Облачные специи: как нейросеть улучшает климат экспресс
Прогноз климата похож на сложный рецепт: одна неверная щепотка — и всё блюдо испорчено. Так и с облаками — малыми, но решающими. Климатические модели разбивают небо на клетки по 50–100 км и не видят отдельных облаков. Это как сыпать перец горстями, когда рецепт требует щепотку.
Учёные обучили нейросеть на детальных расчётах, где облака видны до мелочей. Она научилась предсказывать ту часть солнечного тепла, что связана с облаками. Безоблачное небо по-прежнему обсчитывают физикой — так метод не устаревает при любом уровне CO₂ и солнечной активности. Ошибки уменьшились в 4–10 раз.
Неожиданный поворот: нейросеть никогда не видит сами облака. Она работает с крупными клетками, но улавливает их скрытое влияние. Микроскопическая деталь управляет глобальной картиной.
Оригинальная аннотация
как её написали авторы, на английском arXiv:2510.05963
Improvements of Machine Learning (ML)-based radiation emulators remain constrained by the underlying assumptions to represent horizontal and vertical subgrid-scale cloud distributions, which continue to introduce substantial uncertainties. In this study, we introduce a method to represent the impact of subgrid-scale clouds by applying ML to learn processes from high-resolution model output with a horizontal grid spacing of 5km. In global storm resolving models, clouds begin to be explicitly resolved. Coarse-graining these high-resolution simulations to the resolution of coarser Earth System Models yields radiative heating rates that implicitly include subgrid-scale cloud effects, without assumptions about their horizontal or vertical distributions. We define the cloud radiative impact as the difference between all-sky and clear-sky radiative fluxes, and train the ML component solely on this cloud-induced contribution to heating rates. The clear-sky tendencies remain being computed with a conventional physics-based radiation scheme. This hybrid design enhances generalization, since the machine-learned part addresses only subgrid-scale cloud effects, while the clear-sky component remains responsive to changes in greenhouse gas or aerosol concentrations. Applied to coarse-grained data offline, the ML-enhanced radiation scheme reduces errors by a factor of 4-10 compared with a conventional coarse-scale radiation scheme. This shows the potential of representing subgrid-scale cloud effects in radiation schemes with ML for the next generation of Earth System Models.
В климатических моделях типичная клетка сетки — 50×100 км, а облако — сотни метров. Упаковать целую «кашу» из облаков в одну ячейку — вот где понадобилась изобретательность.
Управление климатом компьютерами — знакомая фантастика: в романе «Красный Марс» Кима Стэнли Робинсона герои терраформируют Марс, просчитывая каждый градус.