main concepts scientists sections
ПростоПопулярноПодробно

Физически информированная автогенерация стохастических моделей разнообразия Эль-Ниньо ✛

Оригинал: "A Physics-Informed Auto-Learning Framework for Developing Stochastic Conceptual Models for ENSO Diversity"
· Yinling Zhang, Nan Chen, Jerome Vialard, Xianghui Fang
arXiv:2402.04585 · 2024-02-07 · CC BY 4.0 · 3 мин
Динамические системы Физика атмосферы и океана
Алгоритм сам строит минимальные модели климатического явления, отсеивая лишнее по причинно-следственным связям.

Контекст

Понимание динамики Эль-Ниньо за последние десятилетия значительно продвинулось, однако разнообразие событий по пространственному паттерну, пиковой интенсивности и временной эволюции остаётся плохо представленным в концептуальных моделях. Существующие подходы либо полагаются на физическую интуицию, либо используют стандартную нелинейную регрессию, которая сохраняет множество нефизических членов с малыми коэффициентами. Данная работа стоит рядом с исследованиями, которые применяют обучение нейросетей для извлечения законов природы из шума и построения точных карт физических полей, но отличается тем, что использует причинный вывод на основе библиотеки функций, а не чёрный ящик. Это позволяет автоматически получать разреженные и физически объяснимые модели.

Методы

Авторы разработали физически информированную схему автогенерации, которая использует причинную энтропию для определения структуры модели. Сначала задаётся вектор состояния, затем строится библиотека из линейных, квадратичных и кубических функций этих переменных. Для каждой функции вычисляется причинная энтропия, показывающая, добавляет ли она информацию о производной при условии всех остальных функций. Приближение гауссовыми распределениями позволяет получить аналитические формулы, что делает вычисления эффективными. Параметры оцениваются методом максимального правдоподобия. Для моделей с латентными переменными применяется итеративная процедура, чередующая байесовскую выборку траекторий и обновление структуры. В качестве эталонной модели использована шестимерная стохастическая модель, откалиброванная по наблюдениям.

Результаты

Из эталонной шестимерной модели выведена иерархия моделей размерности от трёх до шести. Все модели, кроме трёхмерной, успешно воспроизводят ключевые свойства разнообразия Эль-Ниньо: сезонную синхронизацию, асимметрию распределений температуры, автокорреляционные функции, бивариантную диаграмму местоположения и силы событий, а также частоты различных типов событий. Минимальной достаточной моделью оказалась четырёхмерная, содержащая три межгодовые переменные (глубина термоклина в западной части Тихого океана, температуры поверхности в восточной и центральной частях) и одну внутрисезонную переменную для порывов западного ветра. Трёхмерная модель без этой переменной недооценивает экстремальные явления и даёт слишком регулярные колебания. Добавление латентной переменной, которая после обучения идентифицируется как суррогат атмосферного ветра, исправляет эти недостатки.

Значение

Работа показывает, что автоматический причинный вывод способен находить минимальные физически осмысленные модели сложных климатических явлений. В отличие от соседних подходов, основанных на нейросетях, здесь структура модели остаётся прозрачной и интерпретируемой. Это открывает путь к систематическому построению концептуальных моделей для других геофизических систем, где данных много, но понимание механизмов ограничено.

Развитие

Метод можно применить к данным климатических моделей проекта CMIP и палеореконструкциям, которые предоставляют длинные временные ряды. Это позволит извлекать динамику для разных климатических эпох и проверять, как меняются ключевые механизмы разнообразия Эль-Ниньо при изменении среднего состояния.

Влияние

Результаты могут улучшить прогнозирование Эль-Ниньо за счёт более точных стохастических моделей, пригодных для ансамблевого усвоения данных. Также они дают ориентиры для развития речардж-осцилляторных моделей, указывая, какие переменные и нелинейности действительно необходимы.

