ИИ и сложнейшие проблемы мира · Науки о Земле и климате · arXiv · 2026-10-21
Разделение вынужденной и внутренней компонент в наблюдаемой эволюции климата с помощью пространственно-временного глубокого обучения
Оригинальное название: Disentangling forced and internal components in observed climate evolution using spatiotemporal deep learning
Атрибуция наблюдаемой исторической эволюции климата вынужденному извне изменению в противовес внутренней изменчивости имеет фундаментальное значение для понимания изменения климата и оценки климатических моделей, однако в наблюдениях эти два фактора переплетены. Авторы разрабатывают свёрточную LSTM (ConvLSTM), обученную и оценённую на крупноансамблевых симуляциях нескольких климатических моделей; она стабильно превосходит существующие модельные, статистические и машинно-обучающие подходы. Применённая к наблюдениям, она выявляет эволюционирующий пространственный рисунок вынужденного отклика и существенный вклад внутренней изменчивости в недавние многодесятилетние тренды — усиливая вынужденное обращение межполушарной температурной асимметрии Атлантики, доминируя в потеплении экваториальной Пацифики типа Ла-Нинья и снижении осадков на юго-западе Северной Америки с 1980 года, а также модулируя арктическое усиление вокруг его почти постоянного трёхкратного вынужденного значения, — тогда как сравнение со смоделированными моделями вынужденными откликами показывает в целом согласованные картины наряду с расхождениями, такими как более сильное смоделированное потепление Северного полушария, более слабое усиление субтропических максимумов и меньшее снижение осадков на суше.