Соединение идеализированных и операционных моделей: объяснимый ИИ для эмуляторов земной системы

Почему важны более точные климатические модели

Сезонные прогнозы и долгосрочные климатические проекции формируют решения в области продовольственной безопасности, управления водными ресурсами и подготовки к стихийным бедствиям. Тем не менее даже самые совершенные современные компьютерные модели могут неверно оценивать важные явления, такие как Эль-Ниньо, которые приводят к чередованию засух и наводнений по всему миру. В этой статье предлагается новый подход, делающий такие сложные модели умнее и более заслуживающими доверия: они «обучаются» у простых, тщательно настроенных моделей с помощью объяснимой формы искусственного интеллекта.

Два типа климатических моделей, два набора сильных сторон

Современные операционные климатические модели воссоздают земную систему в тонких деталях, отслеживая атмосферу, океан, сушу и лед на глобальных сетках. Они мощны, но несовершенны: у них часто имеются смещения в представлении экстремальных явлений и статистики повторяющихся паттернов, таких как Эль-Ниньо и Ла-Нинья. На другом конце спектра находятся идеализированные модели — упрощённые уравнения, сосредоточенные на нескольких ключевых процессах, часто в одном регионе или вдоль одной линии через океан. Благодаря простоте и быстроте их можно тщательно калибровать так, чтобы они очень точно воспроизводили конкретные поведения и статистики. К сожалению, эти два мира моделей редко пересекаются: подробные модели слишком сложны, чтобы вручную корректировать их на основе выводов простых моделей, а простые модели лишены богатых полей, необходимых для практических прогнозов.

Мост, построенный с помощью объяснимого ИИ

Авторы предлагают «мостовую модель», объединяющую сильные стороны обоих подходов с использованием объяснимого искусственного интеллекта, а не «чёрного ящика». Сначала они сжимают огромный объём выходных данных сложной климатической модели в компактное «латентное» представление с помощью автокодировщика — нейронной сети, которая учится восстанавливать полные поля из набора гораздо меньшего числа величин. Затем это компактное состояние обогащают несколькими ключевыми переменными — например, температурой поверхности моря и глубиной термоклина вдоль экватора — которые даёт идеализированная модель, хорошо согласующаяся с наблюдениями. Вторая нейросеть учится, как сжатое состояние эволюционирует со временем, а шаг ассимиляции данных многократно направляет это состояние в сторону паттернов, приходящих от идеализированной модели. Поскольку такая корректировка выполняется с помощью хорошо понятных статистических формул, влияние простой модели на всю систему можно количественно оценить и проследить, делая процесс объяснимым.

Коррекция формы, силы и ритма Эль-Ниньо

Чтобы проверить свою схему, исследователи сосредоточились на явлении Эль-Ниньо — Южном колебании в экваториальном Тихом океане, чьи тёплые (Эль-Ниньо) и холодные (Ла-Нинья) фазы сильно влияют на погоду во всём мире. Многие передовые модели, включая используемые в межсравнительном проекте CMIP6, испытывают трудности с воспроизведением разнообразия событий Эль-Ниньо: одни достигают пика в восточной части Тихого океана, другие — в центральной, а их интенсивность и сроки варьируют от цикла к циклу. Используя идеализированные модели, которые точно фиксируют статистику этих вариаций, мостовая модель существенно корректирует смещения ведущей операционной модели (CESM2). Она улучшает пространственные паттерны поверхностных и подповерхностных температур и ветров, согласует распределения вероятностей и сезонные ритмы индексов Эль-Ниньо и воспроизводит реалистичные последовательности событий, включая экстремальные и многолетние эпизоды.

Быстрое и прозрачное исследование «что‑если» сценариев

Поскольку мост работает на сжатой версии полной модели, его моделирование гораздо дешевле по вычислительным затратам, чем оригинальная климатическая система: многодесятилетний прогон занимает минуты на обычном компьютере вместо огромных ресурсов, требуемых для полноценной глобальной модели. Эта эффективность позволяет учёным формировать большие ансамбли для изучения редких экстремов и исследовать сценарии «что‑если». Например, изменяя медленно меняющийся параметр в идеализированной модели, который представляет силу пассатов в Тихом океане, авторы исследуют будущие ситуации с постоянно ослабленным или усиленным атмосферным круговоротом. Мостовая модель отвечает сдвигом того, где и насколько сильно происходят события Эль-Ниньо, в согласии с предыдущими исследованиями, но при доле вычислительной стоимости. Поскольку корректировки выполняются через прозрачный шаг ассимиляции данных, исследователи видят, какие части системы направляются и с какой силой.

Новый тип климатического двойника

Проще говоря, эта схема позволяет большой детализированной климатической модели «заимствовать мудрость» у простой, хорошо понятной модели, не превращаясь в загадочный чёрный ящик. Получившийся гибрид ведёт себя как цифровой двойник реальной климатической системы: он сохраняет богатые, высокоразрешённые поля, необходимые для исследований воздействия, одновременно согласуя ключевые паттерны и статистики с наблюдениями и тщательно настроенной теорией. Авторы считают, что подход можно распространить на другие регионы, на множественные модели и даже за пределы наук о Земле на любые сложные системы, где сосуществуют простые и детальные модели. Делая корректировки интерпретируемыми, их работа способствует более тесному сотрудничеству между сообществами, создающими идеализированные модели, и теми, кто поддерживает операционные модели, прокладывая путь к более надёжным прогнозам климатических экстремов, важных для общества.

Цитирование: Behnoudfar, P., Moser, C., Bocquet, M. et al. Bridging idealized and operational models: an explainable AI framework for Earth system emulators. npj Clim Atmos Sci 9, 65 (2026). https://doi.org/10.1038/s41612-026-01334-7

Ключевые слова: Эль-Ниньо, климатическое моделирование, объяснимый ИИ, ассимиляция данных, цифровые двойники