Прогноз Эль-Ниньо — Южного колебания (ЭНЮК) критически важен для сельского хозяйства, энергетики и предупреждения стихийных бедствий по всему миру. В последние десятилетия участились события типа Эль-Ниньо Модоки, когда аномалия температуры сосредоточена в центре Тихого океана, а не у берегов Южной Америки. Физические механизмы, управляющие этими событиями, до конца не ясны, и динамические модели часто ошибаются на сроках более полугода. Работа стоит рядом с исследованиями, которые используют машинное обучение для улучшения прогнозов климатических индексов, но отличается тем, что целенаправленно разделяет вклад западной и восточной частей океана, а не просто наращивает точность.
Авторы построили простую свёрточную нейросеть (CNN) с двумя свёрточными слоями, двумя слоями подвыборки и одним полносвязным слоем. На вход подавались карты аномалий температуры поверхности за предыдущие 12 месяцев, а на выходе — прогноз индекса NINO3.4 на следующие 12 месяцев. Были проведены три эксперимента: CTRL (весь экваториальный Тихий океан от 120° в.д. до 90° з.д.), EAST (только восточная часть от 160° з.д. до 90° з.д.) и WEST (только западная часть от 120° в.д. до 160° з.д.). Для каждого эксперимента создали ансамбль из 5000 моделей со случайной инициализацией весов свёрточных фильтров, чтобы оценить разброс навыка. Модель обучалась на данных 1950–2001 годов и проверялась на 2002–2021 годах. Основные данные — температура кожи океана из реанализа NCEP, дополнительные проверки — на ERSST и COBE SST.
Ансамбль из 5000 моделей показал, что навык прогноза (корреляция между прогнозом и наблюдениями) для WEST-эксперимента почти не уступает CTRL, тогда как EAST заметно хуже. На сроках 2–5 месяцев WEST даёт даже более высокую корреляцию, чем CTRL. Например, на сроке 6 месяцев корреляция для CTRL и WEST составляет около 0.5–0.6, а для EAST падает ниже 0.5 уже к 5 месяцам. Среднеквадратичная ошибка также растёт быстрее для EAST. Распределение навыка по ансамблю имеет гауссову форму, причём разброс увеличивается с ростом срока прогноза. Проверка на независимых наборах данных ERSST и COBE подтвердила преимущество WEST над EAST. Модель хуже предсказывает экстремальные пики, например событие 2015–2016 годов, и со временем накапливает фазовый сдвиг.
Работа показывает, что пространственная структура температуры поверхности в западной части Тихого океана содержит больше информации о будущем состоянии центральной части, чем восточная. Это согласуется с теорией запаздывающего осциллятора: волны Россби, отражённые от западной границы, возвращаются в виде волн Кельвина и меняют температуру в центре. В отличие от соседних работ, которые используют сложные архитектуры и множество переменных для максимальной точности, здесь намеренно упрощённая модель выявляет физическую причину предсказуемости. Результат подчёркивает асимметрию динамики ЭНЮК и важность учёта западной части океана в прогностических системах.
Естественный следующий шаг — включить в модель подповерхностную температуру океана, особенно глубину термоклина, которая является ключевым предиктором ЭНЮК. Можно также исследовать, как меняется относительная роль запада и востока при разных типах Эль-Ниньо (восточный, центральный, Модоки) и при разных фазах десятилетней изменчивости. Интересно проверить, сохранится ли преимущество запада при использовании более глубоких архитектур, таких как U-Net или трансформеры, и при прогнозе на более длительные сроки.
Результаты полезны для центров прогноза климата, которые разрабатывают статистические или гибридные модели ЭНЮК. Они также дают ориентир для физиков, изучающих механизмы взаимодействия океана и атмосферы в тропиках.
Проверить, как добавление подповерхностных данных меняет относительную роль западной и восточной частей Тихого океана. Провести аналогичные эксперименты для прогноза индексов Эль-Ниньо Модоки и других региональных индексов.
В науке о климате остаётся открытым вопрос о причинах разнообразия Эль-Ниньо и о том, почему одни события развиваются у берегов Южной Америки, а другие — в центре океана. Данная работа связывает пространственные градиенты температуры с предсказуемостью, но не раскрывает полностью физический механизм. Также не решена проблема весеннего барьера предсказуемости, когда навык моделей резко падает в определённые сезоны.
Авторы создали 5000 вариантов одной и той же нейросети, меняя только начальные случайные веса фильтров. Разброс в точности прогноза между этими вариантами оказался сопоставим с разницей между разными архитектурами, что напоминает чувствительность хаотических систем к начальным условиям.