями в высоких широтах. Что касается долгосрочных тенденций, то результаты реанализа в целом отражают наблюдаемую картину уменьшения ЕИТ в высоких широтах и ​​увеличения ЕИТ в средних и низких широтах, но показывают тенденции, противоположные наблюдениям летом в Евразии, низких широтах и ​​Южном полушарии. Точность прогнозов наиболее высока зимой и наименьшая летом, при этом ERA5 и ERA-Interim показывают наилучшие результаты в целом. Использование ERA5 для дальнейшего анализа позволяет предположить, что недавнее ослабление интенсивности глобальных экстремальных значений ЕИТ компенсируется увеличением частоты экстремальных событий, причём оба показателя демонстрируют существенную региональную и сезонную изменчивость. Эти результаты способствуют лучшему пониманию краткосрочной изменчивости температуры и предоставляют рекомендации для оценки рисков, раннего предупреждения и смягчения последствий.

Ссылка: https://www.mdpi.com/2073-4433/17/3/235

Ухудшение качества воздуха представляет значительные риски для здоровья человека и экосистем, особенно в быстро урбанизирующихся и индустриализированных засушливых регионах. Метеорологические условия сильно влияют на образование, перенос и рассеивание загрязняющих веществ в воздухе, однако их взаимосвязи носят сильно нелинейный характер и трудно поддаются количественной оценке с использованием традиционных статистических подходов. В данном исследовании изучается влияние метеорологических параметров на ключевые загрязняющие вещества в воздухе в Восточном регионе Саудовской Аравии с использованием методов машинного обучения. Были проанализированы данные наблюдений за пять лет (2017–2021 гг.), включая температуру, влажность, скорость и направление ветра, точку росы и атмосферное давление, а также концентрации диоксида азота (NO₂), монооксида углерода (CO) и твёрдых частиц (PM₁₀). Четыре алгоритма машинного обучения, включая нейронные сети (Neural Networks, NN), деревья решений (Decision Trees, DT), случайные леса (Random Forests, RF) и градиентный бустинг (Gradient Boosting, GB), были оценены с использованием стандартных показателей эффективности. Были проанализированы среднеквадратичные ошибки MSE и RMSE, средняя абсолютная ошибка MAE и коэффициент детерминации R². Результаты показывают, что метеорологические параметры оказывают специфическое влияние на загрязняющие вещества. Модель GB достигла наивысшей точности прогнозирования для NO₂ (R² ≈ 0,83), что подчёркивает доминирующую роль влажности, точки росы и сезонных колебаний. Умеренная точность прогнозирования наблюдалась для CO (R² ≈ 0,46), что указывает на комбинированное влияние метеорологических факторов и процессов, обусловленных выбросами. В отличие от этого, PM₁₀ показала слабую корреляцию с метеорологическими переменными, отражающую доминирование эпизодических пылевых явлений и неметеорологических факторов в засушливых регионах. Эти результаты демонстрируют эффективность ансамблевых моделей машинного обучения в выявлении нелинейных взаимосвязей между метеорологическими характеристиками и загрязняющими веществами. Исследование предоставляет ценные данные для прогнозирования качества воздуха и поддерживает основанное на данных управление окружающей средой в засушливых и полузасушливых регионах.

Ссылка: https://www.nature.com/articles/s41598-026-39579-0

Поскольку экстремальные температурные явления становятся всё более частыми, возрастает потребность в ежедневных данных о выбросах CO₂ для количественной оценки их воздействия. Однако такие данные доступны только с 2019 года. Чтобы восполнить этот пробел, авторы собрали более двух миллионов наблюдений в режиме, близком к реальному времени, о производстве электроэнергии, транспортной активности, потреблении природного газа или градусо-днях отопления и промышленном производстве с 2019 года и использовали эти высокочастотные данные для создания ежедневного набора данных о выбросах CO₂ за 2019–2024 гг. Затем они применили модели машинного обучения и методы расчёта градусо-дней для разделения ежемесячных выбросов CO₂ нежилого и жилого секторов за 1970–2018 гг. на ежедневные показатели. Далее исторический набор данных был объединён с набором данных за 2019–2024 гг. для создания глобального набора данных о ежедневных выбросах CO₂ за период с 1970 по 2024 гг. для 14 стран и регионов, охватывающего четыре сектора: энергетика, промышленность, жилищное строительство и транспорт (включая наземный транспорт и авиацию). Полученный долгосрочный набор данных позволит проводить надёжный анализ воздействия экстремальных температур на выбросы и повысит точность инверсии потоков углерода в транспортно-химических моделях.

Ссылка: https://www.nature.com/articles/s41597-026-06621-9

Надёжные и сопоставимые данные о выбросах парниковых газов на субнациональном уровне остаются дефицитными, несмотря на растущие ожидания того, что города и регионы будут играть ведущую роль в борьбе с изменением климата. Непоследовательная отчётность, методологические различия и ограниченный охват самоотчётных кадастров препятствуют отслеживанию прогресса и определению возможностей для смягчения последствий. Для решения этих проблем авторы разработали структуру машинного обучения для оценки ежегодных выбросов в CO₂-эквиваленте категорий 1 и 2 для субнациональных юрисдикций в странах G20 с 2000 по 2020 гг. Предложенный подход интегрирует общедоступные геопространственные, социально-экономические и экологические данные с самоотчётными кадастрами, где это возможно, и согласовывает прогнозы с субнациональными административными границами. По сравнению с традиционными подходами, основанными на даунскейлинге или использовании прокси-данных, эта модель повышает пространственную релевантность и точность прогнозирования, одновременно учитывая специфические для данной местности факторы выбросов. Этот глобально согласованный, административно выровненный набор данных может служить отправной точкой для оценки прогресса в области изменения климата, особенно в условиях недостатка данных или непоследовательности в отчётности, и способствует принятию более целенаправленных, основанных на данных политических решений в области декарбонизации городов и регионов.

Ссылка: https://www.nature.com/articles/s41597-026-06691-9

Негативные последствия изменения климата особенно интенсивны в городах и урбанизированных районах. Это обусловлено спецификой городского развития, уплотнением почвы и фрагментацией природных систем. Ряд этих новых вызовов, с которыми сталкиваются города, требует поиска адаптивных решений. Важно, однако, помнить, что методы формирования политики адаптации городов будут различаться в зависимости от масштаба города. Это исследование является результатом работы междисциплинарной команды, занимающейся анализом, консультациями и выбором наилучшего направления адаптации городов к изменению климата. Сине-зелёная инфраструктура со всеми её многогранными преимуществами была выбрана в качестве универсального решения для укрепления потенциала адаптации к изменению климата, которое легко реализовать в малых городах. Особенно важными были выбор решений для конкретных мест со всеми их условиями, а также создание синергии между решениями, направленными на озеленение и водоснабжение. Выбор этих действий базировался на основных критериях – масштабе, простоте реализации и относительно низкой стоимости выполнения. Предлагаемые мероприятия носят как технический и организационный, так и информационный и образовательный характер. Последний аспект особенно актуален для небольших городов из-за ограниченных инвестиционных бюджетов. Авторы также приходят к выводу, что дальнейшие исследования должны быть направлены как на поиск комплексных решений по адаптации к изменению климата для средних и малых городов, так и на понимание их более широкого контекста, например, важности взаимоотношений между городом и сельской местностью.

Ссылка: https://link.springer.com/article/10.1007/s10584-026-04134-3

Время наступления периода свободной ото льда Арктики является ключевым направлением научных исследований, однако оно остаётся крайне неопределённым. Анализы обнаружения и атрибуции с использованием оптимального метода идентификации следов показали, что антропогенное глобальное потепление является доминирующей причиной нынешнего сокращения площади морского льда в Арктике. Следовательно, прогнозы, ограниченные результатами обнаружения и атрибуции, должны обеспечить более надёжные оценки времени наступления периода свободной ото льда Арктики. С включением моделирования только антропогенных аэрозолей в проект сравнения моделей обнаружения и атрибуции (Detection and Attribution Model Intercomparison Project, DAMIP) шестой фазы проекта CMIP6, многие исследования использовали стратегию идентификации по следам, сочетающую только воздействие парниковых газов, только воздействие антропогенных аэрозолей и только естественное воздействие. Однако смещения в реакции морского льда на воздействие аэрозолей могут снизить точность этой стратегии идентификации, тем самым ставя под угрозу надёжность прогноза, основанного на ограничениях. Здесь данное ограничение было устранено путём сравнения четырёх различных стратегий идентификации изменений площади морского льда в Арктике в рамках идеальной модели. Было установлено, что стратегии, учитывающие все факторы воздействия, только парниковые газы и только естественные факторы воздействия, являются оптимальными для идентификации изменений площади морского льда в Арктике с конца 1970-х годов. Масштабные коэффициенты, полученные на основе этой стратегии, более эффективно корректируют систематические ошибки при моделировании наблюдаемой реакции площади морского льда на внешние факторы воздействия по сравнению с другими стратегиями. Используя этот оптимальный прогноз, основанный на определении причин изменений, авторы утверждают, что в сентябре Арктика может стать свободной ото льда уже в 2033 году при сценарии высоких выбросов или к 2037 году при сценарии умеренных выбросов.

Ссылка: https://link.springer.com/article/10.1007/s00382-026-08088-1

Аэрозоли от сжигания биомассы, достигающие стратосферы (далее - аэрозоли), представляют собой новую, но недостаточно изученную угрозу для арктического озона. Предыдущие исследования в основном были сосредоточены на гетерогенной химии, вызванной аэрозолями, в то время как их динамическим эффектам — изменению температуры и циркуляции — уделялось меньше внимания. Здесь авторы оценивают как химическое, так и динамическое воздействие аэрозолей на Арктику в течение 2019–2020 гг., периода, отмеченного необычно высокой концентрацией аэрозолей и истощением озонового слоя. С помощью моделирования, основанного на спутниковых данных, авторы показали, что аэрозоли вызвали чистое увеличение содержания арктического озона, компенсируя 19% наблюдаемого истощения весной 2020 года. Динамические процессы доминируют в этом эффекте за счёт стратосферного нагрева и усиленного переноса озона к полюсам. Авторы связывают это аэрозольное явление с совпадением активности пожаров, распространяющихся на север, и аномальной полярной циклонической системой. В свете прогнозируемого увеличения числа бореальных пожаров и их распространения на север эти результаты подчёркивают острую необходимость учёта как химических, так и динамических эффектов аэрозолей для точной оценки баланса озона и его последствий в условиях меняющегося климата.

Ссылка: https://www.nature.com/articles/s41467-026-69728-y

В этом исследовании восполняется пробел в отчётности по метаданным мониторинга качества воздуха путём создания классификатора для типов станций мониторинга качества воздуха и характеристик территорий. В нём используются данные о землепользовании сверхвысокого разрешения, дополненные демографической и сеточной информацией. Были применены передовые методы машинного обучения, включая свёрточные нейронные сети и трансформеры. С помощью специального подхода к обучению авторы доработали предварительно обученные модели на 7000 изображениях и разметили более 8000 дополнительных мониторов, в результате чего получили надёжную модель для классификации станций мониторинга качества воздуха по характеристикам территории (городская, сельская) и типу источника (фоновый, нефоновый). В результате получился глобальный гармонизированный набор данных государственных станций мониторинга качества воздуха по содержанию твёрдых частиц, содержащий около 15000 мониторов из 106 стран. Для каждой станции набор данных предоставляет идентификатор, географические координаты, страну, характеристики территории, тип источника и статус классификации. Этот набор данных позволяет проводить глобальные исследования осуществимости и региональный анализ условий, приводящих к воздействию загрязняющих веществ. Благодаря единообразной классификации станций мониторинга, также можно проводить содержательные сравнения вклада различных секторов в воздействие загрязняющих веществ в разных странах, регионах и типах станций, что способствует проведению сравнительных исследований и оценок воздействия на здоровье.

Ссылка: https://www.nature.com/articles/s41597-026-06797-0