Большие языковые модели (Large language models, LLM) представляют собой преобразующий потенциал на переднем крае искусственного интеллекта и машинного обучения, который может помочь ответственным лицам в решении насущных социальных проблем, таких как экстремальные природные явления. Будучи обобщёнными моделями, LLM часто испытывают трудности с предоставлением контекстно-зависимой информации, особенно в областях, требующих специальных знаний. В данной работе авторы предлагают многоагентную систему LLM на основе генерации, дополненной поиском, для поддержки анализа и принятия решений в контексте стихийных бедствий и экстремальных погодных явлений. В качестве подтверждения концепции они представляют WildfireGPT, специализированную систему, ориентированную на риски лесных пожаров. Архитектура использует ориентированный на пользователя многоагентный дизайн для предоставления персонализированной информации о рисках различным группам заинтересованных сторон. Интегрируя данные прогнозов стихийных бедствий и экстремальных погодных явлений, наборы данных наблюдений и научную литературу через рамки генерации, дополненной поиском, система обеспечивает как точность, так и контекстную релевантность предоставляемой информации. Оценка десяти тематических исследований, проведённых экспертами, показывает, что WildfireGPT значительно превосходит существующие решения на базе LLM для поддержки принятия решений.

Ссылка: https://www.nature.com/articles/s44168-025-00254-1

Изменение климата является одной из основных проблем XXI века. Для смягчения антропогенного воздействия на него необходимо радикально сократить выбросы углекислого газа (CO₂), основного антропогенного парникового газа, концентрация которого в атмосфере резко возросла с начала промышленной революции в результате деятельности человека (1). Океан играет ключевую роль в смягчении антропогенного воздействия на климат, поглощая около 25% антропогенных выбросов CO₂ (1). Однако роль прибрежных морей в способности океана выступать в качестве ингибитора накопления атмосферного CO₂ и буфера против изменения климата, а также реакция прибрежного океана на антропогенное давление остаются предметом значительной неопределённости. Используя самый передовой метод, основанный на искусственном интеллекте, исследования (2, 3) способствовали улучшению понимания взаимодействия морской поверхности и атмосферного CO₂ для прибрежных морей по всему миру.

Мировой океан ежегодно генерирует для человечества экономическую стоимость товаров и услуг на сумму около 2500 миллиардов долларов США, что эквивалентно седьмой по величине экономике (4). Более половины этой экономической стоимости генерируется прибрежными морями и зависит от состояния их здоровья (5). Из-за большой пространственной неоднородности прибрежного океана обмены и преобразования ключевых физических, химических или биологических переменных [т. е. основных океанических переменных (6)], таких как CO₂, регулирующий не только климат, но и состояние прибрежного океана посредством его закисления, не очень хорошо изучены. Прибрежные океанические переменные, такие как температура поверхности моря, можно отслеживать из космоса благодаря возможностям спутникового дистанционного зондирования, которые могут предоставлять пространственно-комплексные карты некоторых океанических переменных морской поверхности с несколькими пространственными и временными разрешениями (7). Однако на сегодняшний день большинство других параметров, характеризующих биогеохимическое функционирование прибрежных экосистем, таких как концентрация CO₂ на поверхности моря, отслеживаются только посредством локальных и неполных измерений с платформ in situ, таких как суда, используемые попутно или исследовательские (8) (см. рисунок). В результате этого довольно скудный сбор данных во многих прибрежных регионах и неоднородный временной и пространственный охват этих измерений затрудняют оценку обмена CO₂ между атмосферой и прибрежными морями в более крупных пространственно-временных масштабах, с относительной неопределённостью до 50–100% при попытке оценить вклад прибрежного океана в глобальный сток CO₂ в океан (9).

