Модель глубокого обучения для улучшения декадного прогноза температуры воздуха на поверхности в Евразии

Почему важно заглядывать на десятилетие вперед

Для людей и правительств по всей Евразии понимание того, как, вероятно, будут меняться температуры в течение следующих 5–10 лет, помогает планировать всё — от энергоснабжения до выбора культур и проектирования инфраструктуры. Тем не менее даже лучшие современные климатические модели по‑прежнему испытывают трудности с прогнозированием этих среднесрочных колебаний температуры воздуха на поверхности для такого обширного и разнородного региона. В этом исследовании предложен новый подход к улучшению таких прогнозов: глубокое обучение используется для уточнения и комбинирования существующих прогнозов климатических моделей, что даёт более чёткое представление о климатическом будущем Евразии.

Проблема декадных температурных сдвигов

Евразия простирается от пустынь Центральной Азии до арктического побережья, и более половины населения мира живёт в этом регионе. В последние десятилетия его потепление шло неравномерно: наблюдаются сложные декадные колебания, включая загадочное похолодание во многих северных районах в 1990‑х — 2000‑е годы. Эти колебания формируются медленно меняющимися океаническими паттернами в Атлантике и Тихом океане и изменениями морского льда в Арктике. Стандартные системы климатического прогнозирования могут предсказывать некоторые закономерности температуры поверхности моря за несколько лет, но они всё ещё плохо отражают многолетние вариации температуры в Евразии, особенно в средних и высоких широтах, где потребность в надёжных рекомендациях наиболее велика.

Разбиение Евразии на климатические «окрестности»

Чтобы справиться с этой сложностью, авторы сначала делят Евразию на 20 «климатических окрестностей» с помощью метода, называемого временной кластеризацией. Вместо того чтобы проводить границы только по географии, они группируют ячейки сетки с похожим декадным поведением температуры в период 1968–2001 годов. Южные регионы показывают относительно небольшие флуктуации после удаления долгосрочного потепления, тогда как северные и высокогорные территории демонстрируют гораздо большие и более сложные колебания. Обработка каждой окрестности отдельно помогает уменьшить шум и сосредоточиться на прогнозировании отдельных региональных паттернов медленных изменений температуры, а не одного большого и несогласованного поля.

Ассистент климатических моделей на основе глубокого обучения

Сердцем исследования является семислойная модель глубокого обучения под названием GRUBA, основанная на типе рекуррентной нейронной сети, хорошо подходящей для временных рядов. GRUBA не заменяет физические климатические модели; она обучается постобрабатывать их выходы. Для каждой окрестности модель принимает прогнозы из 80 различных прогонов моделей, смотрящих на 6–10 лет вперёд. По мере прохождения данных через многоуровневые слои GRUBA сжимает информацию из многочисленных членов ансамбля, стабилизирует её, а затем применяет шаг «внимания», который фокусируется на временных срезах, наиболее важных для предсказания конечного результата. Финальный слой выполняет тонкую корректировку амплитуд прогнозов, чтобы лучше соответствовать наблюдаемым температурам.

Более чёткие прогнозы и причина их улучшения

При проверке на периоде 2004–2021 годов — годах, которых модель не видела при обучении — GRUBA существенно улучшает декадные прогнозы. Простое усреднение климатических моделей даёт слабые или даже вводящие в заблуждение результаты в большинстве северных регионов. После коррекции GRUBA средняя корреляция между предсказанными и наблюдаемыми декадными колебаниями по 20 окрестностям прыгает с почти нуля до явно положительных значений, а показатели точности амплитуд также улучшаются от отрицательных до явно положительных. Система улавливает как похолодание начала 2000‑х, так и возобновившееся быстрое потепление в высоких широтах, что исходные модели в основном пропускали. Анализ модели глубокого обучения методом SHAP показывает, что GRUBA эффективно учится придавать больший вес тем отдельным прогонам моделей, которые исторически лучше соответствовали реальности, особенно для сложных северных регионов, и понижать влияние менее надёжных.

Взгляд на ближайшие годы

Вооружившись этим улучшенным инструментом, исследователи генерируют оперативные прогнозы на 2022–2025 годы. GRUBA указывает на продолжение сильного потепления в высоких широтах в сочетании с очагами относительного похолодания в некоторых средних широтах — паттерн, контрастирующий с исходным многомодельным средним. Для 2022 года этот уточнённый прогноз гораздо ближе к фактическим условиям, хотя он всё ещё недооценивает потепление над Тибетским плато и преувеличивает некоторые зоны похолодания. Авторы также показывают, что преимущество GRUBA зависит от наличия большого числа членов ансамбля для обучения, и что её архитектура превосходит несколько альтернативных машинно‑обучающих конструкций на особенно сложном регионе высоких широт.

Что это значит для климатического планирования

Проще говоря, эта работа демонстрирует, что разумное применение искусственного интеллекта может извлечь значительно больше полезной информации из тех климатических прогнозов, которые мы уже производим. Изучая прошлые успехи и неудачи множества отдельных симуляций, GRUBA превращает разрозненный набор декадных прогнозов в гораздо более ясную картину вероятных температурных колебаний по Евразии. Хотя метод ещё требует более широкой проверки и доработки, он указывает на практический путь к предоставлению политикам и планировщикам более надёжных рекомендаций о том, как будут развиваться региональные климатические условия в ближайшее десятилетие, заполняя разрыв между краткосрочными прогнозами погоды и долгосрочными климатическими проекциями.

Цитирование: Chen, Y., Huang, Y., Qian, D. et al. Deep learning model for enhancing decadal prediction of Eurasian surface air temperature. npj Clim Atmos Sci 9, 77 (2026). https://doi.org/10.1038/s41612-026-01337-4

Ключевые слова: декадный климатический прогноз, температура в Евразии, глубокое обучение, ансамбли климатических моделей, температура воздуха на поверхности