Климатологи давно строят сети из временных рядов, чтобы понять, как далёкие регионы влияют друг на друга. Рядом с этой работой в архиве лежат исследования, которые ищут связи в генных сетях, предсказывают засуху по погодным данным и используют искусственный интеллект для анализа космической паутины. Все они решают общую задачу: как из наблюдений вытащить направленные взаимодействия. Данная статья стоит в этом ряду, но приносит инструмент из другой области — нейрофизиологии, где проблема шума и слабых связей стоит особенно остро.
Авторы взяли два метода, хорошо зарекомендовавших себя в анализе сигналов мозга: ренормализованную частичную направленную когерентность (rPDC) и направленную частичную корреляцию (DPC). Оба метода опираются на модель авторегрессии, которая описывает, как текущее значение ряда зависит от его прошлых значений и от прошлых значений другого ряда. Чтобы учесть неизбежный шум наблюдений, модель строится в пространстве состояний. Для сравнения использовали также классический тест Грanger causality estimator (GCE), который не учитывает шум. Сначала методы проверили на синтетических данных с известным направлением связи, затем применили к реальным климатическим индексам: NINO3.4 (температура поверхности океана в тропической части Тихого океана) и All India Rainfall (осадки над Индией), а также к данным по Южно-Атлантической конвергентной зоне.
На синтетическом примере rPDC и DPC чётко определили направление связи, тогда как GCE дал ложный сигнал в обратную сторону из-за шума. Для пары Эль-Ниньо–муссон все три метода согласились: влияние Эль-Ниньо на осадки в Индии значительно сильнее, чем обратное. DPC дополнительно показал, что связь запаздывает на один-два года. Для Южно-Атлантической конвергентной зоны сравнение DPC и GCE по годам выявило высокую корреляцию (0.85) для направления от океана к атмосфере, что подтверждает гипотезу о том, что в некоторые годы океан действительно вынуждает атмосферу. В одном году (1983) DPC зафиксировал отрицательное влияние атмосферы на океан, чего GCE не может увидеть в принципе.
Работа показывает, что методы, созданные для анализа нейронных сетей, можно переносить на климатические данные без потери смысла. В отличие от соседних исследований, которые либо используют более простые меры причинности, либо сосредоточены на предсказании, здесь впервые систематически применён подход с учётом шума наблюдений и с возможностью оценивать знак взаимодействия. Это даёт климатологам более тонкий инструмент для проверки гипотез о механизмах, например, о знаке обратной связи в системе океан–атмосфера.
Методы rPDC и DPC можно будет применить к другим парам климатических индексов, например, к связям между разными бассейнами океана или между атмосферой и ледяным покровом. Важным направлением станет автоматический выбор порядка авторегрессионной модели, чтобы исключить субъективность. Также потребуется проверка на суррогатных данных, чтобы убедиться, что найденные связи не являются артефактом.
Результаты будут полезны климатологам, изучающим телеконнекции, и специалистам по анализу временных рядов в геофизике. Методы могут быть адаптированы для других задач, где важна направленность связей, например, в экономике или экологии.
Провести детальное исследование чувствительности методов к выбору порядка модели и к длине временного ряда. Проверить выводы для Южно-Атлантической конвергентной зоны на независимых данных и с помощью суррогатных тестов.
В климатологии остаётся открытым вопрос о том, как отделить истинные причинные связи от ложных корреляций в коротких и зашумлённых рядах наблюдений. Данная работа предлагает путь решения через учёт шума в модели, но проблема выбора правильной размерности модели и нелинейных эффектов остаётся.
Индекс NINO3.4, использованный в работе, вычисляется по температуре поверхности океана в области размером примерно с Австралию. Средняя аномалия температуры там меняется всего на несколько десятых градуса, но этого достаточно, чтобы изменить погоду на другом конце планеты.