Как нейросеть предсказывает погоду в океане на три месяца вперёд ✛ ✎

Оригинал: "CAS-Canglong: A skillful 3D Transformer model for sub-seasonal to seasonal global sea surface temperature prediction"
arXiv:2409.05369 · 2024-09-09 · arXiv non-exclusive · собственный разбор · 1 мин
Программа учится на старых записях о погоде и предсказывает температуру моря лучше, чем сложные физические модели.

Переводчик в большом зале слышит все разговоры сразу и по ним понимает, о чём будут говорить через час. Так и нейросеть CAS-Canglong: она смотрит на давление, ветер и тепло по всей Земле и предсказывает температуру океана на три месяца вперёд.

Раньше прогноз на такой срок был очень сложным. Атмосфера быстро меняется, а океан медленно накапливает тепло. Физические модели требуют огромных компьютеров и часто ошибаются. Новая программа училась на старых записях о погоде и теперь делает прогноз за секунды.

Нейросеть правильно предсказала 85% событий Эль-Ниньо и Ла-Нинья за три месяца. Это тёплые и холодные фазы океана, которые влияют на погоду во всём мире.

В южных океанах прогноз совпадает с реальностью на 90% для месяца вперёд и на 70% для трёх месяцев. Это значит, что если программа говорит о потеплении воды, то так, скорее всего, и будет. Такой прогноз поможет фермерам, энергетикам и спасателям готовиться к беде заранее.

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.

L_{fmse} = \frac{1}{T_{out}} \sum_{t=1}^{T_{out}} (X_{t,l} - \hat{X}_{t,l})^2
Штраф за отклонение предсказанной температуры от фактической, усреднённый по всем месяцам прогноза
L_{corr} = \frac{1}{T_{out}} \sum_{l=2}^{T_{out}} \max\{0, 0.5 - \frac{\sum_{t=1}^{T} (x_{t,l} - \bar{X}_l)(\hat{x}_{t,l} - \bar{\hat{X}}_l)}{\sqrt{\sum_{t=1}^{T} (x_{t,l} - \bar{X}_l)^2} \sqrt{\sum_{t=1}^{T} (\hat{x}_{t,l} - \bar{\hat{X}}_l)^2}}\}
Дополнительный штраф, если корреляция между прогнозом и наблюдениями падает ниже 0,5 на сроках от двух месяцев
RMSE = \sqrt{\frac{\sum_{i=1}^{N_{lon}} \sum_{j=1}^{N_{lat}} W(i) (\hat{X}_{i,j,l} - X_{i,j,l})^2}{N_{lon} \times N_{lat}}}
Ошибка прогноза, взвешенная по косинусу широты, чтобы учесть разный размер ячеек сетки
Понятия
аномалия температуры поверхности моря температура поверхности моря NOAA CPC энсо весенний барьер предсказуемости прогноз эль-ниньо ла-нинья NOAA PMEL TAO ERSST Ниньо 4 модель Джина–Тиммермана OISST v2.1 навык прогноза модель Зебиака–Кейна IRI диполь индийского океана североатлантическая осцилляция южная осцилляция связь океана и атмосферы