Интегрированные оценочные модели создают большие ансамбли социально-экономических сценариев, широко используемых в исследованиях изменения климата. Межправительственная группа экспертов по изменению климата (МГЭИК), неправительственные организации или национальные климатические комитеты часто полагаются на статистику ансамблевых оценок для определения стратегий смягчения антропогенного изменения климата и установления климатических целей. Ограничением таких данных является оппортунистический характер ансамблей сценариев: они представляют собой неструктурированную, случайную коллекцию данных. Опираясь на концепции физической климатологии и анализа ансамблевых оценок, авторы представляют подход к гибкому многомерному взвешиванию данных о сценариях выбросов, учитывающий релевантность, качество и разнообразие. Иллюстративное применение к последней базе данных сценариев МГЭИК демонстрирует снижение доминирования широко представленных моделей и исследований, а также показывает, что показатели достижения нулевых выбросов отличаются от первоначально заявленных. Предложенная система формализует решения, которые в противном случае принимались бы произвольно, предоставляя инструмент, способствующий решению более широкой задачи оценки ансамблей выбросов.

 

Ссылка: https://www.nature.com/articles/s41558-026-02565-5

 

Прежде чем подходы искусственного интеллекта будут широко внедрены государственными агентствами по прогнозированию, необходимы более строгие испытания.

Улучшения в прогнозировании погоды занимают высокое место среди достижений науки двадцатого века¹. В 1970-х годах произошло четыре тропических циклона, унесших жизни десятков тысяч или даже сотен тысяч людей, тогда как сегодня эти штормы редко приводят к гибели более нескольких десятков человек.

Также в 1970-х годах произошёл поворотный момент, когда метеорологические агентства по всему миру начали внедрять основанные на физике численные модели прогнозирования погоды. Эти модели имитируют атмосферу, используя данные наблюдений со всего мира и подставляя их в уравнения, основанные на фундаментальных законах движения и термодинамики. В результате повысилась точность прогнозов, что позволило своевременно эвакуировать людей и обеспечить адекватную подготовку до начала шторма.

Однако эта хорошо зарекомендовавшая себя система сейчас подвергается изменениям с появлением метеорологических моделей, основанных на искусственном интеллекте, которые обещают ускорить прогнозы. В отличие от традиционных моделей, которые решают сложные физические уравнения шаг за шагом по миллионам точек сетки, модели на основе искусственного интеллекта напрямую сопоставляют текущие погодные условия с вероятным будущим состоянием, используя алгоритмы, обученные на прошлых данных о погоде. Большая часть ресурсоёмких вычислений происходит во время обучения, поэтому создание прогноза на основе искусственного интеллекта в основном включает в себя передачу данных наблюдений через слои простых арифметических операций — таких как умножение и сложение, — которые современные компьютеры могут выполнять быстро.

В результате, глобальный 14-дневный прогноз погоды на основе искусственного интеллекта может быть создан на два часа раньше, чем прогноз, созданный физической системой, — потенциально решающий фактор при организации эвакуации. Это преимущество в скорости может побудить синоптиков полагаться в основном на рекомендации искусственного интеллекта. Но есть загвоздка: пока учёные не знают, насколько надёжны прогнозы на основе искусственного интеллекта в отношении редких, экстремальных погодных явлений.

Прогнозы, основанные на физических принципах, должны оставаться актуальными даже при изменении климата; Системы искусственного интеллекта, напротив, обучаются на исторических данных и могут дать сбой при столкновении с событиями, которые радикально отличаются от всего, что они «видели» ранее.

Установление точности и надёжности моделей на основе искусственного интеллекта становится всё более актуальной задачей, поскольку ряд организаций, включая Европейский центр среднесрочных прогнозов погоды в Рединге, Великобритания, уже начали интегрировать искусственный интеллект в свои оперативные системы прогнозирования. В данной статье авторы обращают внимание на опасения по поводу внедрения искусственного интеллекта в метеорологию и призывают метеорологическое и климатическое сообщество установить чёткие стандарты, начиная с согласованных наборов данных, для объективной проверки прогнозов экстремальных явлений вне обучающей выборки.

Дилемма

Национальные метеорологические службы по всему миру сталкиваются с дилеммой: системы прогнозирования на основе искусственного интеллекта дешевле в эксплуатации, но нет согласованного метода для систематической оценки того, насколько хорошо они работают по сравнению с физическими аналогами.

