Модели общей циркуляции атмосферы на основе глубокого обучения увеличивают скорость расчётов, однако их способность воспроизводить экстремальные события за пределами диапазона обучения остаётся неизвестной. В данной работе авторы оценивают две такие модели — гибридную нейронную модель общей циркуляции (NGCM) и чисто основанную на данных модель земной системы на основе глубокого обучения (DLESyM) — по сравнению с обычной моделью высокого разрешения «суша-атмосфера» (HiRAM) при воспроизведении волн тепла и холода на суше. Все модели работают с данными наблюдений за температурой поверхности моря и морским льдом за период 1900–2020 гг., уделяя особое внимание вневыборочному периоду (1900–1960 гг.). Обе модели глубокого обучения успешно обобщаются на неизвестные климатические условия, в целом воспроизводя частоту и пространственные закономерности волн тепла и холода в период 1900–1960 гг. с точностью, сравнимой с точностью HiRAM. Исключением являются некоторые районы Северной Азии и Северной Америки, где все модели показывают плохие результаты в период 1940–1960 гг. Из-за чрезмерной автокорреляции температуры модель DLESyM склонна переоценивать частоту аномальных жары и холода, в то время как гибридная модель NGCM, сочетающая физические и «глубокие» вычисления, демонстрирует устойчивость, более схожую с моделью HiRAM.

 

Ссылка: https://agupubs.onlinelibrary.wiley.com/doi/10.1029/2025GL117990