Карта вероятностей Эль-Ниньо ✎

Оригинал: "Machine learning of committor functions for predicting high impact climate events"
arXiv:1910.11736 · 2019-10-25 · arXiv non-exclusive · собственный разбор · 2 мин
Вероятность будущего события зависит от текущего состояния климатической системы, и эту зависимость можно выучить нейросетью.

Представьте карту, на которой каждый участок океана окрашен своим оттенком: где-то цвет насыщенный — там будущее системы предопределено, где-то бледный — там исход зависит от случайного дуновения ветра. Такую карту вероятностей строят климатологи, чтобы понять, когда ждать сильного Эль-Ниньо — тёплого течения у берегов Южной Америки, которое меняет погоду по всей планете.

Проблема в том, что климатическая система хаотична: на коротких сроках прогноз ещё возможен, на очень длинных — можно говорить лишь о средних значениях. А вот промежуточный диапазон, от нескольких месяцев до пары десятилетий, остаётся серой зоной. Здесь и работает функция коммиттора: она показывает, с какой вероятностью система, стартующая из данной точки, достигнет порога сильного Эль-Ниньо за заданное время.

Функция коммиттора — это вероятность достичь порога за время. Для каждой начальной точки она своя. Вместо одного прогноза мы получаем целую карту вероятностей.

Чтобы построить такую карту, учёные используют модель Джина и Тиммерманна — три уравнения, описывающие взаимодействие океана и атмосферы в тропической части Тихого океана. В этой модели есть два переплетённых аттрактора, то есть области, к которым стремится система: один соответствует периодическим сильным Эль-Ниньо, другой — хаотическому поведению без таких событий. Добавление случайного шума позволяет системе переключаться между ними.

При промежуточном уровне шума в пространстве состояний выделились четыре области. Две из них — с вероятностью 0 или 1: там исход предрешён. Третья область — с плавно меняющейся вероятностью: прогноз возможен, но не точен. Четвёртая — с крайне чувствительной зависимостью от начальных условий: малейшее изменение начальной точки меняет вероятность с 0 до 1. Это и есть практическая непредсказуемость.

Нейросеть с тремя слоями (32, 64 и 1 нейрон) смогла восстановить функцию коммиттора для простой двумерной системы. Ошибка оказалась малой по сравнению с эталоном, полученным прямым моделированием.

Нейросетевой подход открывает путь к оценке коммиттора в более сложных моделях и по реальным данным. Вместо того чтобы гонять тысячи траекторий для каждой точки, можно обучить сеть на парах «начальное состояние — исход» и затем быстро вычислять вероятность для любого состояния. Это особенно ценно, когда прямое моделирование экспоненциально дорого.

Карта вероятностей, о которой шла речь в начале, перестаёт быть метафорой. Функция коммиттора даёт способ её нарисовать. И хотя до точного прогноза Эль-Ниньо ещё далеко, теперь по крайней мере ясно, где на карте лежат области, в которых прогноз в принципе возможен.

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.

Понятия
модель Джина–Тиммермана прогноз весенний барьер предсказуемости южная осцилляция эль-ниньо многомерный индекс ЭНСО эль-ниньо вероятностный прогноз энсо предсказуемость предсказание распространение экваториальных волн ла-нинья NOAA CPC модель осциллятора с подзарядкой ошибка предсказания ERSST североатлантическая осцилляция эффект конденсатора Индийского океана объём тёплой воды межгодовая изменчивость