Лесные пожары выбрасывают загрязняющие вещества, такие как мелкодисперсные частицы (PM_2,5) и предшественники озона (O₃), которые могут негативно влиять на качество воздуха. Для лучшего понимания процессов, непосредственно влияющих на перенос дыма и химический состав дымового шлейфа, в данном исследовании использовалась сопряжённая модель «пожар-атмосфера» (WRF-SFIRE-Chem) для количественной оценки вклада дыма от лесных пожаров в концентрацию O₃ относительно региональных антропогенных выбросов. Совместное моделирование «пожар-атмосфера-химия» также использовалось для изучения того, как обратные связи аэрозольного излучения, то есть затенение дыма, влияют на перенос дыма и химический состав дымового шлейфа. В данном исследовании изучался крупный эпизод задымления, произошедший во время рекордного сезона лесных пожаров на западе США в 2020 году. В целом, WRF-SFIRE-Chem удалось воспроизвести эволюцию регионального дымового шлейфа для случая задымления в августе 2020 года. Моделирование чувствительности от WRF-SFIRE-Chem показывает, что вклад в концентрацию O₃ от дыма лесных пожаров (21 ± 4,4 млрд^-1) был намного больше, чем увеличение концентрации O₃ от региональных антропогенных источников выбросов (11 ± 1,3 млрд^-1). Затенение дымом также оказало большое влияние на метеорологию, где поступающая солнечная радиация и температура на уровне 2 м под дымовым шлейфом уменьшились примерно на 400 Вт м⁻² и 4 °C соответственно. Затенение дымом также изменило перенос дыма и снизило концентрацию O₃ в дымовом шлейфе до 10 млрд^-1. Эти результаты предполагают, что могут происходить значительные увеличения концентрации O₃ даже при отсутствии региональных антропогенных выбросов. Это исследование также подчёркивает важность учёта затенения дымом в транспортно-химических моделях, что оказалось важным в контексте как переноса дыма, так и фотохимии шлейфа.

Ссылка: https://www.sciencedirect.com/science/article/pii/S1352231025003796

Широкомасштабные изменения приповерхностной многолетней мерзлоты в северных экосистемах происходят в результате постепенного оттаивания сверху вниз и более резкого локального развития термокарста. Оба типа оттаивания связаны с потерей экосистемных услуг, включая гидротермическую и механическую стабильность почв и долгосрочное хранение углерода. В данной работе авторы проанализировали взаимосвязи между сосудистым подлеском, базальным слоем мха, толщиной активного слоя и потоками парниковых газов вдоль градиента оттаивания от торфяного плато многолетней мерзлоты до талого болота во внутренних районах Аляски. Они использовали толщину активного слоя для определения четырёх отдельных стадий оттаивания: стабильной, ранней, промежуточной и развитой, и выявили ключевые таксоны растений, служащие надёжными индикаторами каждой стадии. Опережающее таяние с более толстым деятельным слоем и более развитыми термокарстовыми образованиями было связано с увеличением обилия злаков и сфагновых мхов, но снижением видового богатства растений и обилия эрикоидов, а также значительным увеличением эмиссии метана. Раннее таяние, характеризующееся утолщением деятельного слоя без развития термокарста, совпало с уменьшением эрикоидного покрова и видового богатства растений, а также увеличением эмиссии CH₄. Эти результаты показывают, что ранние стадии таяния, до формирования термокарстовых образований, связаны с отчётливыми изменениями растительности и влажности почвы, приводящими к резкому увеличению эмиссии метана, которая затем сохраняется за счёт проседания поверхности земли и образования болот с провалами. Текущее моделирование торфяников многолетней мерзлоты будет недооценивать эмиссию углерода от её таяния, если эти связи между растительным сообществом, нелинейной динамикой деятельного слоя и потоками углерода из возникающих протаивающих образований не будут включены в рамки моделирования.

