Maşın öyrənməsi iqlim modellərinin dəqiqliyini artırır, xüsusən də mürəkkəb ekstremal hadisələr üçün

Matt Shipman, Şimali Karolina Dövlət Universiteti tərəfindən
Gaby Clark tərəfindən redaktə edilmiş , Robert Eqan tərəfindən nəzərdən keçirilmişdir
Redaktorların qeydləriAyda (iyul, avqust və sentyabr) yağıntılar və maksimal gündəlik temperatur arasında çarpaz korrelyasiyanın qiymətləndirilməsində müxtəlif üsullardan (QM, CCA və NF) qərəzlə düzəldilmiş proqnozların müqayisəsi. Xəritə CONUS üzərindən nClim məlumatından müşahidə edilən çarpaz korrelyasiya ilə çarpaz korrelyasiyanın qiymətləndirilməsində orta kvadrat səhvini göstərir. Kredit: Elmi Məlumat (2025). DOI: 10.1038/s41597-025-05478-8
Tədqiqatçılar irimiqyaslı iqlim modeli proqnozlarını təkmilləşdirmək üçün yeni maşın öyrənmə metodu işləyib hazırladılar və yeni alətin həm qlobal, həm də regional səviyyədə modelləri daha dəqiq etdiyini nümayiş etdirdilər. Bu irəliləyiş siyasətçilərə siyasət və planlaşdırma qərarlarını məlumatlandırmaq üçün istifadə oluna bilən təkmilləşdirilmiş iqlim proqnozları təqdim etməlidir.
” CMIP6 GCM-lər üçün Normallaşdırıcı Axınlardan (CDC-NF) istifadə edərək Tam Sıxlığın Korreksiyası ” adlı məqalə Scientific Data jurnalında açıq çıxışda dərc olunub .
“Qlobal iqlim modelləri siyasətin planlaşdırılması üçün vacibdir, lakin bu modellər tez-tez ekstremal hadisələrin qısa ardıcıllıqla baş verdiyi “mürəkkəb ekstremal hadisələr” ilə mübarizə aparır – məsələn, həddindən artıq yağışın dərhal ardınca həddindən artıq istilik dövrü”, – Şiqi Fang, iş haqqında məqalənin birinci müəllifi və Şimali Karolina Dövlət Universitetində tədqiqat işçisi deyir.
“Xüsusilə, bu modellər modelləri öyrətmək üçün istifadə edilən məlumatlarda mürəkkəb hadisələrlə bağlı müşahidə edilən nümunələri dəqiq şəkildə tutmaq üçün mübarizə aparır” dedi Fang. “Bu, iki əlavə problemə gətirib çıxarır: qlobal miqyasda mürəkkəb hadisələrin dəqiq proqnozlarını təmin etməkdə çətinlik; və yerli miqyasda mürəkkəb hadisələrin dəqiq proqnozlarını verməkdə çətinlik. Burada gördüyümüz iş bu üç problemin hamısını həll edir.”
“Bütün modellər qeyri-kamildir” deyir məqalənin müvafiq müəllifi və NC State-də mülki, tikinti və ətraf mühit mühəndisliyi professoru Sankar Arumugam. “Bəzən bir model yağışı və/yaxud temperaturu və ya hər hansı bir şeyi çox qiymətləndirə bilər. Model tərtibatçılarının modelin dəqiqliyini artırmaq üçün bu sözdə qərəzləri düzəltmək üçün istifadə edə biləcəkləri alətlər dəsti var.
