AI „помощници“ ускоряват климатичните изследвания и локалните прогнози

AI навлиза все по-широко в климатичната наука — от визуализации и кодиране до създаване на инструменти за локален риск. Учените комбинират големи езикови модели и машинно обучение с класическите физически симулации, за да подобрят прогнозирането и анализа на сложни явления. Въпреки че инструментите дават обещаващи резултати, изследователите предупреждават, че човешкият надзор и експертната оценка остават неизменна част от процеса.

От визуализации до помощници в научни обзори

Климатологът Зийк Хаусфадър от Berkeley Earth използва ChatGPT, за да генерира идеи и код за нови визуализации на температурни аномалии, сред които графика, наподобяваща дървесни пръстени. Много климатолози вече прилагат големи езикови модели за подпомагане на програмирането, комуникацията и оформянето на научни текстове.

Елизабет Барнс, професор в Бостънския университет и специалист по екологични данни, отбелязва, че AI отваря „вълнуващи възможности“ за въпроси, по които науката е била затруднена, но не заменя напълно традиционните методи.

Физика срещу данни: какво могат и какво не могат AI моделите

Физически базираните климатични модели симулират процесите в земната система чрез уравнения и често съдържат над милион реда код. Те са способни да прогнозират големи, нови промени, които не са наблюдавани исторически, но имат затруднения при улавянето на дребни, но решаващи явления като формирането на облаци.

AI моделите, които не пресъздават физиката директно, могат да допълнят тези липси: хибридни системи съчетават изхода на физическите симулации с машинно обучение, за да получат по-прецизни локални оценки. В свой доклад учени от Google посочват, че такива хибридни подходи може да предложат „гъвкав, точен и ефективен начин” за решаване на проблема с мащаба.

В същото време AI все още „не вижда” извън данните, на които е трениран — например при екстремни метеорологични събития, които надхвърлят историческите записи. Има обаче начални доказателства, че моделите могат да „пренасят” екстремни сценарии от един регион в друг.

Локален риск и инструменти за ранно предупреждение

Застрахователи и купувачи на имоти търсят детайлни локализирани оценки на климатичния риск, като вероятността за наводнение на конкретен имот. Глобалните симулации често са твърде груби за тези нужди, затова изследователите се обръщат към AI за разпознаване на повтарящи се модели и интегриране на локални исторически метеоданни.

Google Research представи инструмента Groundsource за прогнозиране на внезапни наводнения, използвайки Gemini за анализ на 5 милиона новинарски статии от 2000 г. насам, описващи 2,6 милиона внезапни наводнения в 150 държави. Комбинирани със системи за машинно обучение, данните позволяват публичен инструмент, който дава валидни резултати в 82% от случаите — резултат, който все още очаква рецензиране.

AI като „помощник-учен“ — примерът AMOC

Екип, ръководен от Google DeepMind и включващ Хаусфадър, тества как AI може да помогне при широки научни обзори, посветени на стабилността на Атлантическата меридионална обръщаща циркулация (AMOC). Работата обхвана синтез на 79 научни труда и 104 преработки на анализа за общо 46 човеко-часа — около десет пъти по-бързо от очакваното. Почти половината от крайния текст (42%) бе генериран с помощта на AI. Авторите обаче подчертават, че за да достигне анализът научните стандарти, бе необходим значителен експертен надзор.

Облаци, регионални аномалии и нарастваща употреба

Облачните процеси остават ключов източник на несигурност в климатичните прогнози: ниските облаци отразяват слънчевата светлина, а високите задържат топлина. През 2024 г. мулти-институционален екип заключи, че машинното обучение „може да се използва като заместител” на някои текущи параметризации на облаците в моделите.

Регионално AI показва по-добри резултати при някои аномалии: в работен документ Тифани Шоу и колеги от Университета в Чикаго показват, че AI превъзхожда и чистите, и хибридните модели при прогнозиране на засушаване в Югозапада на САЩ, макар причините все още да не са напълно ясни. Изследователи от Университета на Вашингтон демонстрират, че AI, трениран да минимизира грешки в краткосрочните прогнози, може да симулира наблюдаваната циклонна активност в западната част на Северния Пасифик.

AI вече преобразува сурови сателитни данни в оценки за емисии на метан, симулира откъсване на ледници и идентифицира екстремни метеорологични явления много преди да настъпят. Въпреки това воспроизводимостта и разбирането на вътрешните механизми на моделите остават критични за напредъка на науката — което прави човешкия контрол незаменим.