Ссылка: https://agupubs.onlinelibrary.wiley.com/doi/10.1029/2024JG008639

Вода в реках Земли распространяется волнами в пространстве и времени по гидрографическим сетям. Детальное понимание динамики рек в глобальном масштабе необходимо в целях получения точных данных о запасах и потоках поверхностных вод для поддержки управления водными ресурсами, прогнозирования и смягчения последствий стихийных бедствий, связанных с водой. Глобальные данные in situ о речном стоке имеют решающее значение для поддержки таких исследований, но их по-прежнему сложно получить в адекватных пространственно-временных масштабах, если они вообще существуют. Многие ожидания возлагаются на методы дистанционного зондирования как на ключевой инструмент. Однако, несмотря на быстрое расширение возможностей спутников, остаётся неясным, какие временные интервалы, пространственное покрытие, площадь зоны охвата, пространственное разрешение, точность наблюдений, время задержки и интересующие нас переменные, получаемые со спутников, наилучшим образом подходят для регистрации распространения воды в реках в пространстве и времени. Кроме того, способность численных моделей компенсировать разреженность данных посредством объединения данных с модельными оценками остаётся неясной. Авторы рассматривают недавние усилия по выявлению типа дистанционных наблюдений, которые могли бы улучшить понимание и представление динамики рек. Ключевые приоритеты включают: (a) разрешение узких водоёмов (менее 50–100 м), (б) дальнейший анализ точности сигнала в зависимости от гидрологической изменчивости и соответствующих технологий (оптические/SAR-изображения, альтиметрия, микроволновая радиометрия), (в) достижение интервалов наблюдений 1–3 дня, (г) использование ассимиляции данных и многоспутниковых подходов с использованием существующих комплексов, и (д) измерение новых переменных для точной оценки расхода воды. Авторы рекомендуют ориентированную на гидрологию многоцелевую систему наблюдений, включающую: (a) передовую одно- или двухспутниковую миссию для расширенных измерений поверхностных вод и (б) комплекс экономически эффективных спутников для изучения динамических процессов.

Ссылка: https://agupubs.pericles-prod.literatumonline.com/doi/10.1029/2024RG000871

Метод компьютерного зрения, модифицированный для сканирования данных климатических моделей, помогает учёным предсказывать, где и когда в будущем произойдут резкие климатические изменения.

В связи с глобальным ростом температуры, сокращением биоразнообразия и повышением уровня моря учёные обеспокоены вероятностью резких климатических изменений, особенно в чувствительных подсистемах климатической системы, таких как тропические леса Амазонки, морские льды Антарктиды и Тибетское нагорье. Резкие изменения могут проявляться, например, в виде значительных и внезапных изменений интенсивности осадков в муссонной системе, таяния льдов в Антарктиде или таяния многолетней мерзлоты в Северном полушарии.

Терпстра и др. (Terpstra et al.) стремились выявить резкие изменения, которые могут произойти в будущем, сосредоточившись на климатических подсистемах, обсуждаемых в докладе «Глобальные переломные моменты 2023 года». Группа проанализировала результаты 57 моделей, полученные в рамках шестой фазы проекта сравнения сопряжённых моделей (CMIP6). Все модели следовали сценарию изменения климата на протяжении 150 лет, при котором концентрация углекислого газа ежегодно увеличивалась на 1%, пока не достигла четырёхкратного доиндустриального уровня.

Затем они применили к смоделированным климатическим данным метод обнаружения границ Кэнни, изначально созданный для выявления границ на компьютерных изображениях. В данном случае они использовали его для обнаружения границ, или точек во времени и пространстве, где в течение десятилетия происходили резкие изменения 82 переменных, таких как солёность поверхности моря, влажность почвы и масса углерода в растительности и почве. В предыдущих исследованиях использовался аналогичный метод для сканирования границ в климатических данных, но не в масштабе подсистем.

Хотя исследователи наблюдали большие различия между модельными оценками, 48 из 57 моделей показали резкий сдвиг по крайней мере в одной подсистеме за моделируемый период. Муссонные системы оказались выбросами: только одна модель указала на резкий сдвиг летнего индийского муссона, и ни одна не указала на резкие сдвиги южноамериканских и западноафриканских муссонов.

