Прогноз на подсезонном и сезонном масштабе (от двух недель до трёх месяцев) остаётся слабым местом метеорологии: атмосфера забывает начальные условия уже через месяц, а океан ещё не успевает накопить достаточно энергии, чтобы диктовать погоду. Физические модели общего пользования требуют огромных вычислительных ресурсов и страдают от систематических ошибок в описании взаимодействия океана и атмосферы. Вокруг этой задачи уже выстроились работы по прогнозу Эль-Ниньо, солнечных вспышек и засух с помощью машинного обучения, но ни одна из них не решала задачу глобального прогноза температуры поверхности океана на подсезонном масштабе. CAS-Canglong встаёт в этот ряд, но отличается объектом: вместо отдельных индексов или регионов модель предсказывает всё поле температуры океана сразу.
Авторы собрали 63 года ежемесячных данных реанализа ERA5 с разрешением 0,25°×0,25° (1440×721 точек сетки). В качестве предикторов взяли восемь переменных: давление на уровне моря, зональный и меридиональный ветер на высотах 850 и 500 гПа, геопотенциальные высоты, скрытый тепловой поток и чистую солнечную радиацию. Модель построена на архитектуре Swin Transformer с оконным многоголовым вниманием. Входной тензор имеет размерность 16 месяцев × 8 переменных × 721 широта × 1440 долгота. Выход — температура поверхности океана на следующие один, два или три месяца. Обучение шло на четырёх графических процессорах A100 с 80 ГБ памяти каждый. Функция потерь комбинировала среднеквадратичную ошибку и штраф за низкую корреляцию (ниже 0,5) на длинных сроках. Для снижения неопределённости обучали ансамбль из нескольких моделей с разной инициализацией.
На независимом тесте 2016–2022 годов CAS-Canglong показал корреляцию 0,91 для прогноза индекса Niño 3.4 на один месяц вперёд и 0,57 на три месяца. По сравнению с 22 физическими моделями из ансамблей ECMWF S2S и NMME ошибка снизилась на 13,7±3,0% в южной части Тихого океана и до 77,1±0,6% в регионе Арктической осцилляции. В среднем по семи ключевым регионам улучшение составило от 28 до 40%. Модель правильно предсказала 85% событий Эль-Ниньо и Ла-Нинья за три месяца. В южных океанах корреляция достигала 0,9 на один месяц и 0,7 на три месяца. Для тёплого бассейна Индо-Тихоокеанского региона модель оценила площадь в 5,93×10⁷ км² против фактических 6,17×10⁷ км², ошибка 3,8%. В режиме реального времени на 2024 год модель раньше других предсказала переход от Эль-Ниньо к Ла-Нинья.
Работа отличается от соседних исследований тем, что впервые применяет трёхмерный трансформер к глобальному полю температуры океана на подсезонном масштабе. Предыдущие подходы либо использовали LSTM для локальных точек, либо предсказывали отдельные индексы, либо работали на более коротких или более длинных сроках. CAS-Canglong показывает, что внимание к пространственно-временным связям в данных реанализа позволяет обойти ограничения физических моделей без явного описания физики. Это не просто улучшение метрики, а смена парадигмы: вместо дорогих ансамблевых расчётов можно обучать одну нейросеть и получать прогноз за секунды.
Модель уже поддерживает прогноз до 12 месяцев, хотя в статье оценивались только первые три. Архитектура допускает перенос обучения на другие переменные: осадки, влажность почвы, ветер. Следующим естественным шагом будет прогноз экстремальных явлений на суше, связанных с аномалиями температуры океана, таких как засухи в Амазонии или волны жары в западной части Северной Америки. Возможно расширение на сезонный прогноз ледового покрова и биогеохимических параметров океана.
Улучшение прогноза температуры океана напрямую влияет на предупреждения о засухах, наводнениях и тропических циклонах за месяцы до события. Это важно для сельского хозяйства, управления водными ресурсами и страхования.
Проверить модель на независимых данных из других реанализов и на прогнозах в реальном времени в течение нескольких лет. Интегрировать прогнозы температуры океана в модели прогноза осадков на суше.
В науках о Земле остаётся нерешённой проблема предсказуемости на подсезонном масштабе: как долго сохраняется память о начальных условиях в системе океан–атмосфера. Работа показывает, что глубокое обучение может извлекать эту память из данных лучше, чем физические модели, но вопрос о физической интерпретируемости таких прогнозов остаётся открытым.
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 собрали 63 года реанализа ERA5, обучили трёхмерный трансформер Swin на восьми атмосферных переменных и показали, что модель предсказывает глобальную температуру поверхности океана на 1–3 месяца вперёд точнее физических ансамблей в семи ключевых регионах, включая индекс Niño 3.4 и площадь тёплого бассейна.
В чём сила
Впервые применён трёхмерный трансформер к глобальному полю температуры океана на подсезонном масштабе, что позволяет улавливать пространственно-временные связи без явного описания физики и даёт выигрыш в точности по сравнению с дорогими физическими моделями.
Куда можно двигаться
Что можно попробовать
Почему это может быть важно
Улучшение прогнозов температуры поверхности океана на подсезонном масштабе напрямую влияет на ранние предупреждения о засухах, наводнениях и волнах жары, что особенно важно для уязвимых регионов.
Работы рядом в нашем архиве
Вокруг этой работы в архиве пусто: ближайший разбор всего на 0.60, при обычных 0.64. Похоже, рядом почти не бурили.
Название модели Canglong отсылает к мифическому дракону из древнекитайской мифологии, который управляет дождями. Модель обучалась на данных с 1959 года — за это время температура океана в тропиках выросла примерно на 0,5 °C.
В романе Кима Стэнли Робинсона «Министерство будущего» жара в Индии становится триггером глобальных изменений. Точный прогноз температуры океана за месяцы вперёд мог бы дать время на подготовку к таким событиям.