Традиционные структуры управления рисками не подходят для долгосрочной адаптации к изменению климата, вследствие существенной неопределённости в климатических прогнозах. Исследование подчёркивает большой потенциал обучения с подкреплением (reinforcement learning, RL) в моделировании и информировании об адаптивном принятии решений по климату. Сосредоточившись на стратегиях защиты от прибрежных наводнений для Манхэттена в Нью-Йорке, которые включают непрерывные наблюдения за повышением уровня моря, авторы исследования демонстрируют существенную способность проектов на основе RL к снижению затрат по сравнению с традиционными численными методами. Более того, они демонстрируют способность RL справляться со сложными политическими проектами, экстремальными экономическими потерями, потенциальными ошибочными суждениями экспертов и, в более широком смысле, критическую роль систематического обучения и обновления в адаптации к изменению климата.

Традиционные вычислительные модели структур адаптации к климату неадекватно учитывают способность лиц, принимающих решения, учиться, обновлять и улучшать решения. Авторы исследуют потенциал обучения с подкреплением RL, метода машинного обучения, который эффективно получает знания из окружающей среды и систематически оптимизирует динамические решения, при моделировании и информировании об адаптивном принятии климатических решений. Рассматриваются меры по смягчению риска прибрежных наводнений для Манхэттена, Нью-Йорк, США и иллюстрируются преимущества постоянного включения наблюдений за повышением уровня моря в систематические разработки адаптивных стратегий. Было обнаружено, что при проектировании адаптивных морских дамб для защиты Нью-Йорка стратегия, полученная с помощью RL, значительно снижает ожидаемую суммарную стоимость на 6–36% при сценарии умеренных выбросов SSP2-4.5 (на 9–77% при сценарии высоких выбросов SSP5-8.5) по сравнению с традиционными методами. При рассмотрении нескольких адаптивных политик, включая размещение и отступление, а также защиту, подход RL приводит к дополнительному снижению затрат на 5% (15%), демонстрируя его гибкость в скоординированном решении сложных проблем разработки политики. RL также превосходит традиционные методы в контроле остаточного риска (т.е. низкой вероятности, но сильного воздействия) и в предотвращении потерь, вызванных дезинформацией о состоянии климата (например, глубокой неопределённостью), демонстрируя важность систематического обучения и обновления при решении экстремальных ситуаций и неопределённостей, связанных с адаптацией к изменению климата.

 

Ссылка: https://www.pnas.org/doi/10.1073/pnas.2402826122

 

Сельское хозяйство играет ключевую роль в глобальной продовольственной безопасности, тесно связанной с водными ресурсами для роста урожая. Однако управление взаимодействием между сельским хозяйством и доступностью воды создаёт проблемы, особенно в антропоцене, где традиционные взгляды часто упускают из виду влияние сельского хозяйства на водный цикл. Понимание и интеграция влияния сельского хозяйства на динамику воды становится обязательным условием для решения современных проблем. Это исследование подчёркивает контрастные воздействия сельскохозяйственной деятельности в умеренном и снежном климате. В умеренных водосборах сельское хозяйство ослабляет связь между осадками и стоком (precipitation-streamflow, P- Q), способствуя отклонениям от водно-энергетического баланса, вызванным осадками, в то время как в снежных водосборах сельскохозяйственная деятельность усиливает связь P-Q. Эти результаты дают представление о формировании эффективных стратегий управления водными ресурсами, обеспечении продовольственной безопасности и содействии устойчивому развитию во всём мире.

Сельское хозяйство является краеугольным камнем мирового производства продовольствия, на него приходится значительная часть забора воды во всём мире. По мере роста населения в мире растёт и спрос на воду в сельском хозяйстве, что приводит к изменениям в региональных водно-энергетических балансах. Авторы представляют подход к выявлению влияния сельского хозяйства на водно- энергетический баланс с использованием эмпирических данных. Они изучают отклонение от кривой Будыко для водосборов с расширением сельского хозяйства и их связи с изменениями водно- энергетического баланса с использованием алгоритма причинно-следственной связи. Анализируя данные по 1342 водосборам в трёх климатических классах Кёппен-Гейгера — умеренных, снежных и других — с 1980 по 2014 гг., авторы показывают, что умеренные и снежные водосборы, на которые приходится более 90% станций, демонстрируют различные закономерности. Процент пахотных земель (CL%) выступает в качестве доминирующего фактора, объясняя 47 и 37% дисперсии отклонений от кривой Будыко в умеренных и снежных водосборах соответственно. В умеренных водосборах CL% показывает сильную отрицательную корреляцию с силой причинной связи между осадками и стоком (P- Q) (Спирмен ρ = -0,75), что говорит о том, что пахотные земли усугубляют отклонения, вызванные осадками. Умеренная отрицательная корреляция с силой причинной связи между засушливостью и стоком (AR-Q) (ρ = -0,42) указывает на дополнительное влияние пахотных земель через взаимодействия, вызванные засушливостью. В заснеженных водосборах CL% оказывает аналогичное влияние с положительной корреляцией с силой причинной связи между P-Q (ρ = 0,51). Однако отрицательная корреляция с силой причинной связи между AR-Q (ρ = -0,45) подчёркивает роль засушливости как вторичного фактора. Хотя растительность и сезонность осадков также вносят вклад в отклонения, их воздействие сравнительно меньше. Эти результаты свидетельствуют о необходимости включения сельскохозяйственной деятельности в изменение водно-энергетического баланса для обеспечения будущих поставок воды.

 

Ссылка: https://www.pnas.org/doi/10.1073/pnas.2410521122

 

Национальные картографические продукты со средним разрешением (30 м) имеют ограниченную возможность представлять мелкомасштабные, неоднородные городские формы и процессы, однако улучшения от включения данных прогнозирования с более высоким разрешением остаются редкими. В этом исследовании авторы применили модели случайного леса к данным о земном покрове с высоким разрешением для 71 городской территории США, к данным о древесном покрове (Tree Canopy Cover, TCC) Национальной базы данных о земном покрове со средним разрешением (National Land Cover Database, NLCD) и к дополнительным пояснительным климатическим и структурным данным для разработки расширенного набора данных о древесном покрове для городских территорий США. С коэффициентом детерминации (R²) 0,747 эта модель оценила TCC в пределах 3% для 62 городских территорий и добавила на 13,4% больше TCC на уровне города в среднем по сравнению с собственным продуктом NLCD TCC. Перекрёстные проверки показали стабильность модели, подходящую для построения набора данных TCC национального масштаба (медианным R² 0,752, 0,675 и 0,743 для 1000- кратной перекрёстной проверки, перекрёстной проверки с исключением одного в городской местности и перекрёстной проверки по медианному году построения группы блоков переписи, соответственно). Кроме того, этот код модели может быть использован для улучшения TCC среднего разрешения в других частях мира, где данные о земельном покрове высокого разрешения имеют ограниченную пространственно-временную доступность.

 

Ссылка: https://www.nature.com/articles/s41597-025-04816-0

 

Реанализ является ценным потенциальным источником данных для исследований многолетней мерзлоты. Японский реанализ последнего поколения за три четверти века (JRA-3Q) выигрывает от улучшенных схем снега и почвы и демонстрирует обнадеживающие результаты для температуры почвы в регионах многолетней мерзлоты по сравнению с его предшественником JRA-55 и другими современными реанализами. Авторы обнаружили, что JRA-3Q имеет общее среднегодовое смещение температуры воздуха в размере −0,17°C с −0,55°C в регионах многолетней мерзлоты. Глубина снежного покрова была недооценена на −5,5 см. В регионах многолетней мерзлоты среднегодовое смещение температуры почвы составило около −0,09°C. Оценочная площадь многолетней мерзлоты из JRA-3Q составляет от 10,8 до 15,8 × 10⁶ км². Толщина активного слоя существенно завышена примерно на 0,65 м. Температура почвы JRA-3Q демонстрирует выраженный тёплый уклон на Аляске, что, весьма вероятно, связано с завышенной снежной изоляцией и упрощённым содержанием органики в почве. Метод параметризации разделенной энергии (decoupled energy conservation parameterization, DECP), используемый в схеме почвы JRA-3Q, ограничивает её пригодность для интерпретации подробных явлений многолетней мерзлоты, таких как эффекты нулевой завесы. Этот метод DECP используется во многих современных моделях поверхности Земли; представленные результаты демонстрируют необходимость дополнительных вкладов для улучшения описания процессов, специфичных для многолетней мерзлоты.

 

Ссылка: https://journals.ametsoc.org/view/journals/clim/38/7/JCLI-D-24-0267.1.xml

 

Авторы исследуют изменения в вертикальной структуре амплитуды годового цикла температуры океана (temperature annual cycle, TEMPAC) до глубины 300 м, предоставляя важные сведения об относительном вкладе антропогенных и естественных влияний. Используя наблюдения и модельные результаты проекта CMIP6, они провели анализ обнаружения и атрибуции, применяя стандартный метод «отпечатков пальцев» на основе шаблонов к зонально-средним аномалиям амплитуды TEMPAC для трёх основных океанических бассейнов. Во всех модельных исторических расчётах и наборах данных наблюдений амплитуда TEMPAC значительно увеличивается в поверхностном слое, за исключением Южного океана, и ослабевает в подповерхностном океане. Амплитуда TEMPAC уменьшается ниже среднегодовой глубины смешанного слоя, в основном из-за глубокого сигнала зимнего потепления. Временная эволюция соотношений «сигнал/шум» в наблюдениях указывает на идентифицируемый антропогенный отпечаток как в поверхностных, так и во внутренних океанских годовых циклах температуры. Эти результаты согласуются с тремя различными наборами данных наблюдений, при этом различия во времени обнаружения «отпечатков пальцев», вероятно, связаны с различиями в охвате наборов данных, методе интерполяции и точности. Анализ моделирования с одним воздействием CMIP6 показывает доминирующее влияние парниковых газов и антропогенных аэрозолей на изменения амплитуды TEMPAC. Идентификация антропогенного «отпечатка пальцев» амплитуды TEMPAC устойчива к выбору различных периодов анализа. Отношения «сигнал/шум», полученные только с использованием модельных данных, последовательно больше отношений, рассчитанных с использованием наблюдательных сигналов, в первую очередь из-за расхождений между моделью и наблюдаемыми различиями амплитуд TEMPAC в Атлантике. Влияние человека на сезонность поверхностной и подповерхностной температуры океана может иметь серьёзные последствия для рыболовства, морских экосистем и химии океана.

 

Ссылка: https://journals.ametsoc.org/view/journals/clim/38/7/JCLI-D-24-0418.1.xml

 

Этот комментарий касается утверждений, сделанных Sherwood and Forest (2024) [SF24] относительно сужения диапазона равновесной чувствительности климата (quilibrium climate sensitivity, ECS), особенно на нижнем конце. SF24 оспорили предыдущее исследование Льюиса (Lewis, 2022) [L22], которое обнаружило более узкий и существенно более низкий уровень ECS. Этот комментарий разъясняет, что, вопреки утверждениям SF24, L22 не исключил высокий уровень ECS на основе исторических свидетельств и выявил и исправил ошибки в Sherwood et al. (2020). Эти ошибки включали использование недействительного метода оценки правдоподобия, который, по иронии судьбы, существенно занижал правдоподобие на высоких уровнях ECS для их исторических свидетельств. В этом комментарии также обсуждается роль априорных данных в байесовской оценке ECS и объясняется, почему субъективный байесовский подход, одобренный SF24, рискует привести к ненадёжному выводу для неопределённых параметров, таких как ECS. Наконец, важность учёта структурных неопределённостей в климатических моделях, особенно в отношении моделей тропического потепления, выходит за рамки вопросов, поднятых SF24. Такие неопределённости могут повлиять на оценку ECS не только на основании исторических данных, но и на понимание климатических процессов, палеоклиматических данных и возникающих ограничений, но, по всей вероятности, указывают на то, что существующие оценки ECS слишком завышены, а не слишком занижены.

SF24: Sherwood, S. C., and Forest, C. E.: Opinion: Can uncertainty in climate sensitivity be narrowed further?, Atmos. Chem. Phys., 24, 2679-2686, https://doi.org/10.5194/acp-24-2679-2024, 2024

L22: Lewis, N.: Objectively combining climate sensitivity evidence, Clim. Dynam., 60, 3139-3165, https://doi.org/10.1007/s00382-022-06468-x, 2022

Sherwood et al. (2020): Sherwood, S. C., Webb, M. J., Annan, J. D., Armour, K. C., Forster, P. M., Hargreaves, J. C., Hegerl, G., Klein, S. A., Marvel, K. D., Rohling, E. J., Watanabe, M., Andrews, T., Braconnot, P., Bretherton, C. S., Foster, G. L., Hausfather, Z., Heydt, A. S., Knutti, R., Mauritsen, T., Norris, J. R., Proistosescu, C., Rugenstein, M., Schmidt, G. A., Tokarska, K. B., and Zelinka, M. D.: An Assessment of Earth’s Climate Sensitivity Using Multiple Lines of Evidence, Rev. Geophys., 58, https://doi.org/10.1029/2019RG000678, 2020

 

Ссылка: https://egusphere.copernicus.org/preprints/2025/egusphere-2025-1179/

 

 

Глобальная температура поверхности достигла рекордно высокого уровня в 2023 году. Используя глобальную климатическую модель, авторы показывают, что Эль-Ниньо вместе с внетропической изменчивостью «усилили» 2023 год, сделав его самым жарким годом на фоне потепления на 0,2 °C/десятилетие. Созданная авторами модель, инициализированная в июле 2024 года, правильно предсказала, что 2024 год станет ещё одним самым жарким годом за всю историю наблюдений. 

Введение 

Средняя глобальная температура поверхности (Global-mean surface temperature, GMST) увеличивалась со скоростью 0,2 °C за десятилетие с 1980 года в основном из-за антропогенных выбросов парниковых газов¹. Скорость увеличения GMST варьируется в межгодовых и десятилетних временных масштабах. Глобальное потепление поверхности замедлялось в течение длительных периодов 1998–2013^2,3 и 2016–2022 гг., но резко возросло во время явлений Эль-Ниньо 2015–2016 и 2023–2024 гг. (рис. 1а), причём 2023 год стал самым жарким годом за всю историю наблюдений на момент представления этой работы. Сильное потепление над Северной Америкой (рис. 2а) повлекло широкомасштабные лесные пожары по всей Канаде, вызвав дым, который достиг неба Нью-Йорка. Температура поверхности увеличилась на большей части земного шара (рис. 2а), и планета в огне заставляет задуматься о том, что вызвало всплеск глобального потепления. Возможные виновники варьируются от сокращения выбросов аэрозолей^4,5, сокращения низкого облачного покрова⁶ до внутренней изменчивости климата. Известно, что Эль-Ниньо увеличивает GMST, но его вклад в рекордное глобальное потепление в 2023 году ещё предстоит количественно оценить^7,8,9. Не менее важно изучить пространственное распределение температурных аномалий 2023 года и определить, соответствует ли оно типичному Эль-Ниньо за пределами тропической части Тихого океана. Значительные несоответствия могут указывать на вклад других климатических режимов. Здесь авторы используют результаты глобальных климатических моделей, вызванные радиационным воздействием и Эль-Ниньо – Южное колебанием (ЭНЮК), чтобы количественно оценить вклад Эль-Ниньо в рекордную GMST в 2023 году. 

 

^{Рис. 1: Эволюция глобальной температуры и связь с ЭНЮК. a Среднегодовые аномалии GMST (относительно 1991–2020 гг.): наблюдения (ERA5 сплошным синим цветом; GISTEMP пунктирным синим цветом) и среднее ансамбля пейсмейкера TP (черный) с 20 членами, проходящими серым цветом. Прогноз на 2024 год показан красным цветом. b Изменения температуры поверхности с 2022 по 2023 гг., усреднённые по земному шару, тропикам и внетропическим зонам Северного и Южного полушарий (слева направо). Красные точки обозначают среднее ансамбля пейсмейкера TP (20 членов, проходимые серыми точками). Единица измерения — °C.} 

^{Рис. 2: Аномалии температуры поверхности в 2023 г. Среднегодовые аномалии (°C, относительно 1991–2020 гг.) в (a) ERA5, (b) CM2.1 Run 14, выбранном для высокой пространственной корреляции с наблюдениями во внетропическом Северном полушарии14, (c) CESM2 и (d) CM2.1 ансамблевые средние. Область восстановления температуры поверхности моря TP SST отмечена пунктирными линиями в (b–d).} 

Результаты 

Влияние тропического океана 

Авторы используют воспроизведение ситуации с помощью глобальной связанной модели океана и атмосферы (CM2.1)¹⁰, в которой температура поверхности моря (SST) «подталкивается» к наблюдениям в тропической части Тихого океана (TP, отмечено на рис. 2d; 10% площади поверхности Земли), но океан и атмосфера в остальном полностью взаимодействуют (см. Методы). Модель используется 20 раз, различаясь только начальными условиями, в течение 42,5-летнего периода с января 1982 г. по июнь 2024 г. Среднее по ансамблю представляет собой реакцию климата на наложенное радиационное воздействие и изменчивость TP SST. Большим преимуществом моделирования ритма TP является то, что результаты можно напрямую сравнивать с наблюдениями, чтобы определить вклад TP и основные механизмы². Среднее по ансамблю ритма TP очень хорошо отслеживает наблюдаемую GMST (рис. 1a), а временные ряды с исключённым трендом коррелируют на уровне 0,73, что является значимым на уровне 99%. Ансамбль из 10 участников TP с более новой версией климатической модели (CESM2)11 даёт очень похожие результаты (рис. 2c, S1), подтверждая, что ЭНЮК является основным фактором межгодовой изменчивости GMST.

Более того, увеличение GMST в 2022–2023 гг. является самым большим по крайней мере с 1880 года. Расчёт ритма TP успешно фиксирует этот скачок из-за перехода от Ла-Нинья к Эль-Ниньо. Эти результаты показывают, что за исключением крупных вулканических извержений, ЭНЮК является доминирующим фактором изменчивости GMST из года в год, и определяют внутреннюю изменчивость температуры поверхности внетропического Северного полушария¹⁴ как второй по величине источник изменчивости GMST. Поскольку ЭНЮК предсказуемо на три сезона вперёд (r>0,5) в прогнозе, инициализированном из запуска ритма TP, GMST можно предсказать на 12 месяцев вперёд. В частности, прогноз ритма TP, инициированный в июле 2024 года, предсказывает рекордно высокий GMST в 2024 году из-за сохраняющегося эффекта Эль-Ниньо 2023–2024 гг. Однако используемая модель прогнозирует, что 12-месячное среднее значение GMST с июля 2024 года по июнь 2025 года (год ЭНЮК 2024/25) будет снижаться по мере перехода Тихого океана к явлению Ла-Нинья.

 

Расчёт TP pacemaker использует сценарий RCP4.5 с января 2006 года. Примечательно, что внутренняя изменчивость климата и грубое радиационное воздействие RCP, разработанное почти 20 лет назад без различных недавних изменений, являются рецептом для рекордного всплеска GMST и распределения температуры планеты в 2023 году (рис. 2a, b). В десятилетних и более длительных временных масштабах радиационное воздействие становится важным для изменений GMST. В расчёте TP pacemaker отрицательные смещения развиваются с 2016 года, возможно, из-за ошибок в воздействии RCP4.5. Спутниковые наблюдения планетарного радиационного дисбаланса в верхней части атмосферы показывают тенденцию к росту^6,15, которая систематически больше, чем в атмосферных моделях, способных воспроизводить вызванные наблюдаемую температуру поверхности моря и морской лёд¹⁶. Более точное радиационное воздействие наряду с лучшим представлением облачных процессов обещает дальнейшее улучшение моделирования и понимания тенденции и изменчивости GMST. 

Методы 

Данные наблюдений 

Для наборов данных наблюдений авторы использовали глобальный атмосферный реанализ ERA5¹⁷ для температуры поверхности и ветра; анализ температуры поверхности GISS (GISTEMP) версии 4¹⁸ для GMST; оптимальную интерполяционную температуру поверхности моря (OISST) версии 2¹⁹ и расширенную реконструированную температуру поверхности моря (ERSST) версии 5²⁰ для температуры поверхности моря. 

Моделирование 

Авторы использовали версию 2.1 (CM2.1)¹⁰ связанной модели Geophysical Fluid Dynamics Laboratory для моделирования. Свободно связанные исторические (HIST) и TP-задающие расчёты форсируются с историческим радиационным воздействием проекта CMIP5 для периода 1982–2005 гг. и сценария RCP4.5 впоследствии. В эксперименте TP-задающего²¹ тропическая тихоокеанская температура поверхности моря восстанавливается до ежедневной климатологии HIST плюс наблюдаемая межгодовая аномалия OISST с 10-дневным временем e-folding для 50-метрового смешанного слоя океана. Аномалии определяются из климатологии 1982–2011 гг. Восстанавливающая область охватывает 15°S–15°N от побережья Америки до линии перемены дат и треугольный клин, простирающийся до 135°E, с буферной зоной 5° по широте. Океан и атмосфера полностью связаны в других местах. Расчёты HIST и TP pacemaker имеют 40 и 20 членов соответственно с разными начальными условиями. Чтобы оценить потенциальный эффект ЭНЮК в GMST 2024-2025 гг., CM2.1 была отделена с 1 июля 2024 года от моделирования TP pacemaker и запущена в полностью связанном режиме в течение 12 месяцев. 20 членов ансамбля разделяют те же условия ЭНЮК до июня 2024 года, но затем расходятся из-за внутренней изменчивости за пределами TP. Прогностическая способность была проверена путём проведения ретроспективного анализа с 1 июля каждого года с 1983 по 2023 гг.

Моделирование TP pacemaker с 10 членами с использованием Community Earth System Model версии 2 (CESM2) проводилось в течение 2019 года рабочей группой CESM Climate Variability and Change. Авторы продлили моделирование TP pacemaker с CESM2 до декабря 2023 года. Оно использует ежемесячные аномалии ERSST относительно климатологии 1880–2019 гг. и радиационное воздействие - историческое (до 2014 года) и общего социально-экономического направления (SSP3-7.0). Соответствующие 50-членные моделирования только радиационного воздействия (CESM2 HIST) получены из проекта CESM2 Large Ensemble Community Project.

 

Литература

1 IPCC, 2021: Climate Change 2021: The Physical Science Basis. Contribution of Working Group I to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change, Cambridge University Press.

2 Kosaka, Y. & Xie, S.-P. Recent global-warming hiatus tied to equatorial Pacific surface cooling. Nature 501, 403–407 (2013).

3 England, M. et al. Recent intensification of wind-driven circulation in the Pacific and the ongoing warming hiatus. Nat. Clim. Change 4, 222–227 (2014).

4 Watson-Parris, D. et al. Weak surface temperature effects of recent reductions in shipping SO2 emissions, with quantification confounded by internal variability. EGUsphere, (2024). [preprint].

5 Xiang, B. Q., Xie, S.-P., Kang, S. M. & Kramer, R. An emerging Asian aerosol dipole pattern exacerbates Northern Hemisphere warming. npj Clim. Atmos. Sci. 6, 77 (2023).

6 Goessling, H. F., Rackow, T. & Jung, T. Recent global temperature surge intensified by record-low planetary albedo. Science 387, 68–73 (2025).

7 Rantanen, M. & Laaksonen, A. The jump in global temperatures in September 2023 is extremely unlikely due to internal climate variability alone. npj Clim. Atmos. Sci. 7, 34 (2024).

8 Raghuraman, S. P. et al. The 2023 global warming spike was driven by the El Niño–Southern Oscillation. Atmos. Chem. Phys. 24, 11275–11283 (2024).

9 Samset, B. H., Lund, M. T. & Fuglestvedt, J. S. 2023 temperatures reflect steady global warming and internal sea surface temperature variability. Commun. Earth Environ. 5, 460 (2024).

10 Delworth, T. L. et al. GFDL’s CM2 global coupled climate models. Part I: Formulation and simulation characteristics. J. Clim. 19, 643–674 (2006).

11 Danabasoglu, G. et al. The community earth system model version 2 (CESM2). J. Adv. Model. Earth Syst. 12, e2019MS001916 (2020).

12 Chiang, J. C. H. & Sobel, A. H. Tropical tropospheric temperature variations caused by ENSO and their influence on the remote tropical climate. J. Clim. 15, 2616–2631 (2002).

13 Amaya, D. J., DeFlorio, M. J., Miller, A. J. & Xie, S.-P. WES feedback and the Atlantic Meridional Mode: observations and CMIP5 comparisons. Clim. Dyn. 49, 1665–1679 (2017).

14 Deser, C., Guo, R. & Lehner, F. The relative contributions of tropical Pacific sea surface temperatures and atmospheric internal variability to the recent global warming hiatus. Geophys. Res. Lett. 44, 7945–7954 (2017).

15 Loeb, N. G. et al. Observational Assessment of Changes in Earth’s Energy Imbalance Since 2000. Surv. Geophys 45, 1757–1783 (2024).

16 Schmidt, G. A. et al. CERESMIP: a climate modeling protocol to investigate recent trends in the Earth’s Energy Imbalance. Front. Clim. 5, 1202161 (2023).

17 Hersbach, H. et al. The ERA5 global reanalysis. Quart. J. Roy. Meteor. Soc. 146, 1999–2049 (2020).

18 Lenssen, N. et al. A GISTEMPv4 observational uncertainty ensemble. J. Geophys. Res. Atmos. 129, e2023JD040179 (2024).

19 Huang, B. et al. Improvements of the Daily Optimum Interpolation Sea Surface Temperature (DOISST) Version 2.1. J. Clim. 34, 2923–2939 (2021).

20 Huang, B. et al. Extended reconstructed sea surface temperature, version 5 (ERSSTv5): Upgrades, validations, and intercomparisons. J. Clim. 30, 8179–8205 (2017).

21 Zhang, P., Xie, S.-P., Kosaka, Y. & Lutsko, N. J. Non-ENSO Precursors for Northwestern Pacific Summer Monsoon Variability with Implications for Predictability. J. Clim. 37, 199–212 (2024).

 

Ссылка: https://www.nature.com/articles/s41612-025-01006-y

 

Статья ученых Института народнохозяйственного прогнозирования РАН систематизирует эффекты климатических изменений для отраслей экономики России. Предложен метод количественной экономической оценки последствий, связанных с деградацией многолетней мерзлоты, наводнениями, для хозяйственных объектов в сфере ТЭК, сельского и лесного хозяйства. Оценки всех эффектов приведены к общей единице измерения – изменение ВВП России при увеличении среднегодовой температуры на 1°C. На основе сценарных расчетов доказывается, что активная политика адаптации к изменению климата позволяет получить позитивный эффект для экономики страны. Напротив, отказ или отсутствие мер адаптации чреваты значительным ущербом и потерями для экономики стоимостью более 3 трлн руб. или порядка 1,9% ВВП (2022 г.).

 

 https://ecfor.ru/publication/otsenka-makroekonomicheskih-effektov-izmeneniya-klimata/

 

Долгосрочные стратегии развития с низким уровнем выбросов (Long-term low emission development strategies, LT-LEDS), поддержанные пунктом 19 статьи 4 Парижского соглашения, представляют сценарии и пути, согласованные с национальными долгосрочными климатическими целями. Растёт интерес к пониманию того, соответствуют ли коллективные усилия национальных климатических планов целям Парижского соглашения, наряду с осуществимостью, секторальной направленностью и балансом выбросов и абсорбции, наблюдаемыми в национальных сценариях. Авторы представляют набор данных долгосрочных стратегических сценариев и путей (LTS-SP), набор данных, представляющий сценарии и пути, подробно описанные в LT-LEDS или аналогичных долгосрочных стратегиях. Подробно описан уровень общих и секторальных выбросов парниковых газов в 2050 году или год, в котором будет достигнут чистый ноль, наряду с выбросами и абсорбцией от землепользования, изменения землепользования и лесного хозяйства и абсорбцией от методов инженерного удаления углекислого газа. Предоставлены всесторонний обзор используемой процедуры и сравнение этого набора данных с текущими опубликованными оценками. В заключение суммируется несколько предостережений относительно представленного набора данных, подробно описаны ограничения LT-LEDS и их использование в исследованиях климатической политики.

 

Ссылка: https://www.nature.com/articles/s41597-025-04804-4

 

Сезонный климатический прогноз важен для общественного благосостояния, поскольку он помогает лицам, принимающим решения, предпринимать упреждающие шаги для смягчения рисков, связанных с неблагоприятными климатическими условиями, или использовать благоприятные. Здесь авторы представляют TelNet, модель машинного обучения «последовательность-последовательность» для прогнозирования сезонных осадков с коротким и средним опережением. Модель использует прошлые значения сезонных осадков и климатические индексы для прогнозирования эмпирического распределения осадков для каждой точки сетки целевого региона на следующие шесть перекрывающихся сезонов. TelNet имеет простую архитектуру «кодер-декодер-головка», что позволяет обучать модель с ограниченным объёмом данных, как это часто бывает в прогнозировании климата. Её детерминированная и вероятностная производительность тщательно оценивается и сравнивается с современными динамическими моделями и моделями глубокого обучения в известном регионе для сезонных прогнозных исследований из-за её высокой климатической предсказуемости. Обучающие, проверочные и тестовые наборы многократно перевыбираются для оценки неопределённости, связанной с небольшим набором данных. Результаты показывают, что TelNet входит в число наиболее точных и калиброванных моделей по нескольким месяцам инициализации и времени опережения, особенно в сезон дождей, когда прогнозируемый сигнал наиболее силен. Более того, модель допускает интерпретацию прогноза по примеру и опережению с помощью своих весов переменного выбора.

 

Ссылка: https://www.nature.com/articles/s43247-025-02207-2