Температура поверхности океана (SST) управляет глобальной погодой и климатом, а её аномалии, такие как Эль-Ниньо, вызывают засухи, наводнения и лесные пожары по всему миру. Существующие динамические модели связанной системы океан-атмосфера дают прогноз Эль-Ниньо лишь на 3–4 сезона, а региональные аномалии, например морские тепловые волны, предсказываются ещё хуже. В последние годы машинное обучение показало способность улучшать прогнозы, но большинство моделей нацелены на один индекс, например Ниньо3.4, и не дают полной пространственной картины. Данная работа стоит на стыке океанографии и глубокого обучения: она использует не выходы климатических моделей, а непосредственно данные реанализа, чтобы предсказывать двумерное поле температуры по всему земному шару.
Авторы использовали данные реанализа ERA5: ежемесячные средние SST и температуру воздуха на высоте 2 метра с января 1950 по май 2021 года, всего 857 месяцев. Исходная сетка 0,25° была усреднена до 1°, а затем билинейно интерполирована к сетке 64×128 точек (по широте от -64° до 62°, по долготе полный круг). Для обучения применялась архитектура Unet-LSTM — свёрточный энкодер-декодер со слоями долгой краткосрочной памяти, которая ранее успешно предсказывала осадки. Модель получала на вход 12 месяцев температурных полей и предсказывала следующие 2 месяца; для долгосрочного прогноза использовался авторегрессионный подход, когда предсказания подавались обратно на вход. Обучение велось на 760 временных шагах (до апреля 2013 года) на четырёх GPU Nvidia V100 с батчем 4 и оптимизатором Adam (скорость обучения 0,003).
Модель сохраняет среднеквадратичную ошибку ниже 0,75 °C для всех 24 месяцев прогноза, а в июле 2010 года ошибка росла от 0,43 °C на первом месяце до 0,65 °C на 24-м. Корреляция с фактическими полями SST остаётся значимой до 12 месяцев вперёд, особенно в тропической, северо-восточной и южной частях Тихого океана, а также в высоких широтах Северной Атлантики. Модель успешно предсказала Эль-Ниньо 2009–2010 и 2015–2016 годов с горизонтом до 24 месяцев, включая сильную Ла-Нинью 2010–2011, хотя пик экстремального Эль-Ниньо 2015–2016 был недооценён. Для индекса Blob (северо-восточная часть Тихого океана) модель точно воспроизвела тепловые события 2014, 2015, 2019 и 2020 годов, а также похолодание зимы 2016–2017. Прогноз Нингалу-Ниньо у западного побережья Австралии показал ограниченную точность, что авторы связывают с недостатком аналогичных событий в обучающей выборке.
Работа демонстрирует, что чисто данные-ориентированный подход, обученный только на реанализе температуры поверхности, способен улавливать физику крупномасштабной изменчивости океана на горизонте до двух лет. В отличие от соседних исследований, которые используют выходы климатических моделей или предсказывают один индекс, здесь модель воспроизводит полное двумерное поле, что позволяет извлекать любой индекс постфактум. Это шаг к более гибким и точным прогнозам региональных аномалий, таких как морские тепловые волны, которые плохо улавливаются традиционными моделями.
Авторы планируют повысить разрешение модели до исходных 0,25° ERA5, чтобы детальнее изучать региональные вариации SST, а также внедрить ансамблевый подход для количественной оценки неопределённости прогнозов. Ещё одно направление — переход к трёхмерным полям с использованием ConvLSTM3D, что позволит учитывать ветер и другие переменные. Перспективен и гибридный путь: объединение данных наблюдений с выходами климатических моделей через перенос обучения или физически информированные нейросети, чтобы лучше предсказывать редкие события, такие как последовательные Эль-Ниньо.
Точные долгосрочные прогнозы SST помогут заранее предупреждать о засухах, наводнениях, лесных пожарах и экстремальных морских тепловых волнах, от которых страдают рыболовство, аквакультура и прибрежные экосистемы. Метод также может быть перенесён на прогноз других геофизических полей, например осадков или высоты геопотенциала.
Ближайшие шаги включают повышение пространственного разрешения до 0,25°, ансамблевые прогнозы для оценки неопределённости и тестирование модели на других индексах, таких как диполь Индийского океана. Планируется также исследовать, как включение дополнительных переменных (ветер, тепло верхнего слоя океана) улучшит предсказания редких событий.
Ключевая нерешённая проблема океанографии — ограниченная предсказуемость региональных морских тепловых волн и редких климатических событий из-за их разнообразия и нехватки исторических примеров. Работа показывает, что глубокое обучение может частично обойти этот барьер, но для редких явлений, таких как Нингалу-Ниньо, всё ещё нужны более богатые обучающие данные или гибридные подходы с физическими моделями.
Модель смогла предсказать морскую тепловую волну Blob за 24 месяца до её пика, хотя это явление считалось трудноуловимым из-за нерегулярной сезонной привязки. А вот с Нингалу-Ниньо у западного побережья Австралии нейросеть справилась хуже: в обучающих данных было слишком мало похожих случаев.
Идея предсказывать климатические аномалии с помощью машинного обучения перекликается с романом Кима Стэнли Робинсона «Министерство будущего», где алгоритмы помогают человечеству реагировать на экстремальную жару и климатические катастрофы. Здесь нейросеть выступает в роли ранней системы оповещения, которая видит зарождение Эль-Ниньо за два года.