Резкие переходы в сложных системах, от экологии до климата, трудно предсказать заранее. Существующие методы раннего предупреждения опираются на замедление динамики и рост временных корреляций, но часто дают сигнал слишком поздно. Вокруг данной работы уже развивается направление, использующее функциональные сети: соседние исследования показывают, как нейросети предсказывают невиданное или как климат подаёт знак раньше. Однако эти подходы либо требуют знания модели, либо дают ограниченное упреждение. Наша работа встраивается в это русло, но переносит акцент с глобальных характеристик на мезоскопический уровень: мы смотрим не на всю сеть целиком, а на вероятности принадлежности узла к кластерам разного размера.
Из временных рядов в каждой точке пространства вычисляются попарные корреляции Пирсона. Пары точек с корреляцией выше порога γ соединяются связями, образуя функциональную сеть. Затем анализируется перколяционный переход в этой сети: размер наибольшей связной компоненты S1 и средний размер остальных кластеров ⟨s²⟩. Ключевая идея — использовать вероятности $c_s$ того, что случайно выбранный узел принадлежит кластеру размера s. В случайных графах максимумы $c_s$ наступают при средних степенях $p_s$ = (s−1)/s, которые сходятся к точке перколяции, но для малых s наступают раньше. Эта последовательность пиков $c_s$ и служит ранним предупреждением.
Метод проверен на трёх моделях: озерной эвтрофикации с седло-узловой бифуркацией, уравнении Гинзбурга–Ландау с вилочковой бифуркацией и системе Лоренца-96 с бифуркацией Хопфа и переходом к хаосу. Во всех случаях перколяционный переход в функциональной сети происходит до динамического перехода, а пики $c_s$ дают ещё более раннее предупреждение. Например, для модели озера пик c₂ наступает при p=0.635, тогда как динамический скачок происходит при $p_d$≈0.658, что вдвое раньше, чем сигнал от перколяционного перехода. Для уравнения Гинзбурга–Ландау наблюдаются два перколяционных перехода с обеих сторон от бифуркации. В системе Лоренца-96 перколяционная фаза существует в промежуточном диапазоне параметров, а пики c₂ приближаются к точкам перехода при увеличении порога γ. На реальных данных температуры поверхности океана в регионе NINO3.4 метод обнаружил предвестники событий Эль-Ниньо и Ла-Нинья за 115–240 дней до их официального начала.
Работа отличается от соседних исследований тем, что вводит мезоскопический взгляд: вместо глобальных метрик (дисперсия, кластеризация) или локальных (степень узла) используются вероятности принадлежности к кластерам малого размера. Это позволяет получить более раннее предупреждение, чем стандартные индикаторы перколяции, и не требует знания динамики системы. Метод универсален для систем с ростом пространственных корреляций при приближении к бифуркации, что характерно для диффузионно связанных систем с критическим замедлением.
Метод можно распространить на системы с более сложной топологией, не обязательно пространственно вложенные. Также перспективно исследовать оптимальный выбор порога γ и размера кластера s в реальном времени, возможно, с адаптивными алгоритмами. Применение к другим климатическим индексам или биологическим системам может выявить новые закономерности.
Метод может улучшить раннее предупреждение о климатических событиях, таких как Эль-Ниньо, и помочь в мониторинге экологических или физиологических систем, где резкие переходы опасны.
Проверить метод на других наборах данных, например, на ледовых кернах или финансовых временных рядах. Разработать алгоритм автоматического выбора порога γ и размера кластера s в реальном времени.
В области прогнозирования критических переходов остаётся открытым вопрос о том, как отличить истинный сигнал от шума в коротких временных рядах. Данный метод предлагает способ усиления сигнала за счёт пространственной агрегации, но требует дальнейшей проверки на системах с сильной нестационарностью.
Для модели озера пик вероятности c₂ наступает при p=0.635, тогда как сам переход происходит при p=0.658 — разница в 0.023 по параметру, что соответствует заметному упреждению во времени.
Идея предсказывать катастрофу по росту корреляций напоминает концепцию «психотической сети» из романа Айзека Азимова «Академия», где Гэри Селдон предсказывал крах Империи по статистическим закономерностям.