Муссон за 18 месяцев: где прячется предсказуемость
Контекст
Прогноз индийского летнего муссона (июнь–сентябрь) — это вопрос продовольственной безопасности для сотен миллионов людей. С 1884 года, когда Бланфорд построил первую эмпирическую модель, точность сезонных прогнозов почти не выросла: корреляция операционных прогнозов Индийского метеорологического департамента за 1989–2012 годы отрицательна (-0.12). Соседние работы в нашем архиве идут в общем русле: они ищут предвестники в Эль-Ниньо, засухах и нейросетевых подходах, но никто не оценивал предел предсказуемости на столь дальних сроках. Данная работа стоит особняком: она впервые показывает, что потенциал предсказуемости сохраняется даже при заблаговременности 18 месяцев, и объясняет, почему линейные методы его не реализуют.
Методы
Авторы отказались от традиционного подхода, когда предсказатель выбирают по карте корреляций в одном регионе (например, индекс Nino3.4). Вместо этого они берут глобальное поле аномалий глубины 20-градусной изотермы (D20) в тропиках (30°S–30°N) и проецируют его на карту корреляций с осадками муссона за все 24 месяца запаздывания. Такой предсказатель Dp суммирует вклад сразу трёх океанских бассейнов: Тихого, Индийского и Атлантического. Для сравнения те же проекции делаются для теплосодержания верхних 200 метров (Hp) и температуры поверхности океана (Sp). Затем строится простая линейная регрессия, обученная на скользящем 50-летнем окне, и делаются ретроспективные прогнозы на 88 лет (1923–2010). Рост ошибок оценивается по разбросу траекторий D20 для 20 сильных событий Эль-Ниньо.
Результаты
Корреляция между предсказателем Dp(-18), построенным по декабрьским аномалиям D20 за два года до муссона, и осадками ISMR достигает 0.84 на всём периоде 1871–2008. В ретроспективных тестах с частичной независимостью корреляция поднимается до 0.86 при RMSE 41.94 мм, что близко к пределу потенциальной предсказуемости, оценённому ранее в 0.82. При этом 5-месячный прогноз даёт 0.81, а 1-месячный — лишь 0.66. Парадоксально, но чем дальше заблаговременность, тем выше мастерство. Причина в том, что декабрьские условия за два года соответствуют фазе медленного роста ошибок в цикле перезарядки-разрядки Эль-Ниньо, тогда как майские условия попадают в фазу быстрого роста. Полностью независимые прогнозы на 1980–2010 годы, когда данные этого периода не использовались ни для поиска предсказателя, ни для обучения, обрушиваются до корреляции 0.07. Это показывает, что высокий потенциал держится на мелкомасштабных нелинейных аномалиях D20, которые меняются от события к событию и не улавливаются линейной схемой.
Значение
Работа впервые даёт количественную оценку предела предсказуемости индийского муссона на 18 месяцев и объясняет, почему линейные эмпирические модели никогда его не достигали. В отличие от соседних исследований, которые ищут отдельные предвестники или улучшают краткосрочные прогнозы, здесь показано, что сигнал распределён по всему тропическому поясу и требует нелинейного подхода. Это смещает фокус с поиска «лучшего индекса» на разработку нелинейных методов, способных уловить событийную изменчивость Эль-Ниньо.
Развитие
Следующий логичный шаг — применить глубокое обучение к тому же полю D20, чтобы автоматически выделять нелинейные паттерны, которые линейная проекция теряет. Успех нейросетей в долгосрочном прогнозе Эль-Ниньо (Ham et al., 2019) подсказывает, что аналогичный подход может сработать и для муссона. Также стоит проверить, сохранится ли высокая корреляция при использовании независимых данных реанализа, например, ORAS5 вместо SODA.
Влияние
Результаты напрямую влияют на разработку систем сезонного прогнозирования для сельского хозяйства и управления водными ресурсами Индии. Они также дают ориентир для динамических моделей: если модель не воспроизводит медленную эволюцию D20 в тропиках, её долгосрочные прогнозы муссона обречены на провал.
Следующие шаги
Построить нелинейную модель (например, на основе свёрточных нейросетей или градиентного бустинга), обученную на том же поле D20, и проверить её в полностью независимом режиме на последних 30 годах. Параллельно оценить, как выбор океанского реанализа влияет на устойчивость предсказателя.
Ключевые проблемы
Работа напрямую связана с нерешённой проблемой сезонной предсказуемости муссона: почему все операционные модели, и эмпирические, и динамические, систематически недобирают до предела потенциальной предсказуемости. Авторы показывают, что корень проблемы не в отсутствии сигнала, а в его нелинейной природе, которую линейные методы игнорируют. Это перекликается с давним спором о «весеннем барьере предсказуемости» Эль-Ниньо и о том, как событийная изменчивость ограничивает прогноз.
Корреляция 0.86 на 18 месяцев вперёд выше, чем у большинства прогнозов на один сезон. Для сравнения, лучшие динамические системы дают около 0.6 на 1–2 месяца.
Идея заглянуть в климат на годы вперёд по медленным океанским волнам напоминает «Трилогию о Марсе» Кима Стэнли Робинсона, где колонисты используют долгосрочные климатические циклы для планирования терраформирования.
Ключевые числа
- корреляция 18-месячного прогноза: 0.86
- корреляция 1-месячного прогноза: 0.66
- RMSE 18-месячного прогноза: 41.94 мм
- период данных: 1871–2010
- количество сильных Эль-Ниньо для оценки ошибок: 20