Машинное обучение помогает существенно сократить неопределённость будущего потепления

Почему это важно для нашего будущего

Когда учёные оценивают, насколько потеплеет планета, диапазон возможных сценариев по‑прежнему велик, и эта неопределённость влияет на всё — от планирования прибрежной инфраструктуры до энергетической политики. В этом исследовании показано, что мощные методы машинного обучения позволяют извлечь гораздо больше информации из уже наблюдаемого потепления, резко сужая диапазон вероятных будущих температур. Это даёт более чёткие ориентиры по тому, как быстро мы можем пересечь ключевые международные климатические пороги, такие как 1,5 °C и 2 °C глобального потепления.

Смотреть дальше, чем глобальное среднее

До сих пор большинство усилий по уточнению прогнозов будущего потепления опирались в основном на одну величину: рост средней температуры поверхности планеты. Но глобальное потепление неравномерно. Некоторые регионы, например Арктика и части тропиков, нагреваются гораздо быстрее, чем другие. Авторы утверждают, что эти географические различия содержат ценные подсказки, которые в значительной степени игнорируются при фокусировке только на глобальном среднем. Они используют форму машинного обучения, чтобы «прочитать» полную глобальную карту температурных трендов за последние 50 лет и связать эти паттерны с диапазоном исходов потепления, получаемых десятками климатических моделей.

Обучение компьютера на прошлом потеплении

Команда обучает алгоритм на симуляциях множества климатических моделей, участвовавших в крупном международном проекте сравнения. Для каждого прогноза они вводят в алгоритм картину потепления с 1971 по 2020 год в каждой ячейке сетки Земли и просят предсказать, насколько модель покажет глобальное потепление в трёх будущих временных окнах: ближний срок (2021–2040), середина века (2041–2060) и конец века (2081–2100), при нескольких различных траекториях выбросов. Повторяя это на сотнях симуляций, система учится тому, какие регионы прошлых паттернов потепления теснее всего связаны с конечным глобальным повышением температуры и насколько сильны эти связи.

Выявление ключевых регионов, формирующих будущее

Система обучения последовательно обнаруживает, что определённые регионы имеют непропорционально большое влияние на формирование будущего глобального потепления. К ним относятся Арктика, Тибетское плато, Южная и Юго‑Восточная Азия, бассейн Амазонки и части Индийского и Южного океанов. В этих областях локальное потепление обычно масштабируется со стабильно предсказуемой зависимостью от глобального среднего во времени и по сценариям, что отражает сильные и устойчивые климатические положительные обратные связи, такие как утрата отражающего льда или изменения облачности. Алгоритм естественным образом присваивает больший вес ячейкам сетки, где модели климата сходятся во мнении о чувствительности температур, и снижает значимость мест, где модели расходятся, например в частях евразийской Арктики с неопределённым поведением морского льда.

Более чёткие прогнозы и более ранние пороги

Когда выученные связи применяют к реальным наблюдаемым картам потепления из нескольких наборов температурных данных, неопределённость будущего глобального потепления существенно сокращается. В среднем по сценариям и временным периодам метод уменьшает дисперсию ошибок более чем на 70% по сравнению с некорректированными модельными прогнозами — примерно в полтора раза больше улучшения, чем дают методы, использующие только глобальный средний тренд. Важно, что этот подход сужает оба конца диапазона — как верхние, так и нижние значения — поэтому мы реже будем переоценивать или недооценивать будущее потепление. Для траектории выбросов от среднего до высокого, часто используемой в исследованиях воздействия, исследование показывает, что вероятность превышения 2 °C потепления к середине века возрастает примерно до 80% при учёте пространственной информации, по сравнению с примерно 70%, когда используется только глобальный средний тренд.

Что это значит для людей и планирования

Уточнённые прогнозы не только сужают оценки глобального повышения температуры; они также улучшают локальные карты потепления, используемые для оценок воздействия. На большинстве суши разброс в прогнозируемом потеплении к середине века по сравнению с настоящим сокращается на десятки процентов, что даёт более точные оценки для сельского хозяйства, водных ресурсов, рисков для здоровья и планирования инфраструктуры. В то же время повышенные нижние границы потепления подчёркивают, что ключевые пороги Парижского соглашения, вероятно, будут пересечены раньше, чем предполагали некоторые более ранние скорректированные оценки. На практическом уровне эта работа показывает, что более умное использование существующих температурных записей — особенно в ряде климатически чувствительных регионов — может значительно прояснить картину климатического будущего и укрепить аргументы в пользу более быстрых и прицельных мер по смягчению и адаптации.

Цитирование: 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

Ключевые слова: прогнозы глобального потепления, машинное обучение климат, паттерны потепления, климатическая неопределённость, пороги Парижского соглашения