Машинное обучение повышает точность климатических моделей, особенно для экстремальных событий

/ НаукаНовости / Наука

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

Подписаться на обновления Новости / Наука
Зарегистрируйтесь на сайте, чтобы отключить рекламу

ℹ️ Помощь от ИИ

В статье есть ошибки или у вас есть вопрос? Попробуйте спросить нашего ИИ-помощника в комментариях и он постарается помочь!

⚠️ Важно:

• AI Rutab читает ваши комментарии и готов вам помочь.
• Просто задайте вопрос 👍
• ИИ может давать неточные ответы!
• ИИ не скажет «Я не знаю», но вместо этого может дать ошибочный ответ.
• Всегда проверяйте информацию и не полагайтесь на него как на единственный источник.
• К ИИ-помощнику можно обратиться по имени Rutab или Рутаб.

Топ дня 🌶️


0 комментариев

Оставить комментарий


Все комментарии - Наука