Тсингхуа предложила UniCM — унифицированную модель для нескольких климатических режимов, повышающую точность климатического прогнозирования

Автор статьи, источник: 36Kr

[Введение] Команда Циньхуа представила модель UniCM, которая с помощью единой рамки изучает взаимодействие нескольких климатических режимов, помогая ИИ лучше понимать сложные взаимосвязи глобальной климатической системы. Это прорывное достижение не только повышает точность и оперативность климатических прогнозов, но и превращает ИИ в инструмент для изучения климатических механизмов, что имеет важное значение для предотвращения стихийных бедствий, сельского хозяйства и других областей.

Когда речь заходит о климатических прогнозах, наиболее известным является Эль-Ниньо (ENSO).

Однако глобальный климат не определяется одним климатическим явлением. Помимо Эль-Ниньо/Южное колебание (ENSO), одновременно существуют несколько климатических модусов, таких как Индийский океанский диполь (IOD), тропическая северная Атлантическая мода (TNA) и северотихоокеанская меридиональная мода (NPMM), которые взаимодействуют друг с другом через межбассейновые дальнодействующие связи и океано-атмосферные взаимодействия, образуя динамически связанную глобальную систему.

Долгое время большинство методов прогнозирования сосредотачивались на отдельных климатических режимах или изучали взаимосвязи лишь между несколькими режимами, что затрудняло описание сложных нелинейных взаимодействий в глобальной климатической системе. UniCM включает несколько ключевых климатических режимов в единую унифицированную модель, рассматривая глобальную океано-атмосферную систему как взаимосвязанное целое.

Недавно команда профессора Ли Юна из факультета электронной инженерии Циньхуа University опубликовала в журнале Nature Machine Intelligence исследовательскую статью под названием «Learning the coupled dynamics of global climate modes», в которой предложена единая прогнозная модель глобальных климатических мод UniCM (Unified Climate Model).

Ссылка на статью: https://www.nature.com/articles/s42256-026-01245-5

Исследовательская группа обнаружила, что предсказуемость климатической системы происходит не только от отдельных климатических явлений, но и от долгосрочных связей между несколькими климатическими режимами. Обучаясь этим связанным динамикам, UniCM раскрывает «возникающую предсказуемость» (Emergent Predictability), которую традиционные методы трудно использовать.

Это исследование преодолело традиционный подход к климатическому прогнозированию «одномодальный, отдельные прогнозы» и впервые с точки зрения глобальной связанной системы единообразно изучило сложные динамические взаимосвязи между несколькими океаническо-атмосферными климатическими режимами, предложив новую исследовательскую парадигму для долгосрочного климатического прогнозирования, раннего предупреждения экстремальных климатических событий и открытий в области климатической науки, основанных на ИИ.

Исследовательский контекст

В последние годы искусственный интеллект достиг быстрого развития в области прогнозирования погоды. Множество моделей ИИ уже способны обеспечивать высокоточное прогнозирование погоды на срок от нескольких дней до нескольких недель.

Однако прогнозирование климата фокусируется на более длительных временных масштабах: как будет развиваться глобальная климатическая система в ближайшие месяцы, годы и даже дольше? В каких регионах могут возникнуть экстремальные события, такие как засухи, наводнения и волны жары? Эти вопросы связаны со сложными межмасштабными взаимодействиями между несколькими океаническими и атмосферными системами.

Существующие методы часто рассматривают климатические режимы как независимые объекты, тогда как реальная климатическая система представляет собой высокосвязанную сложную сеть. Как заставить ИИ не только «уметь предсказывать», но и помогать ученым понимать долгосрочные связанные отношения между этими режимами, становится важным вызовом в области ИИ для науки.

«Двухточечная» единая климатическая модель

Для решения этой проблемы исследовательская команда разработала двухветвевую архитектуру UniCM.

Модель включает два основных модуля:

1. Globalformer: Изучение эволюции локальных физических полей

Globalformer обрабатывает ключевые физические переменные, такие как температура поверхности океана (SST), напряжение ветра, глубина термоклина и температура верхних слоев океана, изучая пространственно-временные закономерности климатической системы из детализированных климатических полей.

2. Modeformer: изучение взаимосвязей между климатическими режимами

Modeformer фокусируется на семи важных климатических модах: ENSO, IOD, TNA, NPMM, SPMM, IOB и SIOD, изучая их нелинейные взаимодействия и совместные эволюционные процессы.

Более того, UniCM создает двунаправленный механизм взаимодействия: с одной стороны, локальные физические поля генерируют крупномасштабные климатические моды; с другой стороны, сформировавшиеся климатические моды обратно влияют на будущую эволюцию локальных физических полей. Исследовательская группа назвала этот механизм «mode-to-patch guidance» — использование крупномасштабного климатического состояния для управления локальными прогнозами, обеспечивая замкнутую модель, в которой происходит взаимодействие от локального к глобальному и обратно от глобального к локальному.

ENSO считается одним из самых важных климатических режимов в мире и одной из самых сложных задач в области долгосрочного климатического прогнозирования.

Результаты исследования показывают, что UniCM постоянно превосходит ряд репрезентативных базовых моделей в тестировании наблюдательных данных за период с 1980 по 2023 год в рамках 24-месячного прогнозного окна. Модель способна увеличить срок эффективного прогнозирования ENSO до 19 месяцев, тогда как ранее передовые модели обычно достигали лишь 15–16 месяцев.

В то же время UniCM демонстрирует явные преимущества в решении проблемы «весеннего барьера предсказуемости», долго затруднявшей прогнозирование климата. Модель сохраняет высокую точность прогнозирования при переходе через весенний период в Северном полушарии, продлевая эффективный период прогнозирования до примерно 14 месяцев.

Кроме того, UniCM успешно воспроизвел супер-Эль-Ниньо 1997–1998 годов и трехлетнее событие «трипл-Ла-Нинья» 2020–2023 годов, точно зафиксировав возникновение, развитие и ослабление этих исторических экстремальных явлений.

UniCM не только отлично предсказывает ENSO, но и может одновременно предсказывать семь важных климатических модусов в одной и той же рамке, включая ENSO, IOD, IOB, SIOD, SPMM, NPMM и TNA.

Результаты показывают, что модель превосходит существующие репрезентативные методы по прогнозированию по нескольким климатическим модам. В частности, для труднопрогнозируемых не-Эль-Ниньо модов среднее улучшение прогнозной точности превышает 22%; эффективный срок прогнозирования IOD достигает примерно 7 месяцев.

Более того, UniCM способен точно воссоздавать реальные лаговые корреляции между различными климатическими режимами. Например, он успешно воспроизвел физическую связь, при которой NPMM опережает ENSO примерно на 4 месяца, а также связки между несколькими межбассейновыми климатическими режимами.

Это указывает на то, что модель изучила не просто статистическую корреляцию, а физические механизмы связи, реально существующие в глобальной климатической системе.

Помимо прогнозной способности, UniCM обладает высокой интерпретируемостью.

Исследовательская команда, проанализировав механизм внимания внутри модели, обнаружила, что перед значительными событиями Эль-Ниньо-Южное колебание модель автоматически фокусируется на ключевых областях и ключевых модальных связях, имеющих физический смысл.

Например, до супер Эль-Ниньо 1997 года модель выявила важную предшествующую роль NPMM; в некоторых сложных климатических событиях TNA, возможно, играет ключевую роль центра. Полученные результаты в высокой степени согласуются с существующими исследованиями в области климатической физики.

Это означает, что UniCM может не только прогнозировать будущие климатические состояния, но и помогать ученым выявлять потенциальные механизмы и формулировать новые научные гипотезы, став таким образом важным вспомогательным инструментом в климатических исследованиях.

Будущие применения и перспективы развития

На фоне глобальных изменений климата важность долгосрочного климатического прогнозирования все больше возрастает. Более точные и долгосрочные климатические прогнозы будут напрямую способствовать сельскому хозяйству, управлению водными ресурсами, распределению энергии, развитию рыболовства и снижению рисков бедствий.

Исследовательская группа считает, что UniCM представляет собой не только новую модель климатического прогнозирования, но и единый подход к моделированию сложных систем. В будущем эта рамочная структура может быть расширена для изучения внутрисезонных колебаний, десятилетних изменений климата и эволюции климатических режимов на фоне глобального потепления, а также применена к другим сложным системам, обладающим двусторонней связью между «локальными процессами» и «общей структурой».

От «прогнозирования погоды» к «пониманию климата» и далее к «открытию закономерностей» UniCM демонстрирует новые возможности искусственного интеллекта в науке о земных системах: действительно важная прогностическая информация, возможно, не скрыта в каком-либо одном климатическом показателе, а существует в совокупных взаимосвязях, непрерывно развивающихся в всей климатической системе.

Ссылки для справки: https://www.nature.com/articles/s42256-026-01245-5