Исследователям срочно необходим эталонный стандарт для оценки возможностей моделей на основе искусственного интеллекта. В нескольких исследованиях изучалась их производительность применительно к конкретным опасностям. Например, хотя ведущие модели на основе искусственного интеллекта хорошо прогнозируют траектории и, в некоторой степени, интенсивность типичных тропических циклонов, их точность снижается для штормов, не имеющих прецедентов в обучающем наборе данных². Что касается экстремальных температур, некоторые модели на основе искусственного интеллекта и гибридные модели могут в целом воспроизводить частоту и пространственные закономерности исторических волн тепла и холода, которые происходили вне периода, на котором они обучались, хотя и с региональными искажениями³. Однако системы искусственного интеллекта также склонны недооценивать интенсивность и частоту рекордных явлений жары, холода и ветра по сравнению с ведущей моделью, основанной на физических принципах⁴.

В совокупности эти результаты показывают, что выводы о производительности искусственного интеллекта в прогнозировании погоды остаются крайне чувствительными к тому, как определяются экстремальные явления, какие опасности учитываются и где происходят эти экстремальные события. Это подчёркивает необходимость в согласованных, стандартизированных протоколах оценки.

По сути, прежде чем метеорологические агентства внедрят модели на основе искусственного интеллекта, прогностическая способность таких моделей в отношении ряда опасных событий — от аномальной жары и сильных дождей до крупных штормов — должна соответствовать определённому минимальному стандарту. Поэтому авторы предлагают структуру для обучения всех будущих систем искусственного интеллекта, которая намеренно исключает определённый набор «знаковых» экстремальных событий, которые зарезервированы исключительно для тестирования.

Этот протокол переобучения искусственного интеллекта без знаковых событий (AIRWIE) потребует от метеорологического сообщества согласия относительно того, какие события с высоким уровнем воздействия представляют собой строгий эталон, гарантируя, что любая модель будет оцениваться на одних и тех же экстремальных явлениях вне выборки, прежде чем она будет развёрнута в оперативной деятельности государственным агентством прогнозирования.

По сути, прежде чем метеорологические агентства начнут использовать модели на основе искусственного интеллекта в своих целях, необходимо будет обеспечить оценку любой модели на одних и тех же экстремальных явлениях вне выборки.

Стандарты сообщества

Системы прогнозирования на основе искусственного интеллекта обычно обучаются на наборах данных реанализа⁵ — долгосрочных, реконструированных записях погоды за прошлые периоды. Эти наборы данных создаются путём сбора исторических наблюдений со спутников, метеостанций, судов и самолётов и их ввода в современную физическую модель погоды, которая может заполнить пробелы и обеспечить физическую согласованность данных. В результате получается полная, сеточная, почасовая реконструкция атмосферы за последние полвека.

Этот 50-летний период включает в себя несколько знаковых экстремальных событий, таких как ураган Сэнди, обрушившийся на Нью-Йорк в 2012 году после необычного поворота на запад в сторону побережья США, и Великий шторм 1987 года на юге Англии. Последний характеризовался интенсивным локальным порывом разрушительных ветров, известным как «струйный удар», явлением, которое было плохо изучено и которое синоптики тогда упустили из виду.

Метеорологи должны начать создавать глобальную репрезентативную базу данных таких экстремальных событий, возможно, с участием общественности, которая могла бы предлагать примечательные случаи по электронной почте. Определяющим критерием включения будет не то, был ли прогноз события точным или неточным, а то, было ли оно действительно знаковым или рекордным — с точки зрения количества осадков, температуры, скорости ветра или даже необычной траектории шторма или способа его формирования.

Каждое из этих событий должно быть затем удалено из наборов данных реанализа, которые обычно охватывают период с 1979 по 2018 гг., прежде чем эти данные будут использованы для обучения моделей на основе искусственного интеллекта. Действительно, необходимо исключить не только дни, когда событие было наиболее активным, но и период примерно в пять дней вокруг него. Цель состоит в том, чтобы гарантировать, что упрощённый набор данных не будет содержать прямой информации о самом событии, а также об атмосферных условиях, непосредственно предшествовавших или последовавших за ним.

Затем центрам моделирования искусственного интеллекта будет предложено переобучить свои системы на упрощённом наборе данных и попытаться ретроспективно спрогнозировать удалённые экстремальные события. Поскольку переобучение требует значительных вычислительных ресурсов, это будет разовое скоординированное усилие в рамках всего сообщества.

