Прогноз аномалии глобальной температуры с использованием аддитивных двойных LSTM-сетей

Почему теплеющий мир важен для вас

Глобальное потепление может звучать абстрактно, но его последствия далеки от абстрактности: поднимающиеся уровни моря, более жесткие волны жары, сдвиги в характере штормов и давление на продовольственные и водные ресурсы. Чтобы подготовиться к будущему, учёным нужны не только снимки текущего климата, но и надёжные оценки того, насколько быстро будут повышаться температуры в ближайшие десятилетия. В этой статье рассматривается новый подход с применением искусственного интеллекта для прогнозирования того, насколько теплее может стать планета и что это означает для нашего ближайшего будущего.

От сырых показаний термометров к крупным трендам

Вместо того чтобы работать с метеорологическими сводками одного города, исследователи используют глобальный ряд, известный как набор данных аномалий температуры Berkeley Earth. «Аномалия температуры» — это просто то, насколько теплее или холоднее данный период по сравнению с выбранной исторической базой. Поскольку ежемесячные показания шумны и сильно зависят от локальных особенностей, команда опирается на пятилетние усреднения, охватывающие 170 лет — с середины XIX века до 2022 года. Такое сглаживание данных уменьшает случайные колебания и лучше выявляет основу тренда потепления, которая отражает долгосрочный ответ планеты на парниковые газы и другие воздействия.

Обучение нейронной сети запоминать климат

Чтобы зафиксировать этот тренд и спрогнозировать его в будущее, авторы обращаются к виду искусственных нейронных сетей под названием Long Short‑Term Memory (LSTM). LSTM предназначены для работы с последовательностями — например, словами в предложении или температурными рядами — принимая решения о том, какую часть прошлой информации сохранять, а какую забывать. Традиционные LSTM и родственные модели хорошо справляются с краткосрочным прогнозированием, например, с угадыванием следующей точки данных. Но когда собственные предсказания модели снова подаются как вход для прогноза на много шагов вперёд, мелкие ошибки накапливаются, и долгосрочный прогноз может существенно отклоняться от реальности.

Разделение климатических сигналов на двойные потоки

Главная инновация этой работы — аддитивная двойная LSTM (AT‑LSTM). Вместо одной LSTM, пытающейся воспроизвести каждое колебание климатической записи, модель использует две параллельные ветви LSTM. Каждая ветвь может сосредоточиться на разных скрытых драйверах в данных — например, на медленном потеплении, связанном с парниковыми газами, и на более быстрых подъёмах и падениях, связанных с естественными климатическими колебаниями. Выходы этих двойных ветвей затем складываются и пропускаются через финальную «декодирующую» сеть, которая превращает их комбинированный сигнал в прогноз аномалии температуры. Такая двойная архитектура не только соответствует тому, как климатологи мыслят о нескольких частично независимых процессах в системе Земли, но и растягивает полезный диапазон внутренних сигналов сети, помогая ей оставаться более стабильной на длинных горизонтах прогнозирования.

Испытание модели

Чтобы проверить, действительно ли AT‑LSTM улучшает долгосрочные прогнозы, авторы проводят двухэтапное тестирование. Сначала они обучают модель как на синтетических эталонных рядах — чистых, сгенерированных компьютером кривых, имитирующих разные типы траекторий потепления, так и на исторических данных Berkeley. Они сравнивают, насколько хорошо различные архитектуры нейронных сетей воспроизводят как данные обучения, так и отдельную «тестовую» часть каждого ряда, которую модели не видели при обучении. Многие модели, включая гибриды, сочетающие LSTM со сверточными слоями, выглядят впечатляюще по этим стандартным метрикам. Однако воспроизведение прошлых данных не то же самое, что надёжный взгляд в будущее.

Оценивать модели по тому, как они прогнозируют, а не только по подгонке

Второй этап ближе к реальному применению. Начиная с последней наблюдаемой точки в тестовом наборе, каждая модель использует своё предыдущее предсказание как следующий вход, двигаясь вперёд на 240 месяцев — 20 лет — без какой‑либо корректировки реальными данными. Такая схема показывает, как быстро ошибки накапливаются. Среди множества архитектур AT‑LSTM обычно демонстрирует наименьшие средние ошибки прогноза и наивысшие статистические показатели при оценке на этой задаче с длинным горизонтом. Для именно глобального ряда аномалий температуры типичная ошибка модели в симулированном 20‑летнем окне прогноза составляет примерно 0,07 градуса Цельсия, что заметно ниже, чем у многих конкурирующих подходов глубокого обучения.

Что говорит прогноз о нашем ближайшем будущем

Вооружившись этой более устойчивой моделью, авторы генерируют 20‑летние прогнозы аномалий глобальной температуры с 2022 по 2042 год. Обучив 40 версий AT‑LSTM, чтобы учесть неопределённость в процессе обучения модели, они обнаруживают, что каждая из них указывает на продолжение потепления. К 2042 году ансамбль прогнозов группируется в пределах примерно от 1,05 °C до 1,67 °C выше исторической базы, со средним значением 1,415 °C и оценочной неопределённостью порядка ±0,073 °C. Эти цифры тесно согласуются с прогнозами основных климатических моделей и с предупреждениями таких организаций, как Межправительственная панель по изменению климата. Проще говоря, если текущие тенденции сохранятся, мы, вероятно, окажемся рядом с широко обсуждаемым порогом 1,5 °C или пересечём его в течение ближайших двух десятилетий, что подчёркивает необходимость сокращения выбросов парниковых газов и реализации других мер по смягчению климата.

Цитирование: 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

Ключевые слова: изменение климата, глобальное потепление, аномалия температуры, нейронные сети, климатическое прогнозирование