Компас для климатических течений: как найти скрытые рычаги Эль-Ниньо ✛

Оригинал: "Statistical Response of ENSO Complexity to Initial Condition and Model Parameter Perturbations"
· Marios Andreou, Nan Chen
arXiv:2401.03281 · 2024-01-06 · CC BY 4.0 · 2 мин
Информационная теория показывает, какие возмущения сильнее всего меняют статистику разных событий Эль-Ниньо и Ла-Нинья.

В тропической части Тихого океана живёт гигантский маятник: тёплая вода качается от Австралии к Южной Америке и обратно, и каждое его движение меняет погоду на всей планете. Этот маятник называют Эль-Ниньо — Южное колебание, и его поведение похоже на капризного дирижёра: иногда он взмахивает палочкой резко, иногда медленно, а иногда замирает, сбивая с толку прогнозистов. Учёные давно пытаются понять, какие именно толчки заставляют его сбиваться с ритма, но до сих пор смотрели на это как на погоню за одной-единственной траекторией — а она в хаотичной системе разваливается быстрее, чем успеваешь её измерить.

Новый подход напоминает компас, который указывает не на текущее положение маятника, а на скрытые течения, управляющие всей статистикой его движений. Вместо того чтобы сравнивать отдельные сценарии, авторы измеряют, насколько сильно меняется всё распределение вероятностей возможных состояний океана после небольшого толчка. Для этого используется особая мера — относительная энтропия, которая показывает, насколько одно облако вероятностей отличается от другого. Если толчок почти не меняет облако, значит, система его не замечает; если облако расплывается или смещается, толчок попал в чувствительную точку.

Модель, на которой проверяли метод, включает шесть переменных: температуру поверхности в двух частях Тихого океана, течение вдоль экватора, глубину термоклина (слоя, где температура резко падает), порывы ветра и медленные колебания циркуляции Уокера. Это как набор из шести рукояток, каждая из которых отвечает за свой аспект климатической машины.

Чтобы найти самую чувствительную рукоятку, авторы вычислили матрицу Фишера — математический инструмент, который показывает, в каком направлении вероятность меняется быстрее всего. Оказалось, что ответ зависит от горизонта прогноза и типа события. На коротких сроках до трёх месяцев важнее всего температура поверхности океана: тёплое пятно само себя поддерживает. На средних сроках от пяти до семи месяцев ключевую роль играет перенос тепла течениями, особенно при переходе от Эль-Ниньо к Ла-Нинья. А на горизонте больше года главной становится глубина термоклина — тот самый резервуар тепла, который медленно накапливается и потом выстреливает.

Самый неожиданный результат: при возмущении параметров модели, например силы трения ветра о воду, отклик проявляется не в среднем состоянии, а в разбросе возможных исходов. Среднее остаётся прежним, но вероятность экстремальных событий растёт. Традиционные методы, следящие только за средней траекторией, этого просто не видят.

Практическая польза такого компаса очевидна для прогнозистов: он позволяет заранее понять, какие наблюдения важнее всего для предсказания конкретного типа Эль-Ниньо или Ла-Нинья. Сейчас метод проверен на упрощённой модели, но его математическое ядро достаточно лёгкое, чтобы перенести на более сложные операционные системы. Это значит, что в будущем прогнозы климатических сюрпризов станут не только точнее, но и честнее: они будут показывать не один сценарий, а весь веер возможностей, включая редкие, но разрушительные события. Маятник Тихого океана продолжит качаться, но теперь у нас появляется шанс слышать его музыку заранее.

Экстремальный Эль-Ниньо 1997–1998 годов был настолько сильным, что повысил глобальную температуру поверхности океана настолько, что 1998 год стал самым тёплым за всю историю наблюдений на тот момент. В работе показано, что возмущения начальных условий в пике такого события могут влиять на статистику системы даже через два года.

P(p^\delta(x_t), p(x_t)) = \int p^\delta(x_t) \log \frac{p^\delta(x_t)}{p(x_t)} dx_t
Мера статистического отклика: насколько сильно распределение вероятностей состояния системы изменилось после возмущения
P(p^\delta(x_t), p(x_t)) = \frac{1}{2} \delta \cdot I(p(x_t)) \delta + O(|\delta|^3)
При малых возмущениях отклик пропорционален квадрату величины возмущения, а направление максимального отклика задаётся наибольшим собственным вектором матрицы Фишера
Понятия
энсо южная осцилляция эль-ниньо индекс Эль-Ниньо весенний барьер предсказуемости многомерный индекс ЭНСО ERSST модель Джина–Тиммермана распространение экваториальных волн южная осцилляция модель осциллятора с подзарядкой ла-нинья NOAA CPC буйковые станции TAO/TRITON статистический метод естественная изменчивость телеконнекция объём тёплой воды относительный они стохастическая динамическая система статистический шум