https://googleads.g.doubleclick.net/pagead/ads?gdpr=0&us_privacy=1—&gpp_sid=-1&client=ca-pub-0536483524803400&output=html&h=280&slotname=8188791252&adk=1645945215&adf=308666314&pi=t.ma~as.8188791252&w=750&abgtt=6&fwrn=4&fwrnh=0&lmt=1753859102&rafmt=1&armr=3&format=750×280&url=https%3A%2F%2Fphys.org%2Fnews%2F2025-07-machine-accuracy-climate-compound-extreme.html&fwr=0&rpe=1&resp_fmts=3&wgl=1&uach=WyJXaW5kb3dzIiwiMTkuMC4wIiwieDg2IiwiIiwiMTM4LjAuNzIwNC4xNjkiLG51bGwsMCxudWxsLCI2NCIsW1siTm90KUE7QnJhbmQiLCI4LjAuMC4wIl0sWyJDaHJvbWl1bSIsIjEzOC4wLjcyMDQuMTY5Il0sWyJHb29nbGUgQ2hyb21lIiwiMTM4LjAuNzIwNC4xNjkiXV0sMF0.&dt=1753859092254&bpp=2&bdt=149&idt=19&shv=r20250728&mjsv=m202507220101&ptt=9&saldr=aa&abxe=1&cookie=ID%3Df22668bce9793ae4%3AT%3D1735196613%3ART%3D1753858827%3AS%3DALNI_Mb4Xpwl1SO1AcvqroR6xccDm_sheQ&gpic=UID%3D00000f7c5320f40b%3AT%3D1735196613%3ART%3D1753858827%3AS%3DALNI_Mb1dz_DHiT2yDzXLMaB9CDkQl4XGg&eo_id_str=ID%3D1241933dda87baba%3AT%3D1750839581%3ART%3D1753858827%3AS%3DAA-AfjZwPuiSAour3k16ZA1JtXua&prev_fmts=0x0%2C336x280&nras=1&correlator=3795184691645&frm=20&pv=1&rplot=4&u_tz=240&u_his=4&u_h=1080&u_w=1920&u_ah=1032&u_aw=1920&u_cd=24&u_sd=1&dmc=8&adx=448&ady=1909&biw=1905&bih=945&scr_x=0&scr_y=0&eid=95362655%2C95363184%2C95366914%2C95366852%2C95359265%2C95367166&oid=2&psts=AOrYGsnfLPqdyMx-e48OXoBXRdQ9Pb5DofjJ-QHFGQwPdSdJ_Sfnb2SrlwgHMSEf6NJvhe9tVQHeXITNLalHjef9aWSQatii&pvsid=7688295617444173&tmod=1347211033&uas=0&nvt=1&ref=https%3A%2F%2Fphys.org%2Fpage3.html&fc=1920&brdim=0%2C0%2C0%2C0%2C1920%2C0%2C0%2C0%2C1920%2C945&vis=1&rsz=%7C%7CpeEbr%7C&abl=CS&pfx=0&fu=128&bc=31&bz=0&td=1&tdf=2&psd=W251bGwsbnVsbCxudWxsLDNd&nt=1&ifi=6&uci=a!6&btvi=1&fsb=1&dtd=10469
“Lakin, mövcud alətlər dəstinin əsas məhdudiyyəti var: onlar bir parametrdə (yağış kimi) qüsuru düzəltməkdə çox yaxşıdırlar, lakin bir çox parametrlərdə (yağış və temperatur kimi) qüsurları düzəltməkdə çox yaxşı deyillər” deyir Arumugam. “Bu vacibdir, çünki mürəkkəb hadisələr ciddi təhlükələr yarada bilər və tərifinə görə, iki fiziki dəyişən: temperatur və rütubətin cəmiyyətə təsirini ehtiva edir. Bizim yeni metodumuz burada işə düşür.”
Yeni üsul problemə yeni bir yanaşma tətbiq edir və iqlim modelinin nəticələrini modelin proqnozlarını real dünya məlumatlarında müşahidə oluna bilən nümunələrə yaxınlaşdıracaq şəkildə dəyişdirmək üçün maşın öyrənmə üsullarından istifadə edir.
Tədqiqatçılar, Normallaşdırıcı Axınlardan (CDC-NF) istifadə edərək Tam Sıxlığın Korreksiyası adlanan yeni metodu ən çox istifadə edilən beş qlobal iqlim modeli ilə sınaqdan keçirdilər . Sınaq həm qlobal miqyasda, həm də kontinental ABŞ üçün milli miqyasda aparılmışdır.
“Bütün beş modelin dəqiqliyi CDC-NF metodu ilə birlikdə istifadə edildikdə yaxşılaşdı” dedi Fang. “Və bu təkmilləşdirmələr həm təcrid olunmuş ekstremal hadisələrlə, həm də mürəkkəb ekstremal hadisələrlə bağlı dəqiqlik baxımından xüsusilə nəzərə çarpırdı .”
“Biz istifadə etdiyimiz kodu və məlumatları ictimaiyyətə təqdim etdik ki, digər tədqiqatçılar öz modelləşdirmə səyləri ilə birlikdə metodumuzdan istifadə etsinlər və ya ehtiyaclarını ödəmək üçün metodu daha da nəzərdən keçirə bilsinlər” dedi Arumugam. “Biz optimistik ki, bu, iqlimə uyğunlaşma strategiyalarını məlumatlandırmaq üçün istifadə olunan proqnozların dəqiqliyini artıra bilər.”
Kağız NC State-də statistika üzrə dosent Emili Hektorun həmmüəllifi idi; Brian Reich, Gertrude M. Cox, NC State Statistika üzrə görkəmli professor; və Arkanzas Universitetinin statistika üzrə dosenti Reetam Majumder.
Ətraflı məlumat: Shiqi Fang et al, CMIP6 GCMs üçün Normalizing Flows (CDC-NF) istifadə edərək Tam Sıxlıq Korreksiyası, Elmi Məlumat (2025). DOI: 10.1038/s41597-025-05478-8
Jurnal məlumatı: Scientific Data
Şimali Karolina Dövlət Universiteti tərəfindən təmin edilmişdir