Ученые рассчитали, как влияет фактор мегаполиса на природные аномалии

Ученые МГУ добились значительных успехов в прогнозировании явления "островов тепла" в городах с использованием ИИ, основанных на статистических данных. Эти ОТ определяют разницу в температуре между городскими районами и пригородами, влияя на интенсивность осадков и состояние воздуха в мегаполисах.

Согласно порталу MDPI, в рамках пилотного проекта специалисты использовали информацию о погоде в Москве и Подмосковье за последние пятьдесят лет. Полученные результаты позволяют ученым с высокой точностью, до 85–90%, предсказывать тепловые аномалии в мегаполисе.

Исследование охватывает аппроксимацию временных изменений разницы температур между городом и пригородом (ΔT) в Москве с использованием моделей машинного обучения и предикторов, описывающих крупномасштабные погодные условия.

Результаты показали, что модели машинного обучения, такие как случайные леса, повышение градиента, опорные векторы и многослойные перцептроны, обученные на данных за 21 год, успешно улавливают дневные, синоптические и сезонные изменения ΔT на основе предикторов, полученных из наблюдений за погодой в сельской местности или реанализа ERA5.

Наиболее точные оценки были достигнуты моделями повышения и опорных векторов с RMSE 0,7 K и R2 > 0,8 в среднем за 21 год. Некоторые модели машинного обучения, основанные только на реанализе, превзошли прогностическую точность гидродинамической модели COSMO для отдельных летних и зимних месяцев.

Однако при анализе более длительного периода (1977–2023 гг.) модели машинного обучения не смогли полностью воспроизвести наблюдаемую тенденцию увеличения ΔT, что свидетельствует о том, что в значительной степени (60–70%) это обусловлено ростом мегаполисов.

Важно отметить, что высота пограничного слоя атмосферы является ключевым фактором контроля для ΔT, а также подчеркивается важность температурных тенденций в качестве дополнительных предсказателей.

Это исследование открывает новые перспективы для прогнозирования погодных аномалий в городских условиях с использованием машинного обучения и представляет важный шаг к пониманию и преодолению эффектов "островов тепла" в мегаполисах.