Климатологи вручную определяют такие явления, как Эль-Ниньо, через пороговые значения аномалий температуры в определённых регионах. Рядом с этой работой в архиве лежат исследования, где нейросети ищут новые галактики, отделяют климатический сигнал от погодного шума или восстанавливают свойства нейтронных звёзд. Все они используют машинное обучение для извлечения структуры из сложных данных, но данная работа стоит особняком: она первой применяет причинный подход к реальным климатическим данным, а не к синтетическим примерам.
Авторы взяли данные реанализа NCEP-DOE Reanalysis 2 за 1979–2014 годы и извлекли недельные средние значения зонального ветра и температуры поверхности океана в экваториальной полосе Тихого океана (140°–280° в.д., 10° ю.ш.–10° с.ш.). Они адаптировали свой прежний алгоритм причинного обучения признаков, заменив оценку плотности вероятности на регрессию условного среднего. Сначала нейросеть с тремя скрытыми слоями предсказывала температуру по ветру, затем результаты регрессии кластеризовались, чтобы получить макросостояния ветра. Для каждого состояния ветра вычислялось k-ближайших соседей среди температурных карт, и эти представления кластеризовались в макросостояния температуры.
Алгоритм выделил четыре состояния ветра и четыре состояния температуры. Два состояния температуры точно совпали с Эль-Ниньо и Ла-Ниньей: более 75% недель в этих состояниях превышали порог слабой аномалии (0.5°C), а более 50% — порог сильной аномалии (1.5°C). Для сравнения, кластеризация k-средних даже с 16 кластерами не достигала такой точности. На перемешанных данных алгоритм не находил значимых состояний, что подтверждает его чувствительность к реальным причинным связям. При увеличении числа состояний от 4 до 16 точность определения Эль-Ниньо и Ла-Ниньи росла медленно, а сами состояния дробились на подклассы.
Работа показывает, что причинное обучение признаков может автоматически извлекать климатические макропеременные без ручной настройки. В отличие от соседних работ, которые используют обычное машинное обучение для предсказаний или кластеризации, здесь впервые применён причинный подход к реальным данным о ветре и температуре. Это открывает путь к обнаружению новых климатических явлений и к более строгому определению известных. Метод также позволяет формулировать гипотезы для дорогих климатических симуляций.
Метод можно распространить на другие пары переменных в климатической системе, например, на давление и осадки. Теоретическое расширение на системы с обратными связями позволит проверять причинные гипотезы с помощью климатических моделей. Возможно обнаружение новых типов Эль-Ниньо, на которые указывает дробление состояний при увеличении их числа.
Результаты повлияют на климатологию, океанографию и науки о данных.
Проверить метод на других климатических переменных и разработать теоретическое обоснование для систем с обратными связями.
В климатологии остаётся открытым вопрос о точном определении Эль-Ниньо и его причинах. Работа предлагает способ автоматического выделения таких явлений из данных, что может помочь в разрешении споров о типах Эль-Ниньо.
Название «Эль-Ниньо» происходит от испанского «младенец», потому что тёплое течение часто появляется около Рождества.