Прогноз редких, но значимых климатических событий — таких как Эль-Ниньо, волны жары или наводнения — остаётся одной из самых сложных задач науки о климате. Динамика атмосферы и океана хаотична: на временах короче времени Ляпунова возможен детерминированный прогноз, на временах много больше времени перемешивания — лишь климатические средние. Но практический интерес лежит в промежуточном диапазоне, который авторы называют границей предсказуемости. Работа стоит в русле современных попыток использовать машинное обучение для извлечения динамических величин из данных, но, в отличие от многих соседних исследований, фокусируется не на улучшении точечного прогноза, а на вероятностной структуре самой предсказуемости.
Авторы используют модель Джина и Тиммерманна — низкоразмерную систему из трёх обыкновенных дифференциальных уравнений, описывающую взаимодействие океана и атмосферы в тропической части Тихого океана. Модель имеет два переплетённых аттрактора: периодический, соответствующий сильным Эль-Ниньо, и хаотический без таких событий. Добавление шума позволяет системе переключаться между аттракторами. Функция коммиттора определяется как вероятность того, что траектория, стартующая из точки x, достигнет порога (сильное Эль-Ниньо) раньше, чем истечёт заданное время T. Для оценки коммиттора генерируются ансамбли траекторий из каждой начальной точки. Параллельно предлагается метод машинного обучения: коммиттор параметризуется нейронной сетью, которая обучается минимизировать логарифмическую функцию правдоподобия Бернулли на парах «начальное состояние — исход (событие произошло или нет)». Подход сначала проверяется на простой двумерной градиентной динамике с двумя аттракторами.
Для модели Джина и Тиммерманна вычислен коммиттор при разных уровнях шума. При промежуточном уровне шума (σ = 0.00005) в пространстве состояний выделяются четыре области: две области с вероятностью 0 или 1 (полная предсказуемость), область с плавно меняющейся вероятностью между 0 и 1 (вероятностно предсказуемая область) и область с крайне чувствительной зависимостью от начальных условий (практически непредсказуемая). Существование вероятностно предсказуемой области — новый результат, который, по мнению авторов, должен быть общим для многих задач климатической динамики. Нейросеть с архитектурой многослойного персептрона (3 слоя, 32, 64 и 1 нейрон, активация ReLU) успешно восстановила коммиттор для простой двумерной системы, показав малую ошибку по сравнению с эталоном, полученным прямым моделированием.
Работа переносит в климатологию строгий математический аппарат теории переходов между состояниями. В отличие от соседних исследований, которые часто ограничиваются улучшением детерминированных прогнозов или классификацией событий, здесь вводится и вычисляется именно вероятностная мера предсказуемости. Это позволяет разделить состояния системы по их внутренней предсказуемости, что принципиально важно для честной оценки неопределённости прогноза. Метод машинного обучения открывает путь к оценке коммиттора в высокоразмерных моделях и по реальным данным, где прямое вычисление невозможно из-за экспоненциального роста требуемого числа траекторий.
Естественное продолжение — применение нейросетевого подхода к самой модели Джина и Тиммерманна, а затем к более сложным климатическим моделям и данным наблюдений. Важно оценить, сколько данных требуется для надёжного обучения коммиттора в реалистичных размерностях. Возможно также распространение на другие редкие события: волны жары, засухи, экстремальные осадки. Интерес представляет и теоретический анализ того, какие свойства динамики порождают вероятностно предсказуемые области.
Результаты могут улучшить вероятностные прогнозы Эль-Ниньо и других климатических событий на сезонных и межгодовых масштабах, а также повлиять на развитие методов машинного обучения в науках о Земле.
Обучить нейронную сеть для оценки коммиттора в модели Джина и Тиммерманна и определить минимальный объём данных, необходимый для точного восстановления функции в этой системе.
Работа напрямую связана с нерешённой проблемой предсказуемости редких климатических событий на промежуточных временных масштабах, где детерминированный прогноз уже невозможен, а климатологические средние ещё не информативны. Введение коммиттора даёт строгую математическую основу для описания этой «серой зоны» и позволяет количественно оценить, какие состояния системы действительно несут предсказательную информацию.
В модели Джина и Тиммерманна два аттрактора — периодический и хаотический — переплетены в пространстве состояний, как нити в клубке, так что сколь угодно близкие начальные точки могут привести к совершенно разным судьбам.