Наводнения представляют собой возрастающую опасность в горных регионах, таких как бассейн реки Сват (Пакистан), где климатическая изменчивость, влияние ледников и ограниченность данных затрудняют традиционную оценку риска наводнений. В этом исследовании представлена ​​гибридная структура, интегрирующая аддитивные объяснения SHapley (SHAP) на основе XGBoost для ранжирования глобальных климатических моделей, ансамблевое моделирование Random Forest (RF) и сопряжённые гидрологические и гидравлические модели (HEC-HMS–HEC-RAS) для многосценарного картирования опасности наводнений. Этот подход обеспечивает интерпретируемый, основанный на данных и физически обоснованный метод оценки климатически обусловленной опасности наводнений в бассейнах с дефицитом данных. Ежедневные данные об осадках, максимальной температуре (Tmax) и минимальной температуре (Tmin) из одиннадцати глобальных климатических моделей CMIP6 были скорректированы с использованием подхода линейного масштабирования. Эти глобальные климатические модели были ранжированы с использованием регрессии XGBoost с интерпретацией SHAP, что позволило достичь высокой точности прогнозирования (R²: 0,934/0,926 для осадков, 0,953/0,949 для Tmax и 0,947/0,943 для Tmin). Многомодельный ансамбль, построенный с использованием регрессии RF, дополнительно улучшил производительность (R²: 0,74/0,71 для осадков; 0,97/0,963 для Tmax; 0,965/0,958 для Tmin). Эти наборы данных использовались для управления моделью HEC-HMS, откалиброванной (1993–2013 гг.) и проверенной (2014–2019 гг.) с удовлетворительными результатами (NSE (критерий Нэша–Сатклиффа): 0,612/0,603; PBIAS (критерий относительной систематической погрешности): +3,96%/−6,75%). Анализ частоты наводнений с использованием метода подгонки распределения и метода VIKOR позволил определить оптимальные модели: лог-логистическую (историческую), модель Гумбеля (SSP245) и модель GEV (SSP585). Смоделированные гидрографы для различных периодов повторяемости были введены в двумерную модель HEC-RAS для оценки глубины, масштаба и скорости наводнения. Опасность наводнения была количественно оценена с использованием составного индекса глубины и скорости. В рамках SSP585 зоны высокой и очень высокой опасности расширились до 78% поймы для события, происходящего раз в 100 лет, по сравнению с 69% в исторических условиях. Эта интегрированная, объяснимая и масштабируемая структура повышает точность прогнозирования опасности наводнений с учётом климатических изменений в сложных горных районах.

Ссылка: https://www.nature.com/articles/s41598-025-31390-7

Влажность почвы является важнейшим компонентом энергетического и водного циклов Земли. Однако большинство существующих продуктов сосредоточены исключительно на поверхностных слоях, а непрерывные наборы данных высокого разрешения для глубоких почвенных горизонтов остаются редкостью. Для решения этой проблемы авторы создали глобальный ежедневный бесшовный многослойный набор данных о влажности почвы (SWSM) за период 2002–2021 гг., используя подход машинного обучения (XGBoost). Набор данных SWSM предоставляет оценки с пространственным разрешением 0,05° для трёх глубинных горизонтов: 0–10 см, 10–30 см и 30–60 см. Тщательная проверка по данным натурных наблюдений продемонстрировала высокую точность набора данных: коэффициенты корреляции Пирсона превышают 0,90, а среднеквадратичные ошибки ниже 0,05 на всех глубинах. Оценка важности признаков подтвердила физическую согласованность набора данных, выявив зависящие от глубины закономерности, соответствующие устоявшимся гидрологическим представлениям. Набор данных SWSM, благодаря своему долгосрочному временному охвату, высокому пространственному разрешению и многослойной структуре, является ценным ресурсом для применения в гидрологическом моделировании, управлении водными ресурсами в сельском хозяйстве и исследованиях изменения климата.

Ссылка: https://www.nature.com/articles/s41597-025-06436-0

Океан играет важную роль в регулировании содержания углерода в атмосфере в масштабах десятилетий и тысячелетий, при этом донные отложения представляют собой единственное геологическое хранилище океанического углерода. Несмотря на их важность, подробные наблюдения за донными отложениями океана ограничены, а представление донных углеродных циклов в океанических и земных системных моделях в основном носит эмпирический характер и обладает низкой прогностической способностью, что препятствует пониманию долгосрочной эволюции углеродного цикла и обратных связей, связанных с изменением климата. Рабочая группа по донным экосистемам и синтезу углерода (Benthic Ecosystem and Carbon Synthesis, BECS) при поддержке Программы США по океаническому углероду и биогеохимии (Ocean Carbon & Biogeochemistry, OCB) определила ключевые проблемы, ограничивающие понимание донных систем, возможности для решения этих проблем и пути увеличения представленности этих систем в глобальных моделях и наблюдательных исследованиях. Авторы предлагают ряд приоритетов для углубления понимания механизмов и более точной количественной оценки важности бентоса: (а) проведение сравнительного анализа существующих моделей бентоса для поддержки дальнейшего развития моделей, (б) синтез данных для обоснования как параметризации моделей, так и будущих наблюдений, (в) расширение использования платформ и технологий для поддержки мониторинга бентоса in situ (например, от лабораторных условий до полевых мезокосмов) и (г) глобальная координация программы наблюдения за бентосом («GEOSed») для заполнения больших региональных пробелов в данных и оценки понимания механизмов бентосных процессов, полученного на предыдущих этапах. Решение этих приоритетных задач поможет разработать решения как для глобального, так и для регионального управления ресурсами и стратегий адаптации к изменению климата.