Оценка будет сосредоточена на том, насколько хорошо каждая модель отражает ключевые физические характеристики экстремальных явлений — такие как количество осадков, интенсивность ветра или траектории штормов — и будет сравнивать её эффективность с прогнозами, основанными на физических принципах. Создание достаточно большой выборки с помощью протокола AIRWIE позволит провести более строгую и объективную оценку искусственного интеллекта и традиционных моделей в прогнозировании вневыборочных, но имеющих большое значение погодных явлений.

Этот протокол был представлен Всемирной метеорологической организации на семинаре в октябре 2025 года с призывом к разработке стандартов, основанных на участии сообщества, по справедливому тестированию и сравнению моделей на основе искусственного интеллекта. В эпоху, когда искусственный интеллект может демократизировать доступ к моделированию погоды, крайне важно создать инклюзивный и прозрачный процесс определения обучающих и тестовых наборов данных.

Использование опыта синоптиков для выявления событий, которые они считают знаковыми или экстремальными — как локальными, так и глобальными — имеет решающее значение для укрепления доверия, особенно учитывая нынешнюю неопределённость в отношении того, можно ли сделать работу искусственного интеллекта более прозрачной.

Литература

¹Bauer, P., Thorpe, A. & Brunet, G. Nature 525, 47–55 (2015).
²Sun, Y. Q. et al. Proc. Natl Acad. Sci. USA 122, e2420914122 (2025).
³Meng, Z., Hakim, G. J., Yang, W. & Vecchi, G. J. Preprint at arXiv https://doi.org/10.48550/arXiv.2507.03176 (2025).
⁴Zhang, Z., Fischer, E., Zscheischler, J. & Engelke, S. Preprint at arXiv https://doi.org/10.48550/arXiv.2508.15724 (2025).
⁵Hersbach, H. et al. Q. J. R. Meteorol. Soc. 146, 1999–2049 (2020).

 

Ссылка: https://www.nature.com/articles/d41586-026-00842-z

 

2024 год стал самым тёплым годом за 145-летнюю историю наблюдений НАСА за климатом. В отличие от Арктики, где потепление происходило значительно быстрее, чем в среднем по миру, изменение температуры в Антарктиде носит переменный характер. В данном исследовании авторы используют результаты своих наблюдений, чтобы показать, что, хотя в среднем в Антарктиде наблюдалось потепление, долгосрочные температурные тенденции обладают заметной пространственной неоднородностью и выявляют существенные расхождения с результатами моделей CMIP6. В частности, долгосрочное наблюдаемое потепление отмечается на Антарктическом полуострове и в Западной Антарктиде, с умеренным похолоданием в некоторых частях Восточной Антарктиды, особенно осенью и зимой в южном полушарии. Модели CMIP6 существенно переоценивают потепление в Антарктиде, аналогичное глобальному темпу, и достигающее максимума во внутренних районах Антарктиды. Однако средние и экстремальные значения температуры показывают, что внутренние районы Антарктиды переживают заметные климатические изменения, параллельные прогнозируемому поведению, оцениваемому CMIP6, но с меньшей интенсивностью. В других местах изменение климата происходит на севере Антарктического полуострова и побережье Западной Антарктиды, но носит более слабый характер вдоль восточного побережья Антарктиды.

 

Ссылка: https://www.nature.com/articles/s43247-026-03384-4

 

В этом исследовании изучается совпадение холодных периодов в Северной Америке и штормовой погоды в Европе, которое авторы количественно оценивают с помощью числа дней с экстремальным ветром (ДЭВ). Они рассматривают как данные реанализа ERA5, так и результаты четырёх климатических моделей CMIP6 в историческом периоде и сценарии SSP5-8.5. В ERA5 выявлены три различных региональных взаимосвязи: за холодными периодами в Восточной Канаде следует увеличение числа ДЭВ на Британских островах; холодным периодам в Центральной Канаде предшествует увеличение числа ДЭВ на Пиренейском полуострове; и холодным периодам на востоке США предшествует и следует увеличение числа ДЭВ на Пиренейском полуострове. Эти взаимосвязи воспроизводятся различными крупномасштабными моделями атмосферной циркуляции. Хотя модели CMIP6 в целом воспроизводят крупномасштабные структуры, связанные с региональными холодными периодами, их представление пространственной и временной картины связанных ДЭВ является переменным. В частности, модели недооценивают экстремальные ветровые штормы, предшествующие похолоданиям. В рамках сценария SSP5-8.5 все модели прогнозируют ослабление североамериканских похолоданий, и большинство из них показывают снижение максимальной скорости ветра в экстремальных ветровых штормах, хотя одно из лучших представлений исторических экстремальных ветровых явлений даёт модель, прогнозирующая увеличение интенсивности экстремальных ветровых штормов для Британских островов. Несмотря на рассмотрение сценария сильного потепления, авторы не обнаружили существенных изменений в совпадении североамериканских похолоданий и европейских экстремальных ветровых штормов в будущем.

