Новости

Нейросеть МФТИ повысила детализацию климатических моделей для штормов в Арктике

Обновлено: 27 июня 2026 г.

Почему это важно

Разработка показывает, как ИИ может компенсировать дефицит наблюдений в труднодоступных регионах вроде Арктики и повышать детализацию климатических моделей. Для отраслей, зависящих от погодных условий в северных морях, это может означать более точные штормовые предупреждения и планирование операций. Такой подход укладывается в тренд использования машинного обучения для ускорения и удешевления сложных геофизических расчетов.

Сотрудники Московского физико-технического института и Института океанологии имени П. П. Ширшова РАН представили нейросеть, которая помогает точнее прогнозировать погодные условия в Арктике. По словам авторов, модель повышает пространственное разрешение глобальных климатических моделей в пять раз и при этом работает в 60 раз эффективнее по вычислениям, чем традиционные методы анализа. Результаты опубликованы в журнале Frontiers in Marine Science.

Во время обучения нейросеть получала на вход крупномасштабные данные глобального погодного архива ERA5 с разрешением 31 километр. В качестве эталона использовали модель WRF (Weather Research and Forecasting) с детализацией шесть километров. Обучение заняло около 17 часов. После этого расчет ветровых полей стал занимать примерно 10 минут на год, тогда как эталонная модель тратит на аналогичный расчет около 10 часов.

Исследователи отмечают, что исходные данные ERA5 занижали число обнаруженных вихревых треков почти на 47 процентов. Нейросеть восстановила картину ветров с отклонением менее трех процентов по сравнению с контрольными данными. Модель также корректно воспроизводит параметры боры, ветра, который возникает, когда холодный воздух с покрытого льдом Карского моря переваливает через хребты Новой Земли и выходит к Баренцеву морю. Проверка на волновой модели показала: расчеты высоты волн в Баренцевом море, выполненные с использованием ветра, рассчитанного нейросетью, почти не отличаются от эталонных натурных измерений и оказываются точнее расчетов с использованием ветра из ERA5.

Ключевые факты

Нейросеть, созданная МФТИ и Институтом океанологии имени П. П. Ширшова РАН, увеличила пространственное разрешение глобальных климатических моделей в 5 раз и показала вычислительную эффективность в 60 раз выше традиционных методов.
При обучении использовались данные архива ERA5 с разрешением 31 километр и эталонная модель WRF с детализацией 6 километров; обучение заняло около 17 часов.
После обучения расчет ветровых полей занимает около 10 минут на год моделирования против примерно 10 часов у эталонной модели.
Исходные данные ERA5 занижали число выявленных вихревых треков почти на 47%, тогда как нейросеть восстановила картину ветров с отклонением менее 3% от контрольных данных.