Сезонные прогнозы на месяцы вперёд опираются на глобальные климатические модели, которые требуют точной инициализации океана, атмосферы и суши. Однако даже лучшие системы сталкиваются с дрейфом начального состояния, упрощёнными схемами подсеточных процессов и ограниченным числом членов ансамбля. Вокруг этой работы уже существуют подходы, обучающие нейросети на модельных данных для прогноза Эль-Ниньо или отдельных регионов, но они не покрывают квазиглобальный масштаб и не дают строгой оценки неопределённости. Данная работа стоит в этом же русле, но расширяет его на весь земной шар и добавляет вероятностную интерпретацию.
Авторы строят условный вариационный автоэнкодер (CVAE): кодировщик сжимает пару «предиктор–предиктант» в скрытую переменную, а декодировщик восстанавливает целевое поле с учётом этой переменной. Предиктором служит профиль потенциальной температуры океана на 15 глубинах от 5 до 300 метров за июль, предиктантом — средние осадки и температура на высоте 2 метра за октябрь–март. Модель обучается на 127 137 годах климатических симуляций из CMIP5 и CMIP6, включающих исторические, доиндустриальные и сценарные прогоны 12 центров. Архитектура использует свёрточные слои для учёта пространственной структуры, а трёхшаговая процедура обучения сначала регрессирует предиктант по предиктору при нулевой скрытой переменной, затем дообучает вариационную часть и в конце тонко настраивает все параметры. Для практического прогноза на 1982–2018 годы модель запускается на данных океанического реанализа ORAS5, а проверка ведётся по осадкам GPCP и температуре ERA5.
По сравнению с четырьмя моделями NMME (CCSM4, CanCM3, CanCM4, FLOR-B01) и их мультимодельным ансамблем, CVAE показывает более высокие коэффициенты корреляции и площади под ROC-кривой для осадков и температуры почти на всех континентах. Для температуры в восточной тропической части Тихого океана корреляция превышает 0.9, а AUC выше 0.85. На примере канадской модели CanESM авторы разделяют вклад ошибок инициализации и формулировки: прогноз CVAE, обученный только на CanESM, превосходит динамическую систему CanCM4 в Евразии, центральной части США и средних широтах Южного полушария. Сравнение прогнозов в «модельном мире» и реальном климате выявляет регионы, где модель недооценивает или переоценивает сезонный сигнал. Салиентные карты показывают, что нейросеть опирается на физически осмысленные паттерны: отрицательную связь осадков Морского континента с температурой восточно-центральной экваториальной Пацифики и положительную с локальным теплом, что соответствует циркуляции Уокера. Корреляция внутриансамблевой дисперсии с индексом Niño3.4 демонстрирует, что прогнозы, стартующие в годы Эль-Ниньо, имеют меньший разброс в Юго-Восточной Азии, Австралии и Южной Африке, тогда как годы Ла-Нинья дают большую неопределённость.
Работа показывает, что чисто статистическая модель, обученная на модельных данных, может служить эталоном для диагностики динамических систем. В отличие от соседних работ, которые фокусируются на отдельных регионах или явлениях, здесь охвачен квазиглобальный масштаб и впервые строго оценена вероятностная природа прогноза. Это позволяет количественно разделить вклад инициализации, формулировки и внутренней изменчивости в ошибки прогноза, чего не делали предыдущие подходы.
Метод можно распространить на другие предикторы, например, аномалии снежного покрова или влажности почвы, а также на субсезонные горизонты. Перспективно обучение отдельных генеративных моделей для каждого GCM с последующим их объединением в ансамбль, что позволит явно учесть межмодельный разброс. Также стоит адаптировать свёрточные архитектуры к сферической геометрии, чтобы избежать искажений у полюсов и разрывов на границе проекции.
Результаты напрямую касаются сезонного прогнозирования для сельского хозяйства, управления водными ресурсами и энергетики. Диагностические инструменты помогут разработчикам климатических моделей быстрее находить слабые места.
Следующим шагом будет проверка подхода на независимых периодах и включение дополнительных предикторов. Важно также сравнить модель с новыми динамическими системами, появившимися после 2018 года.
Работа связывает три нерешённые проблемы сезонного прогнозирования: как инициализировать модель без шоков состояния, как параметризовать неразрешённые процессы и как определить достаточный размер ансамбля. Предложенный вероятностный подход даёт инструмент для количественной оценки каждой из этих проблем, но не решает их полностью, поскольку опирается на те же климатические модели, чьи дефекты и выявляет.
Для обучения использовано 127 137 лет модельных данных: если бы один компьютер генерировал их непрерывно, ему потребовалось бы более 127 тысячелетий. При этом прогноз на один сезон модель выдаёт за доли секунды.
Идея учиться на «модельном мире», чтобы предсказывать реальный, перекликается с романом Лю Цысиня «Задача трёх тел», где виртуальная симуляция помогает понять хаотическую динамику. Только здесь симуляция используется не для выживания цивилизации, а для прогноза погоды на зиму.