Они также обнаружили, что чем более выраженное глобальное потепление моделировалось, тем выше была вероятность резких сдвигов. При превышении средней доиндустриальной температуры на 1,5 °C (целевого предела, установленного Парижским соглашением по климату) исследователи обнаружили, что 6 из 10 изученных климатических подсистем продемонстрировали масштабные резкие сдвиги в нескольких моделях.
(AGU Advances, https://doi.org/10.1029/2025AV001698, 2025)

Ссылка: https://eos.org/research-spotlights/abrupt-climate-shifts-likely-as-global-temperatures-keep-rising

Данные полевых измерений растительного покрова Арктики необходимы для создания точных и высококачественных карт структуры и состава растительности. Экстраполяция полевых данных в карты растительного покрова высокого разрешения обеспечивает подробную, функционально-специфическую информацию для использования в моделях земной системы, классификациях растительности и мониторинге изменений растительного покрова во времени и пространстве. Однако полевые кампании по сбору данных о растительном покрове существенно различаются по объёму, методам и целям, что затрудняет их унификацию в различных хранилищах данных и часто не предназначено для удовлетворения потребностей дистанционного зондирования. В данной работе авторы синтезировали и гармонизировали полевые данные о частичном покрытии из различных хранилищ данных, чтобы создать высококачественную и согласованную схему репозитория для приложений дистанционного зондирования, использующих данные о частичном покрытии. Они разработали воспроизводимый рабочий процесс для синтеза данных визуальной оценки и точек пересечения данных о частичном покрытии. Результирующая база данных панарктического растительного покрова (PAVC) содержит синтезированные данные о частичном покрытии как на уровне видов, так и на уровне функциональных типов растений. Последнее включает абсолютное покрытие листопадных кустарников и деревьев, вечнозеленых кустарников и деревьев, разнотравья, злаков, лишайников, мохообразных и «прочей» растительности, а также абсолютное покрытие подстилки и верхнее покрытие воды и голой земли.

Ссылка: https://www.nature.com/articles/s41597-025-05326-9

Прогнозирование погоды традиционно опирается на системы численного прогнозирования, которые интегрируют глобальные наблюдения, усвоение данных и результаты физических моделей. Однако дальнейшее развитие всё чаще сдерживается высокими вычислительными затратами, недостаточным использованием обширных наборов данных наблюдений и трудностями в получении более высокого разрешения. Недавние достижения в области машинного обучения представляют собой многообещающую альтернативу, но всё ещё зависят от начальных условий, создаваемых системами численного прогнозирования погоды. Здесь представлена FuXi Weather — глобальная система прогнозирования на основе машинного обучения, усваивающая данные с нескольких спутников и способная циклически анализировать данные и прогнозы. FuXi Weather генерирует надёжные 10-дневные прогнозы с разрешением 0,25°, используя меньше наблюдений, чем традиционные системы численного прогнозирования погоды. Это демонстрирует ценность фоновых прогнозов в ограничении анализа при усвоении данных. FuXi Weather превосходит прогнозы высокого разрешения Европейского центра среднесрочных прогнозов погоды на период свыше одного дня в регионах с редкими наблюдениями, таких как Центральная Африка, что подчёркивает её потенциал для улучшения прогнозов там, где инфраструктура наблюдений ограничена.

Ссылка: https://www.nature.com/articles/s41467-025-62024-1

Большие языковые модели (Large language models, LLM) представляют собой преобразующий потенциал на переднем крае искусственного интеллекта и машинного обучения, который может помочь ответственным лицам в решении насущных социальных проблем, таких как экстремальные природные явления. Будучи обобщёнными моделями, LLM часто испытывают трудности с предоставлением контекстно-зависимой информации, особенно в областях, требующих специальных знаний. В данной работе авторы предлагают многоагентную систему LLM на основе генерации, дополненной поиском, для поддержки анализа и принятия решений в контексте стихийных бедствий и экстремальных погодных явлений. В качестве подтверждения концепции они представляют WildfireGPT, специализированную систему, ориентированную на риски лесных пожаров. Архитектура использует ориентированный на пользователя многоагентный дизайн для предоставления персонализированной информации о рисках различным группам заинтересованных сторон. Интегрируя данные прогнозов стихийных бедствий и экстремальных погодных явлений, наборы данных наблюдений и научную литературу через рамки генерации, дополненной поиском, система обеспечивает как точность, так и контекстную релевантность предоставляемой информации. Оценка десяти тематических исследований, проведённых экспертами, показывает, что WildfireGPT значительно превосходит существующие решения на базе LLM для поддержки принятия решений.

