Климат Земли — крайне сложная система, и прогнозирование ее изменений важно для разработки стратегий в области выбросов парниковых газов. Современные климатические модели учитывают физические законы, но их запуск на суперкомпьютерах может занимать недели. Чтобы ускорить процесс, учёные используют климатические эмуляторы — упрощенные модели, которые позволяют быстро оценивать влияние разных сценариев выбросов на температуру и осадки.

Исследователи MIT проверили, какой подход лучше подходит для построения климатических эмуляторов — традиционный метод линейного масштабирования шаблонов (LPS) или современные модели глубокого обучения. Анализ показал, что LPS чаще давал более точные прогнозы региональных температур и в целом надёжнее работал для большинства параметров. Это стало неожиданностью для ученых: они предполагали, что сложная модель глубокого обучения должна лучше справляться с прогнозированием локальных осадков, ведь их динамика не описывается простыми линейными законами.

При проверке моделей на климатических данных сильные природные колебания, например, Эль-Ниньо и Ла-Нинья, могли искажать результаты. Модели глубокого обучения хуже справлялись с такой непредсказуемостью и показывали меньшую точность. На этом фоне метод LPS выглядел более надежным, потому что он усреднял колебания и тем самым сглаживал шум в данных.

Для более корректной оценки команда MIT улучшила метод бенчмаркинга так, чтобы он учитывал естественную изменчивость климата. В новом тесте модели глубокого обучения показали лучшие результаты по прогнозу локальных осадков, но LPS оставалась более точной для температурных прогнозов.

Получив эти результаты, ученые интегрировали LPS в платформу моделирования климата, чтобы быстро прогнозировать локальные изменения температуры при тех или иных сценариях выбросов. При этом они подчеркивают, что LPS неидеальна: она плохо предсказывает экстремальные погодные явления и изменчивость климата.

Исследователи подчеркивают, что для выбора оптимальных инструментов климатического моделирования нужны более совершенные методы сравнительного анализа. Это позволит точнее оценивать сильные и слабые стороны как простых физических подходов, так и сложных моделей машинного обучения. Это не только поможет исследователям изучать трудные вопросы вроде влияния аэрозолей или экстремальных осадков, но и обеспечит властей более надежной информацией для принятия решений, связанных с климатической повесткой.