Климатические модели и модели погоды на основе искусственного интеллекта обеспечивают быстрые и точные прогнозы, но сталкиваются с ключевой проблемой: прогнозирование будущего климата при обучении на исторических данных. Авторы исследуют эту проблему, анализируя температурные смещения для бореальной зимней поверхности суши в моделях погоды (FourCastNet V2 Small и Pangu Weather) и климата (Ai2 Climate Emulator версии 2), созданных с помощью искусственного интеллекта. Авторы оценивают эти модели в периоды времени, значительно более недавние, чем основная часть их обучающих данных, что позволяет оценить, насколько хорошо они обобщаются на более современные условия. Было обнаружено, что все модели дают завышенные средние температуры, напоминающие скорее климат 15-20-летней давности, чем период их прогнозирования. Кроме того, завышенная температура в FourCastNet и Pangu наиболее выражена для самых высоких прогнозируемых температур, что указывает на ограниченное воздействие современных эпизодов экстремальной жары на обучающие данные. В отличие от этого, завышенная температура в ACE2 распределена более равномерно, но наибольшая в регионах, сезонах и частях распределения температур, где историческое глобальное потепление наиболее выражено.

 

Ссылка: https://agupubs.onlinelibrary.wiley.com/doi/10.1029/2025GL119740