IA e os Problemas Difíceis do Mundo · Ciências da Terra e do clima · arXiv · 2026-10-21
Desemaranhando componentes forçados e internos na evolução climática observada usando aprendizado profundo espaçotemporal
Título original: Disentangling forced and internal components in observed climate evolution using spatiotemporal deep learning
Atribuir a evolução climática histórica observada a mudança forçada externamente versus variabilidade interna é fundamental para compreender a mudança climática e avaliar modelos climáticos, mas os dois estão entrelaçados nas observações. Os autores desenvolvem uma LSTM convolucional (ConvLSTM), treinada e avaliada em simulações de grandes conjuntos de múltiplos modelos climáticos, que supera de forma consistente abordagens existentes baseadas em modelos, estatísticas e aprendizado de máquina. Aplicada às observações, ela revela um padrão espacial em evolução da resposta forçada e contribuições substanciais da variabilidade interna para tendências multidecadais recentes—amplificando a reversão forçada da assimetria inter-hemisférica de temperatura do Atlântico, dominando o aquecimento equatorial do Pacífico do tipo La Niña e o declínio de precipitação sobre o sudoeste da América do Norte desde 1980, e modulando a amplificação do Ártico em torno de seu valor forçado quase constante de três vezes—enquanto a comparação com respostas forçadas simuladas por modelos mostra padrões amplamente consistentes, juntamente com discrepâncias como aquecimento simulado mais forte no Hemisfério Norte, intensificação mais fraca da alta subtropical e declínios menores de precipitação terrestre.