PNAS: Динамически-генеративный даунскейлинг ансамблей климатических моделей
Региональные оценки климатических рисков служат важнейшим источником информации для политики климатической устойчивости и адаптации. Текущая парадигма регионального климатического моделирования, использующая физические модели для даунскейлинга климатических прогнозов на ограниченных территориях, слишком затратна для применения к большим ансамблям климатических прогнозов. Это затрудняет способность оценивать неопределённость в региональных климатических прогнозах. Альтернативные статистические методы даунскейлинга, хотя и эффективны, часто не способны улавливать сложные экстремальные ситуации или обобщать невидимые климатические условия. Авторы предлагают парадигму, совместно использующую физические модели и генеративный искусственный интеллект для радикального снижения стоимости даунскейлинга климатических прогнозов, сохраняя при этом качество физических подходов. Эта структура позволяет преобразовывать большие ансамбли климатических прогнозов в оценки климатических рисков, имеющие отношение к воздействию.
Региональные климатические прогнозы с высоким разрешением имеют решающее значение для многих приложений, таких как сельское хозяйство, гидрология и оценка риска стихийных бедствий. Динамический даунскейлинг, современный метод получения локализованной информации о будущем климате, включает запуск региональной климатической модели, управляемой моделью земной системы, но он слишком затратен в вычислительном отношении для применения к большим ансамблям климатических прогнозов. Авторы предлагают подход, сочетающий динамический даунскейлинг с генеративным искусственным интеллектом, чтобы снизить стоимость и улучшить оценки неопределённости климатических прогнозов для меньших площадей. В предлагаемой структуре региональная климатическая модель динамически уменьшает масштаб выходных данных модели земной системы до промежуточного разрешения, за которым следует генеративная диффузионная модель, дополнительно уточняющая разрешение до целевого масштаба. Этот подход использует обобщаемость физических моделей и эффективность выборки диффузионных моделей, что позволяет уменьшать масштаб больших мультимодельных ансамблей. Этот метод оценивается по динамически уменьшенным климатическим прогнозам из ансамбля моделей проекта CMIP6. Полученные результаты демонстрируют его способность обеспечивать более точные границы неопределённости будущего регионального климата, чем альтернативы, такие как динамический даунскейлинг меньших ансамблей или традиционные эмпирические статистические методы даунскейлинга. Также показано, что динамически-генеративный даунскейлинг приводит к значительно меньшим ошибкам, чем популярные статистические методы, и точнее фиксирует спектры, зависимость хвоста и многомерные корреляции метеорологических полей. Эти характеристики делают динамически-генеративный подход гибким, точным и эффективным способом даунскейлинга больших ансамблей климатических прогнозов, в настоящее время недоступным для чистого динамического даунскейлинга.