Океан предупреждает шёпотом

Оригинал: "Using Network Theory and Machine Learning to predict El Niño"
arXiv:1803.10076 · 2018-03-27 · CC BY 4.0 · 1 мин
Тёплое течение Эль-Ниньо можно заметить за год: океан начинает «перешёптываться» парами.

Океан умеет предупреждать. Перед тем как Эль-Ниньо — тёплое течение, которое раз в несколько лет приносит засухи и наводнения, — разразится в полную силу, он начинает «перешёптываться»: далёкие точки океана связываются попарно. Раньше этот шёпот не умели слушать, и прогноз обрывался на шести месяцах. Весной модели слепли, как будто океан замолкал.

Учёные построили сеть из точек на карте океана. Если колебания в двух точках совпадают, между ними появляется связь. Оказалось, за год до Эль-Ниньо растёт число пар — точек, у которых есть ровно один партнёр. Этот показатель назвали c2.

c2 — это просто доля узлов, которые образуют пары. Когда океан начинает связываться попарно, c2 растёт, и это видно за год до события.

Новая модель работает в два шага. Сначала простая статистика ловит сезонные колебания, потом нейросеть доучивает то, что статистика пропустила. Вместо одного лишь показателя температуры в модель добавили c2. И прогноз на 12 месяцев вперёд стал таким же точным, как раньше был на 6. Теперь океан предупреждает нас задолго до того, как закричит.

Сетевой показатель c2 — это просто доля узлов, которые образуют пары. В климатической сети он растёт, когда локальные корреляции усиливаются перед Эль-Ниньо, и падает после. По сути, океан начинает «шептаться» парами, прежде чем закричать.

NRMSE(y_A, y_B) = \frac{1}{\max(y_A, y_B) - \min(y_A, y_B)} \sqrt{\frac{\sum_{k=1}^{n} (y_A^k - y_B^k)^2}{n}}
Ошибка прогноза, делённая на размах наблюдаемых значений; чем меньше, тем лучше.
c_s = \frac{s n_s}{N}
Доля узлов, входящих в кластеры размера s; для s=2 это пары связанных узлов.
Z_t = Y_t + N_t
Наблюдаемый ряд раскладывается на линейную часть Y_t (ARIMA) и нелинейный остаток N_t (нейросеть).
Понятия
весенний барьер предсказуемости южная осцилляция эль-ниньо регрессия нейронной сети энсо модель Джина–Тиммермана индекс Эль-Ниньо ла-нинья многомерный индекс ЭНСО нейронные сети прогностического обучения распространение экваториальных волн модель Зебиака–Кейна ансамблевый прогноз машинное обучение навык прогноза NOAA CPC ERSST NOAA PMEL TAO относительный они буйковые станции TAO/TRITON предсказание