Эта работа преодолела важнейшее ограничение прерывистых наблюдений, характерное для традиционной количественной оценки обмена CO₂ между воздухом и морем в прибрежной зоне океана. Здесь был использован инновационный подход на основе искусственного интеллекта с комбинацией двух искусственных нейронных сетей — кластеризацией на основе машинного обучения (т. е. самоорганизующейся картой) в сочетании с подходом нейронной сети прямого распространения. Метод включает в себя использование спутниковых данных и данных реанализа, которые покрывают всю поверхность океана и, как известно, контролируют CO₂ на поверхности океана, например, температуру поверхности моря (см. рисунок). Затем был разработан мост через две нейронные сети, устанавливающие сложные нелинейные зависимости между этими спутниковыми данными и данными реанализа и всеми примерно 18 миллионами прямых наблюдений CO₂ на поверхности моря, собранных в прибрежной зоне океана (8). Эти зависимости далее применяются для разрешения обменов CO₂ на границе раздела воздух-море в прибрежных регионах и в периоды года, по которым отсутствуют данные (см. рисунок). Основная задача заключалась в построении этих реконструированных карт концентрации CO₂ на поверхности моря только для прибрежной зоны океана, причём в глобальном масштабе, ввиду пространственной неоднородности динамики прибрежной системы. Действительно, такие полностью реконструированные карты, основанные на этом эмпирическом подходе с использованием искусственного интеллекта, были созданы только для открытого Мирового океана, который не охватывает прибрежные моря и чьё пространственное разрешение (обычно 1°) недостаточно для учёта мелкомасштабных процессов, таких как влияние речных сбросов, влияющих на динамику CO₂ (10, 11).

Искусственный интеллект используется для заполнения пробелов в данных о морской среде
Представлен инновационный подход на основе искусственного интеллекта для оценки обмена CO₂ с атмосферой во всех прибрежных системах с максимальной точностью. Метод заключается в разработке связующего звена посредством комбинации двух искусственных нейронных сетей, которые устанавливают сложные нелинейные связи между (а) дискретными in situ наблюдениями за CO₂ на поверхности моря, собранными в прибрежной зоне, и (b) полными данными спутникового мониторинга и реанализа морской поверхности. Эти связи затем применяются для определения CO₂ на поверхности моря и обмена CO₂ с атмосферой в прибрежных регионах и в периоды года, по которым отсутствуют данные (c).

Этот подход на основе искусственного интеллекта в настоящее время является одним из самых передовых подходов, основанных на наблюдениях для оценки того, как все прибрежные системы обмениваются CO₂ с атмосферой с наивысшей точностью (2, 3). Эта работа также прокладывает путь для надёжных исследований временных изменений в динамике обмена CO₂ между воздухом и морем, от сезонных до многодесятилетних масштабов и для прибрежных морей по всему миру. Наконец, этот подход связывается с сообществом моделирования, которое пытается понять, в форме сложных численных уравнений, обратную связь между системой Земли и климатом и их возмущениями, вызванными деятельностью человека. Здесь предоставлена надёжная оценка, с которой можно сравнивать результаты глобальных моделей океана (12, 13). Действительно, глобальные модели долгое время плохо подходили для изучения прибрежного океана, не в последнюю очередь потому, что их пространственное разрешение лишь частично имитирует прибрежные моря. В целом этот эмпирический подход на основе искусственного интеллекта, связывающий локальные измерения со спутниковыми данными и данными реанализа, а также улучшающий модельные оценки, открывает возможности для оценки и смягчения воздействия многочисленных антропогенных возмущений на глобальный прибрежный углеродный цикл и связанную с этим потерю биоразнообразия и другие факторы стресса в морской среде.

Для оценки прошлого, настоящего и будущего состояния прибрежного океана и его уязвимости к нарушениям, вызванным деятельностью человека, которые могут повлиять на экономическую ценность прибрежного океана и его буферную роль перед лицом изменения климата, важно создать сеть мониторинга океанических переменных, таких как CO₂. Современные возможности спутникового дистанционного зондирования позволяют контролировать некоторые из этих переменных. Однако на сегодняшний день большинство глобальных наборов данных, доступных для других параметров, репрезентативных для биогеохимического функционирования прибрежных экосистем, состоят из наборов локальных наблюдений. Данная работа продемонстрировала, что применение метода искусственного интеллекта может устранить эти ограничения с разработкой метода, успешно применяемого в случае CO₂. Этот метод должен вдохновить на применение других прибрежных океанических переменных, таких как кислород и pH, что может помочь улучшить понимание биогеохимического функционирования прибрежного океана через эффекты гипоксии и закисления. Помимо применения на поверхности морской воды, метод также должен вдохновить на создание приложений с четырёхмерным разрешением, учитывающих глубину, чтобы понять, как CO₂ перераспределяется в толще воды после обмена с атмосферой.

