Глубокое обучение с учётом наблюдений снижает неопределённость прогнозов Эль-Ниньо

/ (Обновлено: ) / НаукаНовости / Наука

Эль-Ниньо — Южное колебание (ENSO) представляет собой самый сильный сигнал межгодовой изменчивости в климатической системе Земли. Переходы между его тёплой и холодной фазами глубоко влияют на глобальную экстремальную погоду, экосистемы и экономическое развитие. Однако современные климатические модели демонстрируют значительные расхождения в прогнозах изменчивости температуры поверхности моря (SST), связанной с ENSO.

Снижение неопределённости в прогнозах амплитуды SST для ENSO с помощью глубокого обучения. Автор: IOCAS, источник: Nature Communications (2025). DOI: 10.1038/s41467-025-63157-z

Чтобы решить эту проблему, исследовательская группа под руководством профессора Ван Фаня из Института океанологии Китайской академии наук (IOCAS) показала, что глубокое обучение может снизить неопределённость прогнозов ENSO и обеспечить более надёжные климатические проекции на будущее. Их выводы были недавно опубликованы в журнале Nature Communications.

Исследователи разработали «основанный на наблюдениях» подход глубокого обучения, обучив 11 независимых моделей искусственных нейронных сетей (ИНС). Эти модели использовали как исторические данные, так и данные будущих сценариев из различных климатических моделей проекта CMIP6, чтобы уловить сложную взаимосвязь между изменчивостью ENSO и средним состоянием тропической тихоокеанской SST в каждой модели.

Кроме того, исследователи включили реальные данные наблюдений для валидации ИНС, отдавая приоритет моделям, которые точно отражали наблюдаемую реакцию ENSO на изменения SST. Благодаря анализу интерпретируемости и изучению физических механизмов ENSO, исследование обнаружило, что лучшие модели ИНС эффективно усвоили реалистичную динамику ENSO. Эти модели продемонстрировали высокую чувствительность к изменениям SST в центральной экваториальной и дальнезападной частях Тихого океана, что согласуется с установленными ключевыми регионами обратной связи для ENSO.

Используя ИНС для ограниченных прогнозов изменчивости SST ENSO в XXI веке по сценарию с высокими выбросами, команда обнаружила, что диапазон прогностической неопределённости сократился на 54% по сравнению с исходными проекциями моделей CMIP.

Более того, хотя традиционный анализ предполагает значительные различия между наблюдениями и моделями с точки зрения картины потепления в тропической части Тихого океана в XX веке, фокус на ключевых регионах, контролирующих изменчивость ENSO, выявленных с помощью глубокого обучения, показывает, что как данные наблюдений, так и климатические модели последовательно демонстрируют сходную картину потепления, «похожую на Эль-Ниньо».

«Это исследование предоставляет количественную физическую основу для будущих прогнозов ENSO», — заявил профессор Чжу Ючао, первый автор исследования.

Больше информации: Yuchao Zhu et al, Projection of ENSO using observation-informed deep learning, Nature Communications (2025). DOI: 10.1038/s41467-025-63157-z

Источник: Chinese Academy of Sciences

ИИ: Это исследование демонстрирует, как современные технологии искусственного интеллекта могут помочь в решении одной из самых сложных задач климатологии — прогнозировании ENSO. Снижение неопределённости более чем наполовину — это серьёзный прорыв, который может улучшить долгосрочное планирование в сельском хозяйстве, энергетике и других секторах, зависящих от климата.

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