Uczenie maszynowe pomaga znacznie zmniejszyć niepewność przyszłego ocieplenia

Dlaczego to ma znaczenie dla naszej przyszłości

Kiedy naukowcy szacują, o ile ociepli się planeta, zakres możliwych przyszłości wciąż jest szeroki, a ta niepewność wpływa na wszystko — od planowania stref przybrzeżnych po politykę energetyczną. Badanie to pokazuje, że zaawansowane techniki uczenia komputerowego potrafią wydobyć znacznie więcej informacji z ocieplenia, które już zaobserwowaliśmy, ostro zawężając prawdopodobny przedział przyszłych temperatur. To z kolei daje jaśniejsze wskazówki dotyczące tempa, w jakim możemy przekroczyć kluczowe międzynarodowe cele klimatyczne, takie jak 1,5 °C i 2 °C globalnego ocieplenia.

Patrząc poza globalną średnią

Do tej pory większość wysiłków na rzecz doprecyzowania prognoz przyszłego ocieplenia opierała się w dużej mierze na jednej liczbie: wzroście średniej temperatury powierzchni Ziemi. Jednak globalne ocieplenie nie przebiega równomiernie. Niektóre regiony, jak Arktyka czy części tropików, nagrzewają się dużo szybciej niż inne. Autorzy argumentują, że te różnice geograficzne zawierają cenne wskazówki, które są w dużej mierze pomijane, gdy koncentrujemy się wyłącznie na globalnej średniej. Wykorzystują formę uczenia maszynowego, aby odczytać pełną globalną mapę trendów temperatury z ostatnich 50 lat i powiązać te wzory z zakresem wyników ocieplenia generowanych przez dziesiątki modeli klimatycznych.

Nauczanie komputera na podstawie przeszłego ocieplenia

Zespół trenuje algorytm uczenia na symulacjach z wielu modeli klimatycznych, które brały udział w dużym międzynarodowym projekcie porównawczym. Dla każdego uruchomienia modelu podają algorytmowi wzór ocieplenia z lat 1971–2020 dla każdego punktu siatki na Ziemi i proszą go o przewidzenie, o ile model ociepli się globalnie w trzech przyszłych oknach czasowych: krótkoterminowym (2021–2040), połowie wieku (2041–2060) i końcu wieku (2081–2100), przy kilku różnych ścieżkach emisji. Powtarzając to na setkach symulacji, system uczy się, które części globalnych wzorów ocieplenia z przeszłości są najsilniej powiązane z ostatecznym wzrostem temperatury globalnej i jak mocne są te powiązania.

Odnajdywanie kluczowych regionów kształtujących przyszłość

System uczący się konsekwentnie wykrywa, że niektóre regiony mają znacznie większy wpływ na przyszłe globalne ocieplenie, niż sugerowałaby ich powierzchnia. Należą do nich Arktyka, Wyżyna Tybetańska, Azja Południowa i Południowo-Wschodnia, dorzecze Amazonki oraz części Oceanów Indyjskiego i Południowego. W tych obszarach lokalne ocieplenie zwykle skaluje się w stabilny sposób z globalną średnią w czasie i między scenariuszami, co odzwierciedla silne i trwałe sprzężenia zwrotne klimatu, takie jak utrata odbijającego lód pokrywy czy zmiany w chmurach. Algorytm naturalnie przyznaje większą wagę komórkom siatki, w których różne modele klimatyczne zgadzają się co do wrażliwości temperatur, a marginalizuje miejsca, gdzie modele się różnią, na przykład w części euroazjatycznej Arktyki o niepewnych zachowaniach lodu morskiego.

Bardziej precyzyjne prognozy i wcześniejsze przekroczenia progów

Gdy wyuczone zależności zastosowano do rzeczywistych, zaobserwowanych map ocieplenia z różnych zestawów danych temperatur, niepewność przyszłego globalnego ocieplenia znacząco się zmniejszyła. Średnio w różnych scenariuszach i okresach czasowych metoda redukuje wariancję błędu o ponad 70% w porównaniu z modelowymi projekcjami bez ograniczeń — to około półtora raza lepszy wynik niż metody wykorzystujące tylko globalny trend średni. Co ważne, podejście to zawęża zarówno górne, jak i dolne krańce zakresu, dzięki czemu rzadziej przeszacowujemy albo niedoszacowujemy przyszłego ocieplenia. Dla ścieżki emisji o od średniej do wysokiej intensywności, często stosowanej w analizach skutków, badanie wykazuje, że szansa przekroczenia 2 °C ocieplenia do połowy wieku wzrasta do około 80% po uwzględnieniu informacji przestrzennej, w porównaniu z około 70% przy użyciu wyłącznie globalnego trendu średniego.

Co to oznacza dla ludzi i planowania

Udoskonalone projekcje nie tylko zawężają oszacowania wzrostu temperatury globalnej; poprawiają również lokalne mapy ocieplenia wykorzystywane w ocenach skutków. Na większości obszarów lądowych rozstęp prognozowanego ocieplenia w połowie wieku względem dziś spada o dziesiątki procent, przynosząc precyzyjniejsze szacunki dla rolnictwa, zasobów wodnych, ryzyka zdrowotnego i planowania infrastruktury. Jednocześnie podniesione dolne granice ocieplenia podkreślają, że kluczowe progi Porozumienia Paryskiego prawdopodobnie zostaną przekroczone wcześniej, niż sugerowały niektóre wcześniejsze oszacowania z ograniczeniami. W praktyce praca ta pokazuje, że mądrzejsze wykorzystanie istniejących zapisów temperatur — szczególnie w kilku klimatycznie wrażliwych regionach — może znacząco wyostrzyć nasz obraz przyszłości klimatycznej i wzmocnić argumenty na rzecz szybszej oraz bardziej ukierunkowanej łagodzącej i adaptacyjnej polityki.

Cytowanie: 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

Słowa kluczowe: projekcje globalnego ocieplenia, uczenie maszynowe klimat, wzory ocieplenia, niepewność klimatyczna, progi Porozumienia Paryskiego