Литература
1 P. Friedlingstein et al., ESSD 17, 965 (2025).
2 A. Roobaert et al., Global Biogeochem. Cycles 33, 1693 (2019).
3 A. Roobaert, P. Regnier, P. Landschützer, G. G. Laruelle, ESSD 16, 421 (2024).
4 O. Hoegh-Guldberg et al., “Reviving the ocean economy: The case for action – 2015” (WWF International, 2015).
5 C. J. Crossland, H. H. Kremer, H. J. Lindeboom, J. I. M. Crossland, M. D. A. Le Tissier, Coastal Fluxes in the Anthropocene: The Land-Ocean Interactions in the Coastal Zone Project of the International Geosphere-Biosphere Programme (Springer, 2005).
6 The Global Ocean Observing System (GOOS), Essential ocean variables; https://goosocean.org/what-we-do/framework/essential-ocean-variables/.
7 R. W. Reynolds et al., J. Clim. 20, 5473 (2007).
8 Surface Ocean CO₂ Atlas (SOCAT); https://socat.info/.
9 J. E. Bauer et al., Nature 504, 61 (2013).
10 C. Rödenbeck et al., Biogeosciences 12, 7251 (2015).
11 A. R. Fay, ESSD 13, 4693 (2021).
12 L. Resplandy et al., Global Biogeochem. Cycles 38, e2023GB007803 (2024).
13 A. Roobaert, L. Resplandy, G. G. Laruelle, E. Liao, P. Regnier, Ocean Sci. 18, 67 (2022).

Ссылка: https://www.science.org/doi/10.1126/science.adx7826

Экстремальные циклоны оказывают значительное влияние на погоду и климат Арктики, однако тенденции их развития и факторы влияния остаются неясными. В данном исследовании авторы изучают климатические характеристики и межгодовые факторы влияния экстремальных циклонов в холодный арктический сезон, используя наборы данных многофакторного реанализа с 1979 по 2018 гг. в сочетании с методом автоматизированного отслеживания циклонов. В различных наборах данных наблюдается высокая согласованность расчётных показателей, таких как число, пространственная частота, интенсивность и продолжительность существования арктических экстремальных циклонов. Большинство экстремальных арктических циклонов являются трансполярными, их число вдвое превышает число циклонов, образующихся в пределах полярного круга. Две основные области распространения и каналы плотности циклонов находятся в Атлантическом секторе, где они пересекают Датский и Гренландский проливы и Карское море, попадая в Арктику, а также в Тихоокеанском секторе, где циклоны проникают в полярный регион через Берингово и Чукотское моря. За последние 40 лет наблюдается тенденция к увеличению доли долгоживущих экстремальных циклонов в Арктике, что влияет на её погодные условия. В статистике частоты и интенсивности арктических экстремальных циклонов в холодное время года очевидны чёткие межгодовые изменения. Эти изменения тесно связаны с Североатлантическим колебанием, которое влияет на эти статистические данные через связанную с ним динамику атмосферной циркуляции и синергию с лежащими в основе аномалиями температуры поверхности моря триполярного региона. Примечательно, что положительная фаза Североатлантического колебания имеет тенденцию к увеличению как частоты, так и интенсивности экстремальных циклонов в Арктике. Эти результаты открывают новые возможности для понимания и прогнозирования арктических циклонов.

Ссылка: https://link.springer.com/article/10.1007/s00382-025-07762-0

Авторы количественно оценивают влияние сокращения площади арктических морских льдов в конце XXI века на летние экстремальные температуры в Северном полушарии, используя модельные расчёты, учитывающие будущую потерю арктических морских льдов. С помощью этих модельных расчётов было обнаружено общее увеличение частоты экстремальной жары на континентах Северного полушария, но только при наличии связи между океаном и атмосферой. Увеличение частоты экстремальной жары полностью обусловлено повышением средней температуры. Однако, по сравнению с соответствующим сценарием будущего потепления, в целом, усиление экстремальной жары на континентах Северного полушария в связи с будущей потерей арктических морских льдов относительно невелико. Результаты указывают на существенную, но ограниченную роль будущего сокращения арктических морских льдов в формировании летних экстремальных температур в Северном полушарии.