 

Ссылка: https://agupubs.onlinelibrary.wiley.com/doi/10.1029/2025JD044938

 

Зимние периоды холодов в Северной Америке часто совпадают с экстремальными ветрами в Европе, образуя так называемые пан-атлантические экстремальные явления. В первой части этой статьи авторы выявили регионально различающиеся взаимосвязи между двумя наборами экстремальных явлений в данных реанализа ERA5. Они также проанализировали, как климатические модели CMIP6 воспроизводят прошлые и будущие структуры циркуляции поверхности и тропосферы пан-атлантических экстремальных явлений. Во второй части исследования авторы интерпретируют пан-атлантические экстремальные явления и их представление в моделях через призму динамических прогнозов циркуляции. Используя новый метод кластеризации, отражающий эволюцию атмосферной циркуляции Северной Атлантики во время холодов в Северной Америке, они выявляют пять эпизодов в данных реанализа. Три из этих эпизодов соответствуют различным пространственным и временным закономерностям совпадения холодов в Северной Америке и экстремальных ветровых дней в Европе. Из этих трёх эпизодов два напоминают положительную и отрицательную фазы Арктической осцилляции (AO+ и AO−), а третий — распространяющийся волновой поезд (wave train). Четыре модели CMIP6 в целом воспроизводят крупномасштабные особенности и частоты эпизодов, за исключением волнового поезда. Прогнозы моделей в рамках SSP5-8.5 показывают общее ослабление аномалий циркуляции, связанных со всеми эпизодами, но мало свидетельств изменений их частоты. Качественные выводы авторов остаются устойчивыми при изменении подхода к определению эпизодов и при проецировании результатов моделей на данные реанализа.

 

Ссылка: https://agupubs.onlinelibrary.wiley.com/doi/10.1029/2025JD044939

 

Ключевая неопределённость в понимании того, ускоряет ли потепление потерю углерода (C) в почве, заключается в том, как эта реакция зависит от других сопутствующих изменений окружающей среды и лежащих в её основе механизмов. Авторы показали, что в 12-летнем эксперименте на луговых угодьях потепление снижает содержание углерода в почве на 12,2% при засухе, но увеличивает его на 6,7% в условиях повышенной влажности. Такие потери углерода во время засухи в основном являются результатом снижения содержания органического углерода, связанного с минералами. Эти противоположные реакции тесно связаны с микробными процессами: потепление повышает микробный метаболический коэффициент в условиях засухи, но подавляет его в условиях повышенной влажности, что сопровождается изменениями в составе микробного сообщества и генах, разлагающих углерод. Интеграция этих микробных показателей в экосистемную модель существенно улучшает прогнозирование динамики углерода в почве. Эти результаты демонстрируют ключевую роль микробных процессов в опосредовании обратной связи между углеродом в почве и климатом и подчёркивают их критическую важность для точного прогнозирования динамики углерода в почве в более тёплом, потенциально более засушливом мире.

 

Ссылка: https://www.nature.com/articles/s41558-026-02584-2

 

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

 

Экстремальные погодные условия, способствующие возникновению пожаров (жара, сухость и ветер), усилились во всём мире, однако формальное отнесение этой тенденции к антропогенному изменению климата остаётся сложной задачей. В данном исследовании авторы анализируют глобальные тенденции количества дней с экстремальными погодными условиями, способствующими возникновению пожаров (FWI95d, годовое число дней с индексом пожарной опасности выше 95-го процентиля) за период 1980–2023 гг., используя результаты ансамбля климатических моделей, данные наблюдений и методы выявления антропогенного влияния. Было обнаружено, что наблюдаемое увеличение числа дней с экстремальными погодными условиями, способствующими возникновению пожаров, несёт в себе чёткий сигнал внешнего воздействия, обнаруживаемый с 99%-ной вероятностью выше естественной изменчивости и объясняемый антропогенным изменением климата. Это выявление антропогенного влияния на экстремальные погодные условия, способствующие возникновению пожаров, служит ориентиром для климатологии и подчёркивает необходимость интеграции этих данных в стратегии управления рисками лесных пожаров и адаптации к ним.

