Эль-Ниньо — это тёплое течение в тропической части Тихого океана, которое раз в несколько лет меняет погоду по всему миру: вызывает засухи, наводнения и ураганы. Предсказывать его появление сложно, потому что он связан с так называемыми телесвязями — дальними взаимодействиями между регионами, отстоящими друг от друга на тысячи километров. Классические модели, основанные на свёрточных нейросетях, хорошо ловят локальные закономерности, но плохо учитывают такие глобальные связи. Вокруг этой задачи уже сложилось целое направление: одни исследователи предсказывают Эль-Ниньо по временным рядам индекса, другие — по картам температуры, третьи строят климатические сети, где узлы — точки на сетке, а связи — статистические зависимости. Наша работа стоит рядом с этими попытками, но делает шаг в сторону: вместо фиксированных локальных фильтров мы даём модели свободу самой находить важные связи между любыми точками океана.
Авторы взяли данные о температуре поверхности океана из набора ERSSTv5 с 1871 по 1973 год для обучения и с 1984 по 2020 для проверки. Они представили карту океана как граф: каждая точка сетки стала узлом, а связи между точками модель могла настраивать в процессе обучения. В отличие от свёрточных нейросетей, которые предполагают, что важные закономерности находятся рядом, графовая сеть позволяет информации течь по любым рёбрам — например, от западной части Тихого океана к восточной. Архитектуру взяли за основу из недавней работы по прогнозированию трафика и адаптировали под климатические данные. На первом этапе использовали простую двухслойную сеть без заранее заданных рёбер, чтобы проверить саму идею.
Первые результаты обнадёживают. Для прогноза на один месяц вперёд графовая сеть достигла корреляции 0,9867, тогда как свёрточная модель из предыдущей работы показывала около 0,94. На три месяца вперёд корреляция составила 0,8936 против 0,8742. На шесть месяцев вперёд графовая модель пока уступает: 0,6776 против 0,7616. Авторы связывают это с малым объёмом данных (всего 1233 точки в обучающей выборке) и с тем, что для дальних прогнозов температуры поверхности океана недостаточно — нужны данные о теплосодержании верхнего слоя океана.
Работа впервые показывает, что графовые нейросети применимы к сезонному прогнозированию климата. Это отличает её от соседних исследований, которые опирались на свёрточные сети или классические статистические методы. Главное преимущество графового подхода — интерпретируемость: после обучения можно посмотреть, какие рёбра модель сочла важными, и сравнить их с известными телесвязями. Если такие связи совпадут с физическими закономерностями, это укрепит доверие к модели и поможет климатологам лучше понять механизм Эль-Ниньо.
В будущем авторы планируют добавить в модель другие переменные: теплосодержание океана, давление на уровне моря, ветер. Это должно улучшить прогнозы на шесть и более месяцев. Также они рассматривают возможность использовать данные климатических моделей CMIP5 для предобучения, чтобы компенсировать нехватку наблюдений. Ещё одно направление — прогнозировать не только индекс, но и пространственное распределение аномалий температуры, что позволит классифицировать типы Эль-Ниньо.
Улучшенные прогнозы Эль-Ниньо помогут заранее готовиться к засухам и наводнениям в сельском хозяйстве, энергетике и здравоохранении. Кроме того, успех графовых сетей в этой задаче может распространиться на другие климатические явления, такие как другие океанические осцилляции или прогноз погоды.
Ближайшие шаги — включить в модель данные о теплосодержании океана и применить трансферное обучение с моделей CMIP5. Также стоит попробовать более глубокие архитектуры и сравнить их с ансамблями динамических моделей.
Для климатологии ключевая нерешённая проблема — предсказуемость Эль-Ниньо на сроках более шести месяцев, так называемый «весенний барьер предсказуемости». Эта работа напрямую касается её, предлагая новый класс моделей, которые могут лучше улавливать медленные глобальные процессы.
Название «Эль-Ниньо» (по-испански «мальчик») дали перуанские рыбаки, заметившие, что тёплое течение приходит около Рождества. А графовые нейросети, использованные в работе, изначально разрабатывались для прогнозирования дорожного трафика.
В романе Кима Стэнли Робинсона «Сорок знаков дождя» климатологи борются с последствиями резких изменений океанических течений. Улучшенные прогнозы Эль-Ниньо могли бы стать тем самым инструментом, который помогает человечеству подготовиться к капризам океана.