Эль-Ниньо в пяти лицах: как нечёткая кластеризация объяснила сдвиг изменчивости

Оригинал: "Contributions of El Niño Southern Oscillation (ENSO) Diversity to Low-Frequency Changes in ENSO Variance"

· Jakob Schlör, Felix Strnad, Antonietta Capotondi, Bedartha Goswami

arXiv:2307.11552 · 2023-07-21 · CC BY 4.0 · 3 мин

Физика атмосферы и океана Машинное обучение

Нечёткая кластеризация выявила пять типов Эль-Ниньо и Ла-Нинья, показав, что рост изменчивости после 1970 года связан с экстремальными и сильными событиями.

Контекст

Эль-Ниньо — Южное колебание (ЭНСО) — главный источник межгодовой изменчивости климата. Его события различаются по амплитуде, эволюции и пространственному паттерну: классические восточно-тихоокеанские Эль-Ниньо сильны, а центрально-тихоокеанские слабее и короче. Эти различия влияют на глобальные последствия: засухи в Австралии, осадки в Бразилии, температуру Атлантики. Декадные вариации характеристик ЭНСО известны, но как разные типы событий вносят вклад в эти изменения, оставалось неясным. Существующие классификации часто бинарны и зависят от выбора индексов, что затрудняет анализ. Работа находится в русле исследований разнообразия ЭНСО, но отличается от соседних работ по предсказанию Эль-Ниньо и гравитационным волнам тем, что фокусируется на вкладе типов событий в изменчивость, а не на прогнозе или физических механизмах.

Методы

Авторы использовали месячные аномалии температуры поверхности океана (SSTA) в тропической части Тихого океана (130°E–70°W, 30°S–30°N) из восьми реанализов за 1901–2022 годы. Данные проецировали на первые две главные компоненты (PC1-PC2), полученные методом эмпирических ортогональных функций (EOF), что снизило размерность. Затем к этим двум измерениям применили модель гауссовых смесей (GMM) — вероятностный метод нечёткой кластеризации. Каждое зимнее (декабрь-февраль) событие Эль-Ниньо или Ла-Нинья получало вероятности принадлежности к каждому из кластеров, а не жёсткую метку. Число кластеров определяли минимизацией байесовского информационного критерия (BIC), который балансирует сложность модели и качество подгонки. Для проверки устойчивости варьировали число EOF, включали аномалии уровня моря и меняли широтный диапазон. Также сравнили с нелинейным автоэнкодером.

Результаты

Анализ выявил пять категорий: три типа Эль-Ниньо (экстремальный, сильный, слабый) и два типа Ла-Нинья (слабый, сильный). Категории различаются по интенсивности и продольному положению максимума аномалий. Экстремальные Эль-Ниньо (1982-83, 1997-98, 2015-16) образуют отдельный кластер, отделённый от сильных. Событие 2015-16 имеет ненулевую вероятность принадлежности и к сильному типу, что подтверждает его смешанную природу. Вклады категорий в 20-летнюю скользящую дисперсию индекса Niño3.4 показали, что до 1930-х годов доминировали сильные Эль-Ниньо, с 1930-х по 1960-е — слабые события, а после 1970 года резко выросли вклады сильных Ла-Нинья и экстремальных Эль-Ниньо. На ковариацию между категориями приходится 20–40% декадной дисперсии. Анализ модели CESM2 выявил отсутствие экстремального типа Эль-Ниньо, что указывает на недооценку нелинейности.

Значение

Работа впервые количественно связывает разнообразие ЭНСО с низкочастотной изменчивостью, разлагая дисперсию на вклады типов событий. В отличие от соседних исследований, которые рассматривают местоположение и интенсивность отдельно или используют бинарные классификации, здесь применён нечёткий подход, позволяющий событиям принадлежать нескольким категориям. Это даёт более детальную картину и показывает, что рост изменчивости после 1970 года связан не просто с усилением Эль-Ниньо, а с конкретными типами: экстремальными Эль-Ниньо и сильными Ла-Нинья. Метод также выявляет недостатки климатических моделей, что важно для их улучшения.

Развитие

Предложенный подход можно применять для оценки того, насколько хорошо климатические модели воспроизводят разнообразие ЭНСО. Предварительный анализ CESM2 показал, что модель не воспроизводит экстремальный тип, что требует дальнейшего изучения. В будущем возможно исследование изменений типов ЭНСО в сценариях изменения климата и их связи с внешними воздействиями. Также перспективно изучение динамических механизмов, лежащих в основе декадных изменений вкладов категорий, например, через анализ теплового баланса.

Влияние

Результаты влияют на понимание прогнозируемости ЭНСО и его глобальных последствий. Они могут помочь в оценке региональных климатических рисков, связанных с экстремальными событиями.

Следующие шаги

Следующим шагом станет систематическое применение метода к ансамблю климатических моделей для оценки их способности воспроизводить разнообразие ЭНСО. Также планируется анализ изменений типов ЭНСО в будущих климатических сценариях.

Ключевые проблемы

Работа напрямую связана с проблемой прогнозирования ЭНСО, так как декадная модуляция разнообразия влияет на предсказуемость. Она также касается вопроса о роли антропогенного воздействия на изменчивость ЭНСО, поскольку рост экстремальных событий может быть связан с потеплением. Нерешённой остаётся проблема динамических причин декадных сдвигов: являются ли они результатом внешних воздействий или внутренней стохастичности.

Весь граф →

Событие Эль-Ниньо 2015-16, одно из самых сильных за историю наблюдений, не вызвало ожидаемой засухи в Калифорнии и не привело к сильной Ла-Нинья, что указывает на его смешанную природу. Это подчёркивает ограниченность бинарных классификаций.

p(z) = \sum_{k=1}^{K} \pi_k \mathcal{N}(z | \mu_k, \Sigma_k)

Распределение данных в пространстве главных компонент описывается смесью K гауссовых колоколов, каждый со своим средним и ковариацией; веса π_k — вероятности принадлежности к кластеру.

y(t) = \sum_{k} p(c_k | z(t)) \cdot y(t) := \sum_{k} y_k(t)

Любую величину (например, индекс Niño3.4) можно представить как сумму её частей, взвешенных по вероятности принадлежности каждого момента времени к каждой категории.

\langle y^2 \rangle = \sum_{k} \langle y_k^2 \rangle + \sum_{l \neq m} \langle y_l, y_m \rangle

Общая дисперсия складывается из суммы дисперсий каждой категории и суммы ковариаций между разными категориями, что позволяет оценить их относительный вклад.

Ключевые числа

число категорий ЭНСО: 5 (3 типа Эль-Ниньо, 2 типа Ла-Нинья)
доля ковариации в декадной дисперсии: 20–40%
порог аномалии Niño3.4 для отбора событий: ±0.5 K
период анализа: 1901–2022
число реанализов: 8

Понятия

энсо индекс Эль-Ниньо южная осцилляция южная осцилляция эль-ниньо многомерный индекс ЭНСО ла-нинья весенний барьер предсказуемости ERSST модель Джина–Тиммермана модель осциллятора с подзарядкой вспышка западных ветров NOAA CPC буйковые станции TAO/TRITON распространение экваториальных волн естественная изменчивость относительный они северное экваториальное противотечение объём тёплой воды межгодовая изменчивость смешанные моды колебаний

Я автор