Prognozowanie odchyleń temperatury globalnej z wykorzystaniem addytywnych podwójnych sieci LSTM

Dlaczego cieplejszy świat ma dla ciebie znaczenie

Globalne ocieplenie może brzmieć abstrakcyjnie, ale jego skutki są jak najbardziej realne: podnoszący się poziom mórz, bardziej dotkliwe fale upałów, przemieszczenia w układach burzowych oraz presja na zaopatrzenie w żywność i wodę. Aby przygotować się na nadchodzące zmiany, naukowcy potrzebują nie tylko obrazów dzisiejszego klimatu, ale wiarygodnych szacunków tempa wzrostu temperatur w nadchodzących dekadach. W tym artykule opisano nowy sposób wykorzystania sztucznej inteligencji do prognozowania, o ile cieplej prawdopodobnie stanie się na planecie, i co to oznacza dla naszej bliskiej przyszłości.

Od surowych termometrów do wielkoskalowych trendów

Zamiast opierać się na raportach pogodowych z pojedynczego miasta, badacze wykorzystują globalny zbiór danych znany jako zestaw odchyleń temperatur Berkeley Earth. „Odchylenie temperatury” to po prostu, o ile cieplejszy lub chłodniejszy jest dany okres w porównaniu z wybraną historyczną bazą odniesienia. Ponieważ odczyty miesiąc do miesiąca są zaszumione i silnie zależne od lokalnych warunków, zespół opiera się na pięcioletnich średnich obejmujących 170 lat, od połowy XIX wieku do 2022 roku. Wygładzenie danych w ten sposób redukuje przypadkowe wahania i lepiej uwidacznia leżący u ich podstaw trend ocieplenia, odzwierciedlający długoterminową odpowiedź planety na gazy cieplarniane i inne czynniki.

Nauczanie sieci neuronowej, by pamiętała klimat

Aby uchwycić ten trend i przewidzieć jego dalszy przebieg, autorzy sięgają po rodzaj sztucznej sieci neuronowej zwanej Long Short-Term Memory, czyli LSTM. LSTM są zaprojektowane do pracy z sekwencjami — na przykład słowami w zdaniu lub temperaturami w czasie — poprzez decydowanie, które fragmenty informacji z przeszłości zachować, a które zapomnieć. Tradycyjne modele LSTM i pokrewne dobrze sprawdzają się w prognozach krótkoterminowych, takich jak przewidywanie następnego punktu danych. Jednak jeśli ich własne przewidywania są wprowadzane z powrotem jako wejście do prognozowania wielu kroków naprzód, drobne błędy się kumulują i perspektywa długoterminowa może znacznie odbiegać od rzeczywistości.

Podział sygnałów klimatycznych na bliźniacze strumienie

Centralną innowacją tej pracy jest Additive Twin LSTM (AT-LSTM). Zamiast jednej LSTM próbującej naśladować każdy zwrot w zapisie klimatu, model wykorzystuje dwie równoległe gałęzie LSTM. Każda gałąź może skupić się na odmiennych, ukrytych czynnikach występujących w danych — na przykład powolnym ociepleniu spowodowanym gazami cieplarnianymi kontra szybsze wahania związane z naturalnymi oscylacjami klimatu. Wyjścia tych podwójnych gałęzi są następnie sumowane i przepuszczane przez końcową „dekodującą” sieć, która przekształca ich skumulowany sygnał w prognozę odchylenia temperatury. Taka konstrukcja bliźniacza nie tylko odpowiada temu, jak klimatolodzy myślą o wielu częściowo niezależnych procesach w systemie Ziemi, lecz także rozszerza użyteczny zakres wewnętrznych sygnałów sieci, pomagając jej zachować większą stabilność w długich horyzontach prognostycznych.

Sprawdzanie modelu w praktyce

Aby ocenić, czy AT-LSTM rzeczywiście poprawia prognozy długoterminowe, autorzy przeprowadzają test w dwóch etapach. Najpierw trenują model zarówno na syntetycznych seriach wzorcowych — czystych, generowanych komputerowo krzywych imitujących różne typy ścieżek ocieplenia — jak i na historycznych danych Berkeley. Porównują, jak dobrze różne konstrukcje sieci neuronowych odtwarzają zarówno dane treningowe, jak i oddzielną „testową” część każdej serii, której modele nie widziały podczas uczenia. Wiele modeli, w tym hybrydy łączące LSTM z warstwami konwolucyjnymi, robi wrażenie według tych standardowych miar. Jednak odtworzenie przeszłych danych nie równa się wiarygodnemu spojrzeniu w przyszłość.

Ocena modeli po tym, jak prognozują, a nie tylko jak dopasowują

Drugi etap jest bliższy rzeczywistemu zastosowaniu. Zaczynając od ostatniego zaobserwowanego punktu w zbiorze testowym, każdy model używa swojej poprzedniej predykcji jako następnego wejścia, wykonując kroki naprzód przez 240 miesięcy — 20 lat — bez żadnej korekty przez rzeczywiste dane. To ustawienie ujawnia, jak szybko błędy narastają. Wśród różnych architektur AT-LSTM zazwyczaj wykazuje najmniejsze średnie błędy prognozy i najwyższe oceny statystyczne w tym zadaniu długiego horyzontu. Dla globalnego rekordu odchyleń temperatur szczególnie, typowy błąd modelu w symulowanym 20-letnim oknie prognozy wynosi około 0,07 stopnia Celsjusza, co jest wyraźnie niższe niż w przypadku wielu konkurencyjnych metod uczenia głębokiego.

Co prognoza mówi o naszej bliskiej przyszłości

Wyposażeni w ten bardziej stabilny model, autorzy generują 20-letnie projekcje odchyleń temperatur globalnych od 2022 do 2042 roku. Trenując 40 wersji AT-LSTM, aby uchwycić niepewność związaną z procesem uczenia się modelu, stwierdzają, że każda z nich wskazuje na dalsze ocieplenie. Do 2042 roku zespół prognoz koncentruje się w przybliżeniu między 1,05 °C a 1,67 °C powyżej historycznej bazy, ze średnią 1,415 °C i oszacowaną niepewnością około ±0,073 °C. Wartości te ściśle zgadzają się z projekcjami głównych modeli klimatycznych oraz z ostrzeżeniami organizacji takich jak Międzyrządowy Zespół ds. Zmian Klimatu. Mówiąc prostym językiem: jeśli obecne wzorce się utrzymają, prawdopodobnie zbliżymy się do szeroko omawianego progu 1,5 °C lub go przekroczymy w ciągu najbliższych kilkudziesięciu lat, co podkreśla pilność ograniczenia emisji gazów cieplarnianych i wdrażania innych strategii łagodzenia zmian klimatu.

Cytowanie: Keles, C., Baran, B. & Alagoz, B.B. Global temperature anomaly prediction by using additive twin LSTM networks. Sci Rep 16, 6456 (2026). https://doi.org/10.1038/s41598-026-37255-x

Słowa kluczowe: zmiany klimatu, globalne ocieplenie, odchylenie temperatury, sieci neuronowe, prognozowanie klimatu