 

Ссылка: https://www.science.org/doi/10.1126/sciadv.adx9845

 

Крупные извержения вулканов и лесные пожары представляют собой естественные эксперименты для проверки того, как атмосфера Земли реагирует на внезапные возмущения. Хотя эффекты охлаждения тропосферы и потепления стратосферы, вызванные сульфатными частицами при извержении вулкана Пинатубо в 1991 году, хорошо изучены, климатические последствия дыма от лесных пожаров и вулканического водяного пара были гораздо менее очевидны. В данной работе авторы показывают, что лесные пожары в Австралии в 2019-2020 гг. и извержение вулкана Хунга-Тонга в 2022 году также привели к статистически обнаруживаемым глобальным сигналам изменения температуры атмосферы. Используя надёжную систему обнаружения, они оценивают, можно ли, когда и как долго эти сигналы отличить от внутренней изменчивости климатической системы («шума»). Полученные результаты подчёркивают новые факторы воздействия, которые необходимо учитывать в климатических моделях для лучшей интерпретации прошлой изменчивости и прогнозирования последствий будущих возмущений.

Крупные вулканические извержения и интенсивные лесные пожары нарушают температуру атмосферы Земли. Понимание реакции климата на такие природные факторы имеет важное значение для получения надёжных оценок его реакции на антропогенные выбросы парниковых газов. Хотя воздействие вулканических сульфатных аэрозолей на климат хорошо задокументировано, другие природные факторы, включая дым от лесных пожаров, достигающий стратосферы, и выбросы водяного пара при подводных извержениях, создают новые проблемы для обнаружения и определения их влияния на температуру атмосферы. Здесь авторы демонстрируют надёжное обнаружение статистически значимых температурных аномалий в тропосфере и стратосфере с использованием многолетних спутниковых наблюдений и оценок внутренней изменчивости из ансамбля климатических моделей и наблюдений. Анализируются три знаковых события: извержение вулкана Пинатубо в 1991 году, лесные пожары в Австралии в 2019-2020 гг. и извержение вулкана Хунга-Тонга в 2022 году. Каждое из них оставляет свой отпечаток с отчётливой высотной, географической и временной структурой. Глобальный усреднённый стратосферный сигнал от лесных пожаров в Австралии обнаруживается даже при усреднении по времени более чем на 10 месяцев, несмотря на то, что в атмосферу было внесено лишь около 5% аэрозольной массы Пинатубо. Для Хунга-Тонга авторы обнаружили значительное и продолжительное стратосферное похолодание, но не выявили устойчивого тропосферного сигнала в первые два года. Эти результаты показывают, что как сульфатные, так и несульфатные стратосферные возмущения приводят к различным, статистически идентифицируемым глобальным температурным сигналам. Поэтому учёт таких воздействий в климатических моделях имеет важное значение для улучшения сравнения смоделированной и наблюдаемой изменчивости.

 

Ссылка: https://www.pnas.org/doi/10.1073/pnas.2525500123

 

Прогнозирование экстремальных осадков представляет собой серьёзную ежедневную проблему в глобальном масштабе, особенно в уязвимых регионах Глобального Юга. Традиционные численные модели прогнозирования погоды часто не обеспечивают точных и своевременных прогнозов экстремальных погодных явлений, усугубляя социально-экономическое неравенство и повышая климатическую уязвимость. Подходы глубокого обучения представляют собой многообещающую возможность для выявления более точных закономерностей прогнозирования; однако их применение остаётся ограниченным большими вычислительными затратами, связанными с большим набором параметров. В этом исследовании оценивается эффективность структуры MS-RNN для повышения вычислительной эффективности и точности прогнозирования экстремальных осадков с использованием реальных данных метеорологического радара из наборов данных TAASRAD19 и Рио-де-Жанейро. Хотя эта структура была всесторонне проверена как теоретически, так и экспериментально в других сценариях, в данной работе рассматривается её применение к реальным данным радара. Показатели, связанные с устойчивым развитием, такие как потребление энергии, выбросы CO₂ и водопотребление, не рассчитывались в данном конкретном контексте и редко рассматриваются в современной литературе. Полученные результаты демонстрируют потенциал решения для повышения вычислительной эффективности при сохранении точности прогнозирования в применении к реальным данным метеорологического радара, что способствует разработке устойчивых и доступных решений на основе искусственного интеллекта для повышения климатической устойчивости в регионах с ограниченными ресурсами.

 

Ссылка: https://www.nature.com/articles/s41598-026-43029-2