למידת מכונה מסייעת לצמצם במידה רבה את אי־הוודאות בהתחממות העתידית

מדוע הדבר חשוב לעתידנו

כאשר מדענים מעריכים כמה הפלנטה תתחמם, טווח העתידות האפשריות עדיין רחב, והאי־וודאות הזו משפיעה על כל דבר מתכנון חופי ועד מדיניות אנרגיה. המחקר הזה מראה שטכניקות חזקות של למידת מחשב יכולות להוציא הרבה יותר מידע מההתחממות שכבר נצפתה, ולצמצם בצורה חדה את טווח הטמפרטורות הסבירות בעתיד. משמעות הדבר היא הנחיה ברורה יותר על כמה מהר עשויים להיחצות יעדים בינלאומיים מרכזיים כמו 1.5 °C ו‑2 °C של התחממות עולמית.

מבט שמעבר לממוצע הגלובלי

עד עתה, רוב המאמצים לחדד תחזיות התחממות עתידיות נשענו בחוזקה על מספר יחיד: עלייה בממוצע הטמפרטורה פני השטח של הפלנטה. אך ההתחממות הגלובלית אינה אחידה. אזורים מסוימים, כמו הארקטיקה וחלקים של האזור הטרופי, מתחממים הרבה יותר מהר מאחרים. המחברים טוענים שהבדלים גאוגרפיים אלה מכילים רמזים חשובים שבדרך כלל מתעלמים מהם כשמרוכזים רק בממוצע הגלובלי. הם משתמשים בצורת למידת מכונה כדי לקרוא את מפת המלאה של מגמות הטמפרטורה במהלך 50 השנים האחרונות ולהקשרן לטווח תוצאות ההתחממות שמייצרים עשרות דגמי אקלים.

להורות למחשב ללמוד מההתחממות בעבר

הצוות מאמן אלגוריתם למידה על סימולציות ממספר דגמי אקלים שהשתתפו בפרויקט השוואה בינלאומי גדול. עבור כל הרצת מודל הם מספקים את דפוס ההתחממות מ‑1971 עד 2020 בכל נקודת רשת על פני כדור הארץ ושואלים את האלגוריתם לחזות כמה המודל יתחמם גלובלית בשלוש חלונות זמן עתידיים: קצר טווח (2021–2040), אמצע המאה (2041–2060) וסוף המאה (2081–2100), תחת מספר מסלולי פליטה שונים. על ידי חזרה על זה על פני מאות סימולציות, המערכת לומדת אילו חלקים של דפוסי ההתחממות העבריים בעולם קשורים הכי בחוזקה לעלייה הטמפרטורה הגלובלית העתידית, וכמה חזקות הקשרים הללו.

זיהוי אזורים מרכזיים שמעצבים את העתיד

מערכת הלמידה מגלה בעקביות שאזורי משנה מסוימים משפיעים הרבה מעבר למשקלם בקביעת ההתחממות הגלובלית העתידית. אלה כוללים את הארקטיקה, רמת הטיבט, דרום ומזרח־דרום אסיה, אגן האמזונאס וחלקים מהאוקיינוס ההודי והאנטארקטי. באזורים אלו, ההתחממות המקומית נוטה להיקשר באופן יציב לממוצע הגלובלי לאורך זמן ועל פני תרחישים שונים, מה שמצביע על משובי אקלים חזקים ומתמשכים כגון אובדן הקרח המוחזר או שינויים בעננות. האלגוריתם מקצה באופן טבעי משקל גדול יותר לתאי רשת שבהם דגמי האקלים מסכימים לגבי רגישות הטמפרטורות, וממעיט בחשיבות אזורים שבהם הדגמים מתפצלים, כגון חלקים מהארקטיקה האירואסייתית עם התנהגות קרח ימי לא ודאית.

תחזיות חדה יותר וספים מוקדמים יותר

כאשר מיישמים את הקשרים שנלמדו על מפות ההתחממות הנצפות בפועל ממספר מערכי נתוני טמפרטורה, האי־וודאות בהתחממות הגלובלית העתידית מצטמצמת באופן משמעותי. בממוצע על פני תרחישים ותקופות זמן, השיטה מקטינה את שונות השגיאה ביותר מ‑70% בהשוואה לתחזיות מודל לא מוגבלות — שיפור של כשעה וחצי לעומת השיפורים המושגים בשיטות שמסתמכות רק על המגמה הממוצעת הגלובלית. חשוב שהגישה מצמצמת גם את הקצוות הגבוהים וגם את הנמוכים של הטווח, כך שפחות צפוי שנאמד בצורה מופרזת או מופחתת את ההתחממות העתידית. עבור מסלול פליטות ממוצע‑גבוה המשמש לעתים קרובות במחקרי השפעה, המחקר מראה שהסבירות לעבור את רף 2 °C עד אמצע המאה עולה לכ‑80% בקירוב ברגע שמוסיפים מידע מרחבי, לעומת כ‑70% כאשר משתמשים רק במגמה הממוצעת הגלובלית.

מה משמעות הדבר לאנשים ולתכנון

התחזיות המדויקות יותר לא רק מהדקות את האומדנים לעליית הטמפרטורה הגלובלית; הן גם משפרות מפות התחממות מקומיות המשמשות להערכת השפעות. ברוב שטחי היבשה, הפיזור בתחזיות ההתחממות באמצע המאה יחסית להיום יורד בעشرات האחוזים, מה שמניב אומדנים מדויקים יותר לחקלאות, למשאבי מים, לסיכוני בריאות ולתכנון תשתיות. באותו הזמן, הגבולות התחתונים המוגבהים של ההתחממות מדגישים שספי מפתח בהסכם פריז צפויים להיחצות מוקדם יותר מכפי שהציעו כמה אומדנים מוגבלים קודמים. במונחים מעשיים, העבודה הזאת מראה ששימוש חכם יותר ברשומות טמפרטורה קיימות — ובפרט בכמה אזורים רגישים מבחינה אקלימית — יכול לחדד משמעותית את תמונת העתיד האקלימי ולחזק את הטיעון לצמצום מהיר וממוקד יותר של פליטות ולהסתגלות.

ציטוט: Li, C., Wu, J., Wang, Z. et al. Machine learning helps to strongly reduce future warming uncertainty. Nat Commun 17, 3366 (2026). https://doi.org/10.1038/s41467-026-70205-9

מילות מפתח: תחזיות ההתחממות העולמית, למידת מכונה אקלים, תבניות התחממות, אי־וודאות אקלימית, ספי הסכם פריז