Модель земной системы глубокого обучения конкурентоспособна по сравнению с моделями CMIP6 и потребляет меньше вычислительной мощности.

В последние годы учёные обнаружили, что модели погоды, основанные на машинном обучении, могут делать прогнозы быстрее, используя меньше энергии, чем традиционные модели. Однако многие из этих моделей не способны точно предсказывать погоду более чем на 15 дней вперёд и начинают прогнозпровать нереалистичную погоду уже к 60-му дню.

Модель глубокого обучения Земли (Deep Learning Earth System Model, DLESyM) построена на двух нейронных сетях, работающих параллельно: одна моделирует океан, а другая — атмосферу. В ходе вычислений модельные прогнозы состояния океана обновляются каждые четыре модельных дня. Поскольку атмосферные условия меняются быстрее, прогнозы для атмосферы обновляются каждые 12 модельных часов.

Создатели модели, Крессвелл-Клей и др. (Cresswell-Clay et al.), обнаружили, что DLESyM точно соответствует климатическим данным прошлых лет и создаёт точные краткосрочные прогнозы. Используя текущий климат Земли в качестве базовой линии, она также может точно воспроизводить климат и межгодовую изменчивость за 1000-летние периоды менее чем за 12 часов вычислительного времени. В целом, модель DLESyM не уступает моделям CMIP6, которые широко используются в современных вычислительных климатических исследованиях.

Модель DLESyM превзошла модели CMIP6 в воспроизведении тропических циклонов и летних муссонов в Индии. Она, по крайней мере, не хуже моделей CMIP6 отразила частоту и пространственное распределение событий, блокирующих атмосферные явления в Северном полушарии, которые могут вызывать экстремальные погодные явления. Кроме того, прогнозируемые моделью штормы также весьма реалистичны. Например, структура норд-остера*, сгенерированного в конце 1000-летнего моделирования (в 3016 году), очень похожа на норд-остер, наблюдавшийся в 2018 году.

Однако как новая модель, так и модели CMIP6 плохо отражают климатологию ураганов в Атлантике. Кроме того, DLESyM менее точна, чем другие модели машинного обучения, для среднесрочных прогнозов или прогнозов на срок до 15 дней. Важно отметить, что модель DLESyM проводит моделирование только текущего климата, то есть не учитывает его антропогенное изменение.

По мнению авторов, ключевым преимуществом модели DLESyM является то, что она использует гораздо меньше вычислительной мощности, чем модель CMIP6, что делает её более доступной по сравнению с традиционными моделями.
(AGU Advances, https://doi.org/10.1029/2025AV001706, 2025)

*Сильный северо-восточный ветер, шторм с ветром и снегом, обрушивающийся зимой и осенью на Атлантическое побережье США.

 

Ссылка: https://eos.org/research-spotlights/machine-learning-simulates-1000-years-of-climate