Ссылка: https://www.nature.com/articles/s44168-025-00254-1

Изменение климата является одной из основных проблем XXI века. Для смягчения антропогенного воздействия на него необходимо радикально сократить выбросы углекислого газа (CO₂), основного антропогенного парникового газа, концентрация которого в атмосфере резко возросла с начала промышленной революции в результате деятельности человека (1). Океан играет ключевую роль в смягчении антропогенного воздействия на климат, поглощая около 25% антропогенных выбросов CO₂ (1). Однако роль прибрежных морей в способности океана выступать в качестве ингибитора накопления атмосферного CO₂ и буфера против изменения климата, а также реакция прибрежного океана на антропогенное давление остаются предметом значительной неопределённости. Используя самый передовой метод, основанный на искусственном интеллекте, исследования (2, 3) способствовали улучшению понимания взаимодействия морской поверхности и атмосферного CO₂ для прибрежных морей по всему миру.

Мировой океан ежегодно генерирует для человечества экономическую стоимость товаров и услуг на сумму около 2500 миллиардов долларов США, что эквивалентно седьмой по величине экономике (4). Более половины этой экономической стоимости генерируется прибрежными морями и зависит от состояния их здоровья (5). Из-за большой пространственной неоднородности прибрежного океана обмены и преобразования ключевых физических, химических или биологических переменных [т. е. основных океанических переменных (6)], таких как CO₂, регулирующий не только климат, но и состояние прибрежного океана посредством его закисления, не очень хорошо изучены. Прибрежные океанические переменные, такие как температура поверхности моря, можно отслеживать из космоса благодаря возможностям спутникового дистанционного зондирования, которые могут предоставлять пространственно-комплексные карты некоторых океанических переменных морской поверхности с несколькими пространственными и временными разрешениями (7). Однако на сегодняшний день большинство других параметров, характеризующих биогеохимическое функционирование прибрежных экосистем, таких как концентрация CO₂ на поверхности моря, отслеживаются только посредством локальных и неполных измерений с платформ in situ, таких как суда, используемые попутно или исследовательские (8) (см. рисунок). В результате этого довольно скудный сбор данных во многих прибрежных регионах и неоднородный временной и пространственный охват этих измерений затрудняют оценку обмена CO₂ между атмосферой и прибрежными морями в более крупных пространственно-временных масштабах, с относительной неопределённостью до 50–100% при попытке оценить вклад прибрежного океана в глобальный сток CO₂ в океан (9).

Эта работа преодолела важнейшее ограничение прерывистых наблюдений, характерное для традиционной количественной оценки обмена CO₂ между воздухом и морем в прибрежной зоне океана. Здесь был использован инновационный подход на основе искусственного интеллекта с комбинацией двух искусственных нейронных сетей — кластеризацией на основе машинного обучения (т. е. самоорганизующейся картой) в сочетании с подходом нейронной сети прямого распространения. Метод включает в себя использование спутниковых данных и данных реанализа, которые покрывают всю поверхность океана и, как известно, контролируют CO₂ на поверхности океана, например, температуру поверхности моря (см. рисунок). Затем был разработан мост через две нейронные сети, устанавливающие сложные нелинейные зависимости между этими спутниковыми данными и данными реанализа и всеми примерно 18 миллионами прямых наблюдений CO₂ на поверхности моря, собранных в прибрежной зоне океана (8). Эти зависимости далее применяются для разрешения обменов CO₂ на границе раздела воздух-море в прибрежных регионах и в периоды года, по которым отсутствуют данные (см. рисунок). Основная задача заключалась в построении этих реконструированных карт концентрации CO₂ на поверхности моря только для прибрежной зоны океана, причём в глобальном масштабе, ввиду пространственной неоднородности динамики прибрежной системы. Действительно, такие полностью реконструированные карты, основанные на этом эмпирическом подходе с использованием искусственного интеллекта, были созданы только для открытого Мирового океана, который не охватывает прибрежные моря и чьё пространственное разрешение (обычно 1°) недостаточно для учёта мелкомасштабных процессов, таких как влияние речных сбросов, влияющих на динамику CO₂ (10, 11).

