Океан как оркестр: почему нейросеть предсказывает реки лучше, когда слушает всех музыкантов ✎

Оригинал: "Explainable deep learning for insights in El Niño and river flows"
arXiv:2201.02596 · 2022-01-07 · arXiv non-exclusive · собственный разбор · 1 мин
Нейросеть, которая видит температуру всего океана, предсказывает разлив Амазонки и Конго точнее, чем старые методы с одним числом.

Оркестр играет, а вы слышите только одну скрипку. Так раньше предсказывали разлив рек: брали температуру воды в маленьком квадратике Тихого океана и по нему судили, будет ли наводнение на Амазонке. Но океан огромный, и тепло в нем перетекает из одного места в другое, как музыка от разных инструментов.

Эль-Ниньо — это периодическое потепление экваториальной части Тихого океана. Оно влияет на погоду по всему миру, в том числе на реки.

Ученые дали нейросети послушать весь оркестр: показали температуру поверхности океана за 56 лет на огромной площади от Индийского океана до середины Тихого. Нейросеть научилась предсказывать, сколько воды протечет через Амазонку и Конго. Оказалось, она ошибается меньше, чем старые методы, которые смотрели только на одну скрипку. А еще нейросеть показала, что важны не только воды возле Южной Америки, но и Индийский океан, и даже связи между далекими районами.

Но есть нюанс: когда нейросеть училась на компьютерных моделях океана, она находила много дальних связей, а в реальных наблюдениях их меньше. Это значит, что модели, возможно, преувеличивают, как сильно разные части океана влияют друг на друга. Теперь, когда мы знаем, куда смотрит нейросеть, можно улучшить и сами прогнозы, и климатические модели. Океан дирижирует реками всем оркестром, и теперь мы учимся слышать каждого музыканта.

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