Следующие шаги

Следующим шагом станет применение автогенерации к данным климатических моделей и палеоархивам, а также исследование чувствительности моделей к изменению декадной изменчивости, которая может влиять на частоту центрально- и восточно-тихоокеанских событий.

Ключевые проблемы

Работа напрямую связана с нерешённой проблемой климатологии: какие минимальные динамические ингредиенты необходимы для воспроизведения наблюдаемого разнообразия Эль-Ниньо. Она также затрагивает вопрос о роли стохастических возмущений на разных временных масштабах в формировании экстремальных событий.

Взгляд машины знаний

Этот раздел адресован автору работы и его коллегам. Соседние работы нашёл смысловой поиск по нашему архиву — не по совпадению слов, а по смыслу. Мы не рецензируем: мы показываем поле вокруг.

Что сделано в работе

Авторы разработали физически информированную схему автогенерации стохастических моделей, используя причинную энтропию для отбора функций. Из эталонной шестимерной модели выведена иерархия моделей, и найдено, что минимальная модель, воспроизводящая разнообразие Эль-Ниньо, должна включать три межгодовые переменные и одну внутрисезонную переменную для порывов западного ветра.

В чём сила

Сила работы в автоматическом причинном выводе, который даёт разреженные и физически интерпретируемые модели без чёрного ящика, а также в чёткой демонстрации необходимости внутрисезонной стохастической переменной для реалистичного разнообразия.

Куда можно двигаться

Что можно попробовать

  • Проверить, сохраняется ли минимальная размерность при использовании другой эталонной модели, например, полученной из наблюдений с помощью непараметрического метода.
  • Апробировать предложенную схему на других климатических явлениях с выраженным разнообразием, таких как индийский муссон или тихоокеанское декадное колебание.
  • Исследовать, как меняется отбор переменных при изменении критериев оценки разнообразия, чтобы понять робастность найденной минимальной модели.

Почему это может быть важно

Автоматическое выделение физически значимых переменных может помочь строить более точные концептуальные модели для прогнозирования и понимания сложных климатических явлений, где разнообразие событий критично.

Работы рядом в нашем архиве

Ближайшая работа архива — 0.65 по смысловой близости. Обычный для нашего корпуса уровень.

Весь граф →

Причинная энтропия, используемая для отбора членов модели, вычисляется по аналитическим формулам благодаря гауссову приближению, что делает весь процесс автогенерации вычислительно дешёвым: на обычном компьютере он занимает минуты, а не часы.

C_{f_m \to \dot{u}_i | [f \setminus f_m]} = H(\dot{u}_i | [f \setminus f_m]) - H(\dot{u}_i | f)
Разность условных энтропий показывает, сколько дополнительной информации о скорости изменения переменной даёт конкретная функция, если уже учтены все остальные кандидаты.
C_{Z \to X | Y} \approx \frac{1}{2} \ln(\det(R_{XY})) - \frac{1}{2} \ln(\det(R_Y)) - \frac{1}{2} \ln(\det(R_{XYZ})) + \frac{1}{2} \ln(\det(R_{YZ}))
Приближённое выражение через определители ковариационных матриц позволяет избежать многомерного интегрирования и быстро вычислить причинную энтропию.

Ключевые числа

  • минимальная размерность модели: 4
  • количество межгодовых переменных: 3
  • количество внутрисезонных переменных: 1
  • порог для экстремального Эль-Ниньо: 2.5 °C
  • длина модельных сегментов для валидации: 70 лет
Понятия
энсо модель Джина–Тиммермана многомерный индекс ЭНСО индекс Эль-Ниньо весенний барьер предсказуемости буйковые станции TAO/TRITON модель осциллятора с подзарядкой естественная изменчивость самонаблюдаемое обучение южная осцилляция эль-ниньо стохастическая динамическая система ERSST автоэнкодер стохастическое моделирование физически информированная нейронная сеть моделирование эмерджентной сложности объём тёплой воды обучение с подкреплением распространение экваториальных волн южная осцилляция