Искусственный интеллект используется для заполнения пробелов в данных о морской среде
Представлен инновационный подход на основе искусственного интеллекта для оценки обмена CO₂ с атмосферой во всех прибрежных системах с максимальной точностью. Метод заключается в разработке связующего звена посредством комбинации двух искусственных нейронных сетей, которые устанавливают сложные нелинейные связи между (а) дискретными in situ наблюдениями за CO₂ на поверхности моря, собранными в прибрежной зоне, и (b) полными данными спутникового мониторинга и реанализа морской поверхности. Эти связи затем применяются для определения CO₂ на поверхности моря и обмена CO₂ с атмосферой в прибрежных регионах и в периоды года, по которым отсутствуют данные (c).

Этот подход на основе искусственного интеллекта в настоящее время является одним из самых передовых подходов, основанных на наблюдениях для оценки того, как все прибрежные системы обмениваются CO₂ с атмосферой с наивысшей точностью (2, 3). Эта работа также прокладывает путь для надёжных исследований временных изменений в динамике обмена CO₂ между воздухом и морем, от сезонных до многодесятилетних масштабов и для прибрежных морей по всему миру. Наконец, этот подход связывается с сообществом моделирования, которое пытается понять, в форме сложных численных уравнений, обратную связь между системой Земли и климатом и их возмущениями, вызванными деятельностью человека. Здесь предоставлена надёжная оценка, с которой можно сравнивать результаты глобальных моделей океана (12, 13). Действительно, глобальные модели долгое время плохо подходили для изучения прибрежного океана, не в последнюю очередь потому, что их пространственное разрешение лишь частично имитирует прибрежные моря. В целом этот эмпирический подход на основе искусственного интеллекта, связывающий локальные измерения со спутниковыми данными и данными реанализа, а также улучшающий модельные оценки, открывает возможности для оценки и смягчения воздействия многочисленных антропогенных возмущений на глобальный прибрежный углеродный цикл и связанную с этим потерю биоразнообразия и другие факторы стресса в морской среде.

Для оценки прошлого, настоящего и будущего состояния прибрежного океана и его уязвимости к нарушениям, вызванным деятельностью человека, которые могут повлиять на экономическую ценность прибрежного океана и его буферную роль перед лицом изменения климата, важно создать сеть мониторинга океанических переменных, таких как CO₂. Современные возможности спутникового дистанционного зондирования позволяют контролировать некоторые из этих переменных. Однако на сегодняшний день большинство глобальных наборов данных, доступных для других параметров, репрезентативных для биогеохимического функционирования прибрежных экосистем, состоят из наборов локальных наблюдений. Данная работа продемонстрировала, что применение метода искусственного интеллекта может устранить эти ограничения с разработкой метода, успешно применяемого в случае CO₂. Этот метод должен вдохновить на применение других прибрежных океанических переменных, таких как кислород и pH, что может помочь улучшить понимание биогеохимического функционирования прибрежного океана через эффекты гипоксии и закисления. Помимо применения на поверхности морской воды, метод также должен вдохновить на создание приложений с четырёхмерным разрешением, учитывающих глубину, чтобы понять, как CO₂ перераспределяется в толще воды после обмена с атмосферой.

