Nature Communications: Машинное обучение помогает значительно снизить неопределённость в отношении будущего глобального потепления
Наблюдаемое потепление средней глобальной температуры поверхности использовалось для снижения неопределённости в прогнозах будущих изменений климата и их последствий, однако информация, заложенная в пространственной структуре потепления, остаётся в значительной степени неиспользованной. В данной работе авторы применяют машинное обучение для выявления пространственно разрешённых взаимосвязей между тенденциями потепления 1971-2020 гг. в отдельных ячейках сетки и будущим средним глобальным потеплением в большом числе модельных расчётов. Этот подход позволяет определить ключевые тропические и полярные регионы с чёткой физической интерпретацией, где историческое потепление наиболее эффективно ограничивает будущие результаты. Включение информации о наблюдаемой структуре снижает дисперсию ошибок в прогнозах будущего глобального потепления примерно на 70%, в то время как обычно используемые ограничения, основанные исключительно на среднем глобальном тренде, снижают эту неопределённость примерно на 48%. Эти уточнённые прогнозы подразумевают более высокую вероятность раннего превышения пороговых значений Парижского соглашения. Например, вероятность превышения 2 °C к середине века в рамках сценария SSP3-7.0 составляет приблизительно 80%, по сравнению с 70% при ограничении только наблюдаемым глобальным средним трендом. Это исследование подчёркивает потенциал машинного обучения для выявления физически интерпретируемых возникающих ограничений, которые улучшают прогнозы будущего климата.