Модели земной системы являются важнейшими инструментами для прогнозирования повышения среднеглобальной температуры на основе различных сценариев, используемых в проекте CMIP6. Однако эти модели демонстрируют значительную неопределённость, которая бросает вызов правительствам и заинтересованным сторонам при разработке эффективных стратегий адаптации к изменению климата. Представленное исследование демонстрирует использование Transfer Learning для ограничения долгосрочных прогнозов глобальных температурных карт путём эффективного объединения результатов моделирования с историческими наблюдениями, пространственно разрешёнными в глобальном масштабе. Это позволяет сократить разброс мультимодельных прогнозов средней температуры, одновременно повышая надёжность региональных моделей.

Точные и надёжные климатические прогнозы необходимы для адаптации к изменению климата и смягчения антропогенного воздействия на климат, но модели земной системы по-прежнему демонстрируют большую неопределённость. Было разработано несколько подходов для сокращения разброса климатических прогнозов и обратных связей, однако эти методы не могут охватить нелинейную сложность, присущую климатической системе. Используя подход Transfer Learning, авторы показывают, что машинное обучение может быть использовано для оптимального применения и объединения знаний, полученных из глобальных температурных карт, построенных на оценках моделей земной системы и наблюдаемых в исторический период данных, для сокращения разброса в прогнозируемых в XXI веке глобальных полях температуры воздуха у поверхности. Было достигнуто снижение неопределённости более чем на 50% по сравнению с современными подходами, одновременно были предоставлены доказательства того, что этот метод обеспечивает улучшенные региональные температурные структуры вместе с меньшей неопределённостью прогнозов, что крайне необходимо для адаптации к климату.

 

Ссылка: https://www.pnas.org/doi/10.1073/pnas.2413503122