Литература
1 P. Friedlingstein et al., ESSD 17, 965 (2025).
2 A. Roobaert et al., Global Biogeochem. Cycles 33, 1693 (2019).
3 A. Roobaert, P. Regnier, P. Landschützer, G. G. Laruelle, ESSD 16, 421 (2024).
4 O. Hoegh-Guldberg et al., “Reviving the ocean economy: The case for action – 2015” (WWF International, 2015).
5 C. J. Crossland, H. H. Kremer, H. J. Lindeboom, J. I. M. Crossland, M. D. A. Le Tissier, Coastal Fluxes in the Anthropocene: The Land-Ocean Interactions in the Coastal Zone Project of the International Geosphere-Biosphere Programme (Springer, 2005).
6 The Global Ocean Observing System (GOOS), Essential ocean variables; https://goosocean.org/what-we-do/framework/essential-ocean-variables/.
7 R. W. Reynolds et al., J. Clim. 20, 5473 (2007).
8 Surface Ocean CO₂ Atlas (SOCAT); https://socat.info/.
9 J. E. Bauer et al., Nature 504, 61 (2013).
10 C. Rödenbeck et al., Biogeosciences 12, 7251 (2015).
11 A. R. Fay, ESSD 13, 4693 (2021).
12 L. Resplandy et al., Global Biogeochem. Cycles 38, e2023GB007803 (2024).
13 A. Roobaert, L. Resplandy, G. G. Laruelle, E. Liao, P. Regnier, Ocean Sci. 18, 67 (2022).

Ссылка: https://www.science.org/doi/10.1126/science.adx7826

Экстремальные циклоны оказывают значительное влияние на погоду и климат Арктики, однако тенденции их развития и факторы влияния остаются неясными. В данном исследовании авторы изучают климатические характеристики и межгодовые факторы влияния экстремальных циклонов в холодный арктический сезон, используя наборы данных многофакторного реанализа с 1979 по 2018 гг. в сочетании с методом автоматизированного отслеживания циклонов. В различных наборах данных наблюдается высокая согласованность расчётных показателей, таких как число, пространственная частота, интенсивность и продолжительность существования арктических экстремальных циклонов. Большинство экстремальных арктических циклонов являются трансполярными, их число вдвое превышает число циклонов, образующихся в пределах полярного круга. Две основные области распространения и каналы плотности циклонов находятся в Атлантическом секторе, где они пересекают Датский и Гренландский проливы и Карское море, попадая в Арктику, а также в Тихоокеанском секторе, где циклоны проникают в полярный регион через Берингово и Чукотское моря. За последние 40 лет наблюдается тенденция к увеличению доли долгоживущих экстремальных циклонов в Арктике, что влияет на её погодные условия. В статистике частоты и интенсивности арктических экстремальных циклонов в холодное время года очевидны чёткие межгодовые изменения. Эти изменения тесно связаны с Североатлантическим колебанием, которое влияет на эти статистические данные через связанную с ним динамику атмосферной циркуляции и синергию с лежащими в основе аномалиями температуры поверхности моря триполярного региона. Примечательно, что положительная фаза Североатлантического колебания имеет тенденцию к увеличению как частоты, так и интенсивности экстремальных циклонов в Арктике. Эти результаты открывают новые возможности для понимания и прогнозирования арктических циклонов.

Ссылка: https://link.springer.com/article/10.1007/s00382-025-07762-0

Авторы количественно оценивают влияние сокращения площади арктических морских льдов в конце XXI века на летние экстремальные температуры в Северном полушарии, используя модельные расчёты, учитывающие будущую потерю арктических морских льдов. С помощью этих модельных расчётов было обнаружено общее увеличение частоты экстремальной жары на континентах Северного полушария, но только при наличии связи между океаном и атмосферой. Увеличение частоты экстремальной жары полностью обусловлено повышением средней температуры. Однако, по сравнению с соответствующим сценарием будущего потепления, в целом, усиление экстремальной жары на континентах Северного полушария в связи с будущей потерей арктических морских льдов относительно невелико. Результаты указывают на существенную, но ограниченную роль будущего сокращения арктических морских льдов в формировании летних экстремальных температур в Северном полушарии.

Ссылка: https://agupubs.onlinelibrary.wiley.com/doi/10.1029/2025GL116668