Океан дирижирует реками: как нейросеть услышала весь оркестр, а не только первую скрипку ✎

Оригинал: "Explainable deep learning for insights in El Niño and river flows"
arXiv:2201.02596 · 2022-01-07 · arXiv non-exclusive · собственный разбор · 2 мин
Обученная на всей температуре Тихого и Индийского океанов, нейросеть предсказывает сток Амазонки и Конго лучше, чем классические индексы Эль-Ниньо.

Оркестр играет симфонию, а вы слушаете только первую скрипку. Примерно так десятилетиями работали прогнозы речного стока: весь сигнал Эль-Ниньо сводили к одному числу, рассчитанному по маленькому прямоугольнику в Тихом океане. Между тем океан — это огромный ансамбль, где тепло перетекает из одного района в другой, и его полная партитура содержит куда больше информации, чем одна нота.

Эль-Ниньо — Южное колебание (периодическое потепление экваториальной части Тихого океана) сдвигает сроки наводнений в Африке, меняет сток Ганга, Амазонки и Конго. Но прогноз самого Эль-Ниньо на годы вперед остается трудным, а вместе с ним и прогноз его гидрологических последствий.

Авторы нового исследования решили дать нейросети послушать весь оркестр. Они взяли температуру поверхности океана за 56 лет на огромной акватории от Индийского океана до середины Тихого и обучили сверточную нейросеть предсказывать, сколько воды протечет через Амазонку и Конго в ближайшие месяцы. Для сравнения другие модели получали только классический индекс Niño 3.4 — ту самую первую скрипку.

Результат оказался красноречивым. Нейросеть, видевшая все поле температуры, ошиблась меньше, чем ансамбль моделей на одном индексе: для Амазонки ошибка упала с 0.461 до 0.294, для Конго — с 0.711 до 0.476. Но главное даже не точность, а то, куда смотрела сеть. Карты значимости показали: она опиралась не только на каноническую область Эль-Ниньо, но и на Индийский океан, а также на дальние связи между тропическими районами Тихого, Индийского и даже Атлантического океанов.

Карта значимости — это карта вклада каждого пикселя в прогноз. Она показывает, какие области океана важнее всего для предсказания стока реки.

Однако оркестр звучит по-разному в разных залах. Когда сеть обучали на модельных данных, она находила сильные дальние связи — порой через половину земного шара. А вот в реальных наблюдениях таких телесвязей оказалось заметно меньше. Это согласуется с известным фактом: модели Земной системы склонны к более сильной связанности компонентов, чем наблюдения. Возможно, модели преувеличивают дальние взаимодействия, и это стоит учитывать при прогнозах.

И все же главный урок в том, что океан дирижирует реками не одной палочкой, а всем оркестром. Слушая только первую скрипку, мы упускаем важные гармонии. Нейросеть, обученная на полной партитуре, уже сегодня предсказывает сток лучше, а завтра поможет проверить, насколько реалистично климатические модели воспроизводят эти дальние связи. Возможно, именно так мы научимся понимать, как океан управляет реками в меняющемся климате.

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.

S = \frac{\partial y}{\partial X}
Показывает, насколько сильно каждый пиксель входного изображения температуры океана влияет на предсказание стока реки.
S_M = \frac{1}{M} \sum_{t=1}^{M} \frac{\partial y_t}{\partial X_t}
Усреднение карт значимости за цикл (например, 12 месяцев) для подавления шума и выделения устойчивых паттернов.
Понятия
энсо южная осцилляция эль-ниньо индекс Эль-Ниньо ERSST модель Джина–Тиммермана распространение экваториальных волн весенний барьер предсказуемости многомерный индекс ЭНСО ла-нинья южная осцилляция модель осциллятора с подзарядкой объём тёплой воды относительный они NOAA CPC регрессия нейронной сети буйковые станции TAO/TRITON телеконнекция глубокая нейронная сеть вспышка западных ветров северное экваториальное противотечение