Климат на планете формируется множеством удалённых взаимодействий: колебания в одном регионе отзываются в другом через атмосферные и океанические течения. Глобальные климатические модели воспроизводят эти связи, но из-за сложности из них трудно извлечь доминирующие физические механизмы на отдельных временных масштабах. Рядом с этой работой в архиве лежат исследования, которые тоже ищут простые динамические описания климатических сигналов: одни предсказывают Эль-Ниньо за полтора года, другие отделяют погодный шум от климатического сигнала. Настоящая статья делает следующий шаг: она не просто описывает отдельный индекс, а строит мост между двумя индексами через функции связи.
Авторы берут ежемесячные индексы Nino3.4 и IOD с 1870 по 2018 год. Для каждого индекса по отдельности они вычисляют сезонную устойчивость a(t) и интенсивность шума N(t) из вторых статистических моментов данных. Затем они расширяют модель до двух уравнений, добавляя функции связи b12(t) и b21(t), которые описывают влияние одного явления на другое. Эти функции тоже вычисляются из данных: из ковариаций между индексами в каждый месяц. Процедура не требует подгонки параметров вручную, все коэффициенты выводятся аналитически из наблюдаемой статистики.
Для Эль-Ниньо функция связи b12(t), показывающая влияние диполя Индийского океана, колеблется около нуля в течение года и лишь в августе становится слегка отрицательной. Это означает, что диполь Индийского океана почти не влияет на сезонную изменчивость Эль-Ниньо, за исключением возможного слабого усиления устойчивости в конце лета. В противоположном направлении картина иная: функция b21(t), описывающая влияние Эль-Ниньо на диполь, имеет большую амплитуду и достигает максимума в августе. Суммарная устойчивость a2(t) - b21(t) для диполя близка к устойчивости, вычисленной только по данным IOD, что говорит о том, что Эль-Ниньо вносит основной вклад в стабилизацию диполя в сезонном цикле. Модельные симуляции воспроизводят месячные стандартные отклонения и ковариацию между индексами, причём максимум ковариации приходится на октябрь, когда диполь достигает пика изменчивости.
Работа показывает, что функции связи дают более информативную картину взаимодействия климатических подсистем, чем простая ковариация. В отличие от соседних исследований, которые фокусируются на предсказании одного индекса или на отделении сигнала от шума, здесь впервые количественно разделены направленные влияния между двумя тропическими явлениями на сезонном масштабе. Это подтверждает гипотезу о доминирующей роли Эль-Ниньо в формировании диполя Индийского океана и согласуется с результатами глобальных моделей.
Метод естественно обобщается на большее число переменных, что позволит строить сети взаимодействий для многих климатических индексов. Такая сеть может стать основой для сезонного прогнозирования аномалий в разных регионах на основе единой стохастической динамики.
Результаты важны для сезонного прогнозирования климата в тропиках, особенно для регионов, зависящих от муссонов и явлений Эль-Ниньо и диполя Индийского океана.
Следующим шагом будет включение в модель дополнительных индексов, таких как Атлантический меридиональный мод или Тихоокеанское декадное колебание, и проверка предсказательной способности сети на независимых данных.
В климатологии остаётся открытым вопрос о том, как выделить причинно-следственные связи из корреляций в коротких и зашумлённых рядах наблюдений. Данный подход предлагает способ извлечения направленных взаимодействий из вторых моментов, что напрямую связано с проблемой идентификации телесвязей и построения эмпирических динамических моделей.
Названия Эль-Ниньо и Ла-Нинья связаны с Рождеством: тёплая фаза часто достигает пика в декабре, и перуанские рыбаки назвали её в честь младенца Иисуса.