Эль-Ниньо — Южное колебание (ЭНСО) считается главным источником межгодовой изменчивости погоды. Оно сдвигает сроки наводнений в Африке, меняет сток Ганга, Амазонки и Конго. Однако прогноз самого ЭНСО на годы вперед остается трудным, а вместе с ним и прогноз его гидрологических последствий. Одна из причин — произвольность прямоугольных областей, по которым считают индексы ЭНСО. Уже были намеки, что ЭНСО является частью более крупной системы взаимосвязанных колебаний температуры океана, но как извлечь эту информацию и перенести ее на реки, оставалось неясным. Работа стоит на отшибе: рядом почти никого, ближайший сосед по архиву — исследование о предсказании Эль-Ниньо за полтора года, но оно не касается рек. Другие соседние работы используют нейросети для анализа воды, суперсплавов и солнечных нейтрино, но не связывают океан с гидрологией.
Взяли месячные данные температуры поверхности океана (ТПО) с 1950 по 2005 год из 32 моделей проекта CMIP5 и трех реанализов (Hadley-OI, COBE, ERSSTv5). Область охватывает низкие широты Тихого и Индийского океанов от 37.5°N до 42.5°S и от 50.5°E до 0.5°W — это прямоугольник 80 на 300 ячеек. Сверточная нейросеть с четырьмя сверточными и тремя полносвязными слоями обучалась предсказывать трехмесячное скользящее среднее стока Амазонки (станция Обидус) и Конго (станция Киншаса). Для сравнения использовали ансамбль из шести моделей машинного обучения, которым подавали только индекс Niño 3.4 — среднюю аномалию ТПО в небольшом прямоугольнике (5°S–5°N, 170°W–120°W). Затем строили карты значимости (saliency maps) — производные выхода сети по входным пикселям, показывающие, какие области океана важнее всего для прогноза. Дополнительно строили климатические сети: считали корреляции Пирсона между временными рядами ТПО во всех парах точек и отмечали ребра при превышении порога, отделяя ближние связи от дальних телесвязей.
Нейросеть, видевшая все поле ТПО, предсказывала сток обеих рек лучше, чем ансамбль моделей на индексе Niño 3.4, и лучше, чем историческое среднее. Для Амазонки среднеквадратичная ошибка (RMSE) упала до 0.294 против 0.461 у лучшего индексного метода и 0.287 у исторического среднего. Для Конго выигрыш был скромнее: RMSE 0.476 против 0.711 у лучшего индексного метода и 0.462 у исторического среднего. Карты значимости показали, что при использовании модельных данных модель опирается на тропическую часть Тихого океана и Индийский океан, а не только на каноническую область ЭНСО. Для реанализов карты оказались размытыми, но линейная и нелинейная информация о стоке в глобальной ТПО подтвердилась. Климатические сети выявили сильные телесвязи между тропическими районами Тихого, Индийского и даже Атлантического океанов в модельных данных, тогда как в реанализах дальних связей было заметно меньше. Это согласуется с известным фактом, что модели Земной системы склонны к более сильной связанности компонентов, чем наблюдения.
Работа отличается от соседей тем, что соединяет объяснимый глубокий обучение с климатическими сетями и переносит предсказания ЭНСО на речной сток. Соседние исследования либо предсказывают сам индекс ЭНСО, либо применяют нейросети к другим задачам (прозрачность воды, суперсплавы, нейтрино), но не извлекают интерпретируемые пространственные сигналы для гидрологии. Здесь впервые показано, что информация за пределами канонической области ЭНСО улучшает прогноз стока, и что модельные данные содержат более сильные телесвязи, чем реанализы. Это ставит вопрос о том, можно ли с помощью данных и машинного обучения количественно оценить и сократить разрыв между моделями и наблюдениями.
Если подход применить к большему числу рек и более длинным рядам, можно построить глобальную карту чувствительности стока к разным областям океана. Это поможет понять, какие телесвязи действительно важны для региональной гидрологии и как они меняются в разных климатических сценариях. Другое направление — использовать карты значимости для улучшения самих моделей Земной системы, указывая на избыточную связанность или недостающие процессы.
Метод может улучшить сезонные и межгодовые прогнозы речного стока для управления водными ресурсами, сельским хозяйством и гидроэнергетикой в тропических регионах. Также он дает инструмент для проверки климатических моделей на реалистичность телесвязей.
Проверить подход на других крупных реках (Ганг, Меконг, Нил) и на более длинных рядах, включая данные после 2005 года. Сравнить карты значимости для разных моделей CMIP5 и CMIP6, чтобы понять, какие модели лучше воспроизводят наблюдаемые связи.
В гидрологии остается нерешенной проблема предсказания стока на межгодовых масштабах: физические модели часто не улавливают нелинейные телесвязи, а статистические методы ограничены выбором признаков. Данная работа показывает, что глубокое обучение с объяснением может извлекать эти связи автоматически, но перенос с модельных данных на наблюдения все еще ненадежен из-за разницы в структуре корреляций.
Порог для телесвязи в модельных данных был установлен на расстоянии 19000 км — это почти половина окружности Земли. В реанализах порог пришлось снизить до 15000 км, потому что дальних связей там меньше.