Ссылка: https://agupubs.onlinelibrary.wiley.com/doi/10.1029/2025GB008643

Изменения изменчивости температуры влияют на частоту и интенсивность экстремальных явлений, а также на региональный диапазон температур, к которым экосистемы и общество должны адаптироваться. Хотя точные прогнозы изменчивости температуры жизненно важны для понимания изменения климата и его последствий, они остаются крайне неопределёнными. Авторы использовали анализ ранговой частоты для оценки эффективности одиннадцати больших ансамблей с начальными условиями отдельных моделей (single model initial-condition large ensembles, SMILE) по сравнению с наблюдениями за исторический период и использовали те из них, которые наилучшим образом представляют историческую региональную изменчивость, для ограничения прогнозов будущей изменчивости температуры. Ограниченные прогнозы, полученные с помощью наиболее эффективных SMILE, по-прежнему демонстрируют большую неопределённость в интенсивности и знаке изменения изменчивости для больших территорий земного шара. Эти результаты указывают на плохо смоделированные регионы, где наблюдаемая изменчивость представлена ​​недостаточно хорошо, такие как большие части Австралии, Южной Америки и Африки, особенно в их местный летний сезон, что подчёркивает необходимость дальнейшего улучшения моделирования в критически важных регионах. В этих регионах прогнозируемое изменение с учётом ограничений, как правило, больше, чем в ансамбле без ограничений, что позволяет предположить, что в этих регионах усреднённые прогнозы по нескольким моделям могут недооценивать будущие изменения изменчивости.

Ссылка: https://www.nature.com/articles/s41467-025-67005-y

Влажность почвы (ВП) давно признана одной из важнейших климатических переменных. Однако до сих пор отсутствуют полученные со спутника глобальные климатологические записи ВП за более чем 30 лет с высоким пространственно-временным разрешением. На основе последней версии данных CCI по ВП с разрешением 25 км и данных о почве с разрешением 1 км, взятых из SoilGrids, был впервые получен пространственно непрерывный набор данных CCI с использованием алгоритма тройного коллокационного анализа при помощи данных по ВП из ERA5, GLEAM и GLDAS. Впоследствии данные по ВП были получены с высоким разрешением 1 км с использованием метода масштабирования с учётом субсеточной изменчивости гидравлических параметров. Наконец, была разработана первая полученная со спутника климатологическая запись влажности почвы (1980–2023 гг.) с высоким пространственно-временным разрешением и непрерывным глобальным охватом. Комплексная проверка по 372 глобальным натурным наблюдениям показала среднюю несмещённую среднеквадратичную ошибку 0,051 м³/м³. В частности, сначала был проведён анализ достоверности проверенной точности на основе байесовской статики в четырёх сетях с плотной сетью станций наблюдения. Результаты показали среднюю достоверность оценки точности в этих сетях на уровне 83,5%.

Ссылка: https://www.nature.com/articles/s41597-025-06432-4

Сдвиги климатического режима (СКР), характеризующиеся резкими и устойчивыми переходами между альтернативными устойчивыми состояниями в климатической системе, представляют серьёзную угрозу для экосистем и благополучия человека. Понимание потенциальных факторов, вызывающих СКР, имеет решающее значение, особенно в условиях глобального потепления, когда СКР становятся всё более частыми. В данном исследовании, используя многочисленные наблюдения и моделирование, авторы обнаружили, что вероятность возникновения СКР значительно возрастает в контексте супер-Эль-Ниньо из-за их значительных климатических возмущений. Эта более высокая вероятность наблюдается для различных климатических элементов, таких как температура воздуха на поверхности, температура поверхности моря и влажность почвы на поверхности. Кроме того, авторы предполагают, что этот эффект супер-Эль-Ниньо на СКР будет значительно усилен в условиях будущего парникового потепления. Представленные результаты подчёркивают более глубокое и устойчивое влияние супер-Эль-Ниньо на климат, указывая на то, что ранние предупреждения и упреждающие меры имеют решающее значение для смягчения их возрастающих рисков.

Ссылка: https://www.nature.com/articles/s41467-025-66143-7

В данной статье представлен вклад Ouranos в североамериканский компонент Координированного регионального эксперимента по даунскейлингу климата (NA-CORDEX). Канадская региональная климатическая модель пятого поколения (CRCM5) работает на основе четырёх глобальных моделей из проекта CMIP6. Моделирование выполняется с горизонтальным шагом сетки 0,11° над Северной Америкой с 1950 по 2100 гг. Для моделирования будущего климата (2015–2100 гг.) используются до четырёх различных сценариев выбросов. Для выбранной модели и сценария доступно пять членов ансамбля. Здесь описаны модель, выбранная конфигурация, проверка модели и предоставлены инструкции по доступу к данным.

Ссылка: https://www.nature.com/articles/s41597-025-06289-7

Анализ вклада факторов в изменение стока имеет важное значение для сохранения и управления водными ресурсами. В данном исследовании разработана методологическая модель для реконструкции, количественной оценки и анализа вклада факторов в сток. Модель включает четыре основных компонента: (1) Агрегирование гидрометеорологических переменных в различных временных масштабах, что позволяет определить наиболее репрезентативный временной масштаб для данного речного бассейна, эффективно преодолевая ограничения одномасштабных подходов, распространённых в предыдущих исследованиях. (2) Оптимизация объясняющих переменных, специфичных для каждого временного масштаба, путём интеграции корреляции Спирмена и анализа коэффициента инфляции дисперсии (variance inflation factor, VIF), эффективно решающая проблемы мультиколлинеарности, часто упускаемые из виду в предыдущих исследованиях. (3) Реконструкция стока с использованием модели регрессии случайного леса (Random Forest Regression Model, RFRM) и инструмента оценки почвы и воды (Soil and Water Assessment Tool, SWAT) с многометрическими показателями валидации для обеспечения возможности переноса результатов на различные речные бассейны. (4) Интеграция данных дистанционного зондирования и статистических данных для выявления антропогенных факторов в различных временных масштабах позволяет преодолеть ограничения анализа причинно-следственной связи на основе одного фактора. Протестированная для бассейна реки Лан модель выявила осадки как доминирующий метеорологический фактор (коэффициент корреляции Спирмена p = 0,90 в сезонном масштабе), определила месячный и двухмесячный масштабы как оптимальные для моделирования и выявила взаимодополняющие преимущества RFRM и SWAT — последний особенно преуспел в моделировании экстремальных значений высокого стока. Интеграция данных из нескольких источников дополнительно прояснила двойную роль человеческой деятельности в стоке, подчеркнув ценность количественной оценки причинно-следственной связи. Эти результаты предлагают методологические рекомендации по выбору временного масштаба и модели, а также обеспечивают переносимый подход к оценке причинно-следственной связи стока.

Ссылка: https://www.nature.com/articles/s41598-025-32088-6

Точная информация о ветре имеет решающее значение для расширения использования возобновляемой энергии, однако одновременное достижение высокого пространственного разрешения и точности остаётся сложной задачей. Эта задача усугубляется в регионах с редкими наземными наблюдениями, где неравномерное покрытие станций может искажать оценку модели. Здесь авторы представляют структуру глубокого обучения, которая восстанавливает поля ветра с высоким разрешением, комбинируя частотную фильтрацию с генеративной моделью, разработанной для повышения локальной детализации при сохранении крупномасштабной структуры. Они также представляют стратегию оценки методом Монте-Карло от точки к области, учитывающую пространственную неоднородность между измерительными площадками, что позволяет надёжно оценивать производительность модели. Применительно к региональной реконструкции ветра, эта структура улучшает оценку скорости ветра и обеспечивает более чёткое представление мелкомасштабной изменчивости, особенно в условиях, связанных с высокой выработкой ветровой энергии. Подход демонстрирует стабильную работу в нескольких пространственных областях и на уровнях временной агрегации, подтверждая его потенциал для масштабируемого и чувствительного к местоположению планирования ветроэнергетики в условиях ограниченности данных наблюдений.

Ссылка: https://www.nature.com/articles/s43247-025-03072-9

Ограничение глобального повышения температуры в этом столетии до 1,5 °C выше доиндустриального уровня стало важнейшей задачей. Один из ключевых путей решения проблемы включает действия в земельном секторе. Прогнозы на основе карт землепользования и растительного покрова могут предоставить ценную информацию для руководства такими действиями, но надёжность карт в значительной степени зависит от точности базовой карты землепользования и растительного покрова. В данном исследовании в качестве базовой карты землепользования и растительного покрова была выбрана точная карта — Historic Land Dynamics Assessment+ (HILDA+), согласованная с несколькими историческими картами землепользования и растительного покрова. Кроме того, авторы выбрали будущий сценарий, направленный на достижение цели в 1,5 °C и учитывающий национальные определяемые вклады (nationally determined contributions, NDC). Этот сценарий предполагает, что все стороны будут придерживаться представленных ими NDC. Авторы спрогнозировали карты землепользования с пространственным разрешением 1 км на период с 2020 по 2100 гг. с 10-летним интервалом в Китае, используя данные Глобальной модели анализа изменений, модели Land-N2N и карт землепользования HILDA+. Эти карты предоставляют научные рекомендации для поддержки управления земельными ресурсами в условиях климатического кризиса.

Ссылка: https://www.nature.com/articles/s41597-025-06411-9