Исследователи из Массачусетского технологического института показали, что традиционные физические модели часто превосходят самые современные модели для глубокого обучения в прогнозировании изменений температуры. Тем не менее, ИИ показывает преимущества в прогнозировании местных осадков. В исследовании подчеркивается необходимость гибридного подхода и разработку более точных методов оценки климатических прогнозов.
Климат Земли является чрезвычайно сложной системой, и прогноз ее изменений важен для разработки стратегий выбросов парниковых газов. Эти климатические модели сообщают о физических законах, но их реализация суперкомпьютеров может занять недели. Чтобы ускорить процесс, ученые используют эмуляторы климата — упрощенные модели, которые могут быстро оценить влияние различных сценариев для развития выбросов с точки зрения температуры и осадков.
Исследователи MIT проверили, какой подход более подходит для создания эмуляторов климата-традиционный метод линейного масштабирования моделей (LPS) или современных моделей глубоких тренировок. Анализ показал, что LPS чаще дает более точные прогнозы для региональных температур и, как правило, более надежным для большинства параметров. Это сюрприз для ученых: они предположили, что продвинутая модель глубокого обучения должна добиться большего успеха с предсказанием местного количества осадков, поскольку их динамика не описывается простыми линейными законами.
Когда модели были протестированы на реальных климатических данных, сильные естественные колебания, такие как Эль -Нино и Ла -Нина, могли исказить результаты. Глубокие тренировочные модели были хуже адаптированы для работы с такой непредсказуемостью и показали более низкую точность. На этом фоне метод LPS казался более надежным, поскольку он усреднял колебания и, таким образом, сглаживает шум в данных.
Для более правильной оценки команда MIT улучшила метод сравнительного анализа, чтобы учитывать естественную вариабельность климата. В новом тесте глубокие тренировочные модели выполнялись лучше для локальных прогнозов осадков, но LPS оставались более точными для прогнозов температуры.
Получив эти результаты, ученые интегрировали LPS в платформу моделирования климата, чтобы они могли быстро предсказать локальные изменения температуры в определенных сценариях для различных выбросов. Однако они подчеркивают, что LPS не идеален: он недостаточно предсказывает экстремальные метеорологические явления и изменчивость климата.
Исследователи подчеркивают, что для выбора оптимальных инструментов моделирования климата необходимы лучшие методы сравнительного анализа. Это позволит вам сделать более точную оценку сильных и слабых сторон как более простых физических подходов, так и сложных моделей с машинным обучением. Это не только поможет исследователям изучить сложные проблемы, такие как эффекты аэрозолей и экстремальные осадки, но также предоставит властям более надежную информацию о принятии решений, связанных с климатической программой.
