Погодные модели в роли климатических: успешный эксперимент
Погодные модели ИИ уже уверенно прогнозируют атмосферу на несколько суток вперёд. Но климат — это статистика погоды за десятилетия, поэтому перенос погодных алгоритмов в климатическую плоскость долгое время считался рискованным. Если модель обучена только на коротких периодах, что будет через год, десять или тридцать лет симуляции? Не начнёт ли она «дрейфовать» в нереалистичное состояние? Авторы недавнего препринта на arXiv решили проверить это на практике, взяв в качестве подопытных две ИИ-модели — ArchesWeather и её вероятностную «сестру» ArchesWeatherGen.
Обе модели разрабатывались для десятисуточных прогнозов, и обе пришлось серьёзно адаптировать под совсем другие масштабы времени. О том, что из этого вышло, — ниже.
Два подхода к прогнозу
Интересно, что модели устроены по-разному. ArchesWeather — детерминированная система: на каждый вход у неё один выход. Такой подход быстр, но не даёт представления о диапазоне возможных состояний атмосферы. ArchesWeatherGen — вероятностная модель на основе flow-matching: она генерирует распределение возможных погодных сценариев, а не единственный ответ. При этом она использует прогнозы ArchesWeather как базу для своей генерации, что позволяет строить ансамбль. Ансамбль, в свою очередь, даёт оценку неопределённости — важную и в погоде, и в климате.
Как адаптировали модели к климатическим задачам
Наивно ожидать, что погодная модель сама по себе станет климатической. Для климата критичен океан: он накапливает тепло и управляет медленными процессами. Поэтому исследователи снабдили обе модели — и ArchesWeather, и ArchesWeatherGen — дополнительными входными каналами с граничными условиями. Теперь модель получает среднемесячные температуру поверхности моря (SST) и концентрацию морского льда (SIC) и регулярно «подстраивает» под них атмосферную динамику.
Прогоны выполнялись по стандартизированному протоколу первой фазы AIMIP — аналогу известного проекта AMIP, но для моделей машинного обучения. Такой регламент позволяет сравнивать разные ИИ-модели между собой и с классическими климатическими моделями. Авторы также провели абляционные эксперименты: отключали отдельные элементы адаптации, чтобы понять, что именно даёт устойчивость. Дополнительно сравнивались вынужденные конфигурации (forced), где океан задан извне, и свободные (unforced), где модель работает без внешней привязки.
Что показали многолетние симуляции
Опасения относительно быстрой деградации не оправдались. В вынужденной конфигурации и ArchesWeather, и ArchesWeatherGen продемонстрировали стабильные многолетние прогоны: годовой цикл не разрушается, климатических «срывов», которые убивают долгую симуляцию, удалось избежать. Модели успешно воспроизводят:
- базовую климатологию реанализа ERA5;
- крупномасштабную циркуляцию атмосферы;
- изменчивость от года к году;
- редкие, экстремальные состояния — хвосты распределений.
Иными словами, средние показатели и разброс значений выглядят правдоподобно не только в целом, но и в экстремальных случаях. По ряду параметров ИИ-симуляции не уступают классическим численным климатическим моделям. Отдельно отмечено, что вынужденные конфигурации работают заметно лучше свободных: без «подсказок» океана погрешности накапливаются быстрее.
Выводы
Работа подтверждает: модели машинного обучения, изначально созданные для прогноза погоды, могут служить основой климатических экспериментов. Для этого достаточно добавить внешние океанические условия и аккуратно следовать протоколу сравнения. Это относительно дешёвый и быстрый способ получать долгосрочные симуляции, хотя до полноценной замены классических моделей пока далеко — необходимы более широкие проверки, особенно по региональным деталям и экстремумам. Но первые шаги выглядят многообещающе.