Ссылка: https://agupubs.onlinelibrary.wiley.com/doi/10.1029/2025GL116668

Одной из целей Парижского соглашения является регулярный сбор информации о коллективных усилиях по сокращению глобальных выбросов парниковых газов. Однако национальные кадастры выбросов, представляемые в РКИК ООН, содержат лишь часть этой информации из-за ограниченной полноты временных рядов и временного лага по сравнению с текущим годом. Таким образом, разработка актуальных глобальных кадастров выбросов парниковых газов имеет решающее значение для оценки их глобальных тенденций и внесения вклада в пятилетний цикл глобальной инвентаризации выбросов углерода, предусмотренный Парижским соглашением. База данных о выбросах для глобальных атмосферных исследований (EDGAR) восполняет этот пробел в знаниях, ежегодно предоставляя надёжные и актуальные независимые оценки глобальных выбросов CO₂ и других парниковых газов с минимальной задержкой (t-1) для всех стран и секторов. В данной работе описывается подход, разработанный и примененный в EDGAR для расчёта выбросов по состоянию на последний год, что делает EDGAR надёжным и своевременным источником информации для оценки коллективных усилий по достижению климатических целей.

Ссылка: https://www.nature.com/articles/s41597-025-04806-2

Главными темами номера являются:

• Международная экологическая конференция 24-26 июля, Республика Алтай
• 28-ая сессия Северо-Евразийского климатического форума 25 июня, Москва
• Обзор состояния и загрязнения окружающей среды в Российской Федерации за 2024 год, Росгидромет

Также в выпуске:

• • • Глава Минприроды А. А. Козлов информировал Президента РФ В. В. Путина о работе, проведённой в рамках национального проекта «Экология»
    • Руслан Эдельгериев принял участие в третьей Конференции ООН по океану
    • 1 июля 2025 года Московская биржа начинала расчёт и публикацию Индекса МосБиржи климатической устойчивости нефинансовых компаний
    • СИБУР обеспечил углеродную нейтральность ПМЭФ-2025
    • ДОМ.РФ разработал для застройщиков калькулятор углеродного следа
    • АСИ предложило комплексный подход к адаптации России к изменениям климата
    • Новые публикации в российских и зарубежных научных изданиях
    • На саммите ООН по вопросам океана в Ницце были представлены основные инициативы по усилению наблюдений за океаном, которые жизненно важны для прогнозирования погоды, мониторинга климата и морских маршрутов
    • Зелёный климатический фонд ООН профинансирует экологические проекты Казахстана на сумму 280 млн долларов

Доступ к данным о погоде in situ, полученным в Арктике, традиционно осложнялся суровыми условиями региона и разбросанностью общедоступных данных по разным базам данных и форматам. Чтобы решить эту проблему, авторы собрали общедоступные данные in situ измерений 36 наземных и поверхностных климатических переменных из 13 различных источников, сосредоточившись на периоде 1990–2023 гг. Набор данных, включающий в общей сложности 719 уникальных локаций с различным охватом данных по времени и переменным, доступен в двух версиях: в первой, «сырой», версии данные были реструктурированы и переформатированы из каждого исходного источника в единый формат, но качество не проверялось. Во второй версии, прошедшей проверку качества, набор данных дополнительно прошёл пятимодульную проверку качества, включающую 1) удаление распространённых ошибочных значений, 2) оценку физически невозможных значений, 3) обнаружение и оценку выбросов, 4) преобразование единиц измерения и 5) оценку вероятных артефактов прибора и/или калибровки. В дополнение к данным предоставляется код для импорта, нормализации и проверки качества с дополнительными модулями.

Ссылка: https://www.nature.com/articles/s41597-025-05441-7

Арктическая климатическая система стремительно меняется, что имеет важные последствия для Арктики и за её пределами. Взаимодействие морского льда и арктических циклонов делает его важным аспектом для понимания в условиях потепления климата. Авторы проанализировали ансамбль результатов моделей, полученных в рамках проекта CMIP6 с 1985 по 2014 гг., чтобы определить точность моделирования в отображении арктических циклонов и их связи с морским льдом. Была получена комплексная климатология арктических циклонов и протяжённости морского льда, которая была сопоставлена с результатами реанализа ERA5. Модели хорошо воспроизводили наблюдаемые пространственные структуры и тенденции распространения морского льда. Однако уловить сопутствующие закономерности и тенденции в характеристиках арктических циклонов, выявленные в данных реанализа, не удавалось. Модели недооценивали локальный циклогенез в Арктике, что привело к общему занижению числа арктических циклонов. Анализ опережения/запаздывания данных ERA5 показывает, что сокращение площади морского льда в тёплый сезон может привести к увеличению числа циклонов в следующий холодный сезон, что затем снижает количество циклонов в следующем тёплом сезоне в рамках цикла обратной связи, который, по-видимому, отсутствует в моделях CMIP6. Результаты также выявили различия между интенсивностью циклонов в CMIP6 и ERA5. Величина и знак различий в интенсивности варьировались в зависимости от разрешения модели, параметризации шероховатости поверхности и точности представления местоположения циклогенеза. Данная работа подчёркивает необходимость улучшения взаимодействия морского льда и атмосферы и представления синоптических систем в следующем поколении глобальных моделей.

