Прогноз на подсезонном масштабе (от двух недель до двух месяцев) называют «пустыней предсказуемости»: хаос атмосферы стирает память о начальных условиях, а медленные процессы в океане и суше ещё не набрали силу. Работа стоит на отшибе от соседей: рядом лежат исследования, которые предсказывают Эль-Ниньо за полтора года, учат нейросети читать погоду назад для засухи и переносят земные метеорологические лекала на Марс. В отличие от них, здесь фокус не на конкретном событии или планете, а на самих крупномасштабных режимах циркуляции, которые служат каркасом для всей погоды. Авторы проверяют гипотезу, что предсказуемость исходит из разных компонентов Земной системы в зависимости от срока прогноза, и делают это систематически, с помощью одной модели для каждого предиктора.
Из реанализа ERA5 взяли ежедневные поля геопотенциальной высоты на уровне 500 гПа над Северной Америкой за 1981–2020 годы. После фильтрации и стандартизации выделили 12 главных компонент и методом k-средних разбили их на четыре кластера, которые соответствуют режимам: Тихоокеанская ложбина, Тихоокеанский гребень, Гренландский максимум и Аляскинский гребень. Пятый класс «Нет режима» собрал дни, когда картина не была похожа ни на один из кластеров. Затем обучили множество моделей XGBoost, каждая из которых получала на вход только одну переменную: из атмосферы (геопотенциал 500 гПа, уходящая длинноволновая радиация, зональный ветер на 200 и 10 гПа), из океана (температура поверхности, теплосодержание на разных глубинах, высота поверхности, глубина перемешанного слоя, толщина и концентрация льда) или из суши (влажность и температура почвы на четырёх глубинах, высота снега). Все данные перевели в недельные стандартизированные аномалии и прогнозировали преобладающий режим недели на срок от 1 до 8 недель вперёд. Гиперпараметры подбирали байесовской оптимизацией с кросс-валидацией по десятилетиям.
Атмосфера даёт наибольшую предсказуемость в первые две недели, а затем её вклад сравнивается с океаном и сушей. Наилучшие модели по океану опираются на теплосодержание верхних слоёв, а не на температуру поверхности, что подчёркивает важность подповерхностных процессов. Для суши значимую предсказуемость дают температура и влажность почвы, тогда как снег полезен лишь в отдельные сезоны. Сезонная стратификация показала, что зимой и летом предсказуемость выше, чем весной и осенью, причём зимой лидируют атмосфера и океан, а летом модели хорошо отличают режим «Нет режима». Для Тихоокеанской ложбины осенью и зимой ключевой вклад вносит океан, особенно сигналы Эль-Ниньо; для Тихоокеанского гребня зимой важны стратосферные ветры и морской лёд; для Гренландского максимума зимой работают тропическая конвекция и почвенные условия. Анализ SHAP-значений подтвердил, что точные прогнозы связаны с конкретными аномалиями: например, усиление конвекции над центральной тропической частью Тихого океана предшествует Тихоокеанской ложбине, а аномалии зонального ветра в южной тропической стратосфере — Тихоокеанскому гребню.
Работа показывает, что источники предсказуемости погодных режимов гораздо более изменчивы по срокам, сезонам и типам режимов, чем считалось ранее. В отличие от соседних исследований, которые либо фокусируются на одном компоненте (например, Эль-Ниньо или влажности почвы), либо используют единую модель для всех предикторов, здесь каждый источник оценивается отдельно, что позволяет увидеть его индивидуальный вклад. Это первый систематический разбор вклада атмосферы, океана и суши в предсказание североамериканских режимов на подсезонных сроках с помощью градиентного бустинга. Результаты подчёркивают, что для улучшения прогнозов нужно не просто добавлять больше данных, а понимать, какой компонент Земной системы важен в конкретной ситуации.
Тема может развиваться в сторону проверки причинно-следственных связей: действительно ли аномалии стратосферного ветра вызывают Тихоокеанский гребень, или это общая реакция на другой процесс. Перспективно включить данные из численных моделей Земной системы, чтобы проверить, воспроизводят ли они те же источники предсказуемости. Также важно изучить, как эти источники изменятся в условиях потепления климата, поскольку режимы циркуляции могут смещаться или менять частоту.
Результаты напрямую влияют на оперативное подсезонное прогнозирование погоды и климатических рисков в Северной Америке, а также на смежные области, такие как гидрология, сельское хозяйство и энергетика, где решения зависят от ожидаемых аномалий температуры и осадков.
Ближайшие шаги включают проверку выявленных связей с помощью причинного анализа и экспериментов с моделями, а также расширение набора предикторов за счёт данных о других компонентах, например, о криосфере или составе атмосферы.
В науках об атмосфере остаётся нерешённым вопрос о том, как далеко простирается предсказуемость крупномасштабной циркуляции и какие физические механизмы её поддерживают. Данная работа напрямую связывает предсказуемость с конкретными процессами (Эль-Ниньо, Мадден-Джулианское колебание, стратосферный полярный вихрь, влажность почвы), но не доказывает причинность. Это оставляет открытой проблему отделения истинных источников предсказуемости от коррелированных сигналов.
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 систематически исследовали предсказуемость четырёх погодных режимов над Северной Америкой на горизонтах 1–8 недель, обучив сотни моделей XGBoost с одиночными предикторами из атмосферы, океана и суши. Показано, что в первые две недели доминирует атмосфера, а затем вклад океана и суши становится сопоставимым, причём ключевые источники предсказуемости зависят от сезона и режима.
В чём сила
Сильная сторона — систематическое сравнение вкладов разных компонентов Земной системы с помощью единