Машинное обучение повышает точность климатических моделей, особенно для экстремальных событий

Сравнение скорректированных прогнозов различных методов (QM, CCA и NF) в оценке перекрестной корреляции между осадками и максимальной дневной температурой в июле, августе и сентябре. Карта показывает среднеквадратичную ошибку в оценке перекрестной корреляции с наблюдаемыми данными nClim по континентальной части США. Автор: Scientific Data (2025). DOI: 10.1038/s41597-025-05478-8

Исследователи разработали новый метод машинного обучения для улучшения крупномасштабных климатических моделей. Этот инструмент повышает точность прогнозов как на глобальном, так и на региональном уровнях, что позволит политикам принимать более обоснованные решения.

Статья под названием «Полная коррекция плотности с использованием нормализующих потоков (CDC-NF) для моделей CMIP6» опубликована в открытом доступе в журнале Scientific Data.

«Глобальные климатические модели критически важны для планирования политики, но они часто испытывают трудности с "составными экстремальными событиями" — ситуациями, когда экстремальные явления следуют одно за другим, например, сильные дожди сразу после аномальной жары», — объясняет Шици Фан, ведущий автор исследования и научный сотрудник Университета Северной Каролины.

По словам Фан, существующие модели плохо справляются с точным воспроизведением таких событий в обучающих данных, что затрудняет прогнозирование на глобальном и локальном уровнях. Новый метод CDC-NF решает эти проблемы, используя машинное обучение для корректировки выходных данных моделей.

«Все модели несовершенны, — отмечает Санкар Арумугам, соавтор исследования и профессор инженерных наук. — Но традиционные методы хорошо исправляют ошибки в одном параметре (например, осадках), но плохо работают с несколькими (например, температурой и влажностью). Наш подход меняет это».

Метод CDC-NF был протестирован на пяти ведущих глобальных климатических моделях. Результаты показали значительное улучшение точности, особенно в прогнозировании экстремальных и составных событий.

Исследователи сделали код и данные доступными для всех, чтобы другие ученые могли использовать и адаптировать метод для своих нужд.

Соавторами работы выступили Эмили Гектор (Университет Северной Каролины), Брайан Райх и Ритам Маджумдер (Университет Арканзаса).

Дополнительная информация: Shiqi Fang et al, A Complete Density Correction using Normalizing Flows (CDC-NF) for CMIP6 GCMs, Scientific Data (2025). DOI: 10.1038/s41597-025-05478-8