Наблюдаемый рост числа экстремальных погодных условий вызвал недавние методологические достижения в атрибуции экстремальных событий. Авторы предлагают подход на основе машинного обучения, использующий свёрточные нейронные сети для создания динамически согласованных, противоречащих фактам версий исторических экстремальных событий при разных уровнях глобальной средней температуры. Эта техника применена к одному недавнему экстремальному тепловому событию (в южно-центральной части Северной Америки в 2023 г.) и нескольким историческим событиям, которые ранее были проанализированы с использованием установленных методов атрибуции. По оценке авторов, температуры во время события на юге центральной части Северной Америки были на 1,18–1,42°C выше из-за глобального потепления и подобные события будут происходить от 0,14 до 0,60 раз в год при превышении на 2,0°C доиндустриальных уровней глобальной средней температуры. Кроме того, обнаружено, что изученные связи между суточной температурой и глобальной средней температурой зависят от сезонности вынужденной температурной реакции и ежедневных метеорологических условий. Эти результаты в целом согласуются с другими методами атрибуции и позволяют предполагать, что машинное обучение можно использовать для выполнения быстрой и недорогой атрибуции экстремальных событий.

 

Ссылка: https://www.science.org/doi/10.1126/sciadv.adl3242