Ссылка: https://agupubs.onlinelibrary.wiley.com/doi/10.1029/2024JD042388

В первой половине 2020 года в Сибири наблюдалась интенсивная и продолжительная волна тепла. Она привела к более раннему и более интенсивному поглощению CO₂ в начале вегетационного периода по сравнению с предыдущими годами, за которым последовало снижение поглощения CO₂ в конце вегетационного периода, отчасти из-за высыхания почвы, то есть к сезонным последствиям. Используя модель поверхности суши ORCHIDEE-MICT, авторы исследовали, повлияло ли глобальное потепление 2020 года на экосистемные процессы в следующем 2021 году (эффекты наследия) по разнице между результатами моделирования с наблюдаемым воздействием на климат в 2020 году и контрфактическим моделированием без заметного глобального потепления в 2020 году. Глобальное потепление 2020 года в сочетании с увеличением снегопадов в конце 2020 года привело к повышению температуры почвы на 1,2 °C, увеличению содержания влаги в почве на 20 кг м⁻² (в верхнем слое 1 м) и увеличению гетеротрофного дыхания (выбросов CO₂) на 0,04 гС м⁻² день⁻¹ в начале 2021 года в Центральной Сибири. В начале лета 2021 года воздействие высоких температур также повлияло на фотосинтез (поглощение CO₂), причём реакция биомов была разной: в лесах поглощение CO₂ увеличилось (т.е. наблюдался положительный эффект наследия), а в лугах – снизилось (т.е. наблюдался небольшой отрицательный эффект наследия). В результате волны тепла 2020 года леса увеличили запас углерода на суше на 6 гС·м⁻² (совокупный растительный и почвенный углерод), в то время как луга теряли 10,9 гС·м⁻². Эти результаты показывают, что воздействие волн тепла может сохраняться как надземно (растительность), так и подземно (температура и влажность почвы), и значительно влиять на запасы углерода и суммарные потоки CO₂ в следующем году.

Ссылка: https://agupubs.onlinelibrary.wiley.com/doi/10.1029/2025GB008607

Городские зелёные насаждения играют важную роль в смягчении последствий возникновения городских островов тепла, однако масштабно-зависимые механизмы, посредством которых морфология городских зелёных насаждений регулирует тепловые эффекты, остаются недостаточно изученными. В данной работе исследуются многомасштабные взаимосвязи между пространственными структурами городских зелёных насаждений и охлаждающим эффектом в Макао. Для характеристики конфигураций городских зелёных насаждений используется анализ морфологических пространственных структур (morphological spatial pattern analysis), а для изучения тепловых взаимодействий в масштабе города – географически взвешенная регрессия (geographically weighted regression). Результаты исследования дополняются анализом буферных зон на уровне отдельных участков, включающим анализ площади, периметра и индекса формы ландшафта. Результаты показывают, что зоны с высокой степенью целостности городских зелёных насаждений значительно повышают охлаждающую способность (территории с долей ядра ≥35% демонстрируют оптимальный эффект), в то время как фрагментированные элементы (ветви, края) усугубляют городские острова тепла. При этом анализ на уровне отдельных участков выявляет нелинейные пороговые эффекты в эффективности охлаждения. Трёхкомпонентная классификация городских зелёных насаждений по охлаждающей способности позволяет выделить эффективные типы с оптимальными показателями формы и степенью охлаждения. Полученные результаты позволяют создать трёхкомпонентную систему классификации городских зелёных насаждений, основанную на охлаждающей способности, и определить оптимальные морфологические параметры, углубляя понимание механизмов терморегуляции в городской среде. Данное исследование предоставляет эмпирические данные о стратегиях планирования городских зелёных насаждений, приоритет которых отдаётся сохранению основных территорий, оптимизации морфологических характеристик и сезонной адаптации для повышения устойчивости городских территорий к климатическим изменениям, предлагая практические рекомендации для устойчивого развития в прибрежных городах с высокой плотностью населения.

Ссылка: https://www.mdpi.com/2073-4433/16/7/857