Прогнозирование изменения климата — это проблема обобщения: экстраполируется недавнее прошлое, используя физические модели, на прошлый, настоящий и будущий климат. Современные климатические модели требуют представления процессов, происходящих в масштабах, меньших размера сетки модели, что является основным источником неопределённости прогнозов модели. Новейшие алгоритмы машинного обучения обещают улучшить представление таких процессов, но имеют тенденцию плохо экстраполировать их на климатические режимы, которым они не были обучены. Чтобы получить всё лучшее из физического и статистического мира, авторы предлагают структуру, называемую «климато-инвариантным» машинным обучением, которая включает знания о климатических процессах в алгоритмы машинного обучения и показывает, что она может поддерживать высокую автономную точность в широком диапазоне климатических условий и конфигурации в трёх различных атмосферных моделях. Эти результаты показывают, что явное включение знаний о физических процессах в основанные на данных модели системы Земли могут улучшить их согласованность, эффективность данных и возможность обобщения в зависимости от климатических режимов.

 

Ссылка: https://www.science.org/doi/10.1126/sciadv.adj7250