Приближаясь: Эффективная региональная оценка экологических рисков с помощью генеративного ИИ

Модели системы Земли имеют решающее значение для прогнозирования будущих изменений окружающей среды, но их высокая вычислительная стоимость ограничивает их способность делать региональные прогнозы в мелких масштабах. Чтобы решить эту проблему, был разработан новый метод генеративного искусственного интеллекта, призванный преодолеть разрыв в разрешении между моделями систем Земли и потребностями последующих пользователей. Метод, называемый динамически-генеративным даунскейлингом, применяет вероятностные диффузионные модели к выходным данным хорошо зарекомендовавших себя физических моделей для преобразования глобальных климатических прогнозов в локальные оценки экологических рисков. Такой подход позволяет проводить детальную оценку местных экологических рисков за небольшую долю стоимости существующих современных методов. Метод включает в себя двухэтапный процесс, в ходе которого региональная климатическая модель уменьшает масштаб данных глобальной системы Земли до промежуточного разрешения, а затем генеративная система искусственного интеллекта добавляет к выходным данным мелкие детали. Этот гибридный подход использует сильные стороны обоих методов, обеспечивая физически обоснованную и эффективную генерацию деталей с высоким разрешением. Результаты показывают, что динамическо-генеративное уменьшение масштаба снижает мелкомасштабные ошибки более чем на 40% по сравнению со статистическими методами и фиксирует реалистичные пространственные закономерности и корреляции между различными погодными переменными. Метод также обеспечивает более точные оценки неопределенности и учитывает региональные экстремальные явления, такие как риск лесных пожаров из-за ветров Санта-Ана в Южной Калифорнии. Этот прорыв позволяет получать всеобъемлющие будущие региональные климатические прогнозы в действенных масштабах менее 10 км, что делает вычислительно возможным уменьшение масштаба больших ансамблей моделей системы Земля. Предоставляя более точные и вероятностно полные региональные климатические прогнозы, динамическое генеративное уменьшение масштаба может значительно улучшить оценку экологических рисков и помочь в принятии более обоснованных решений по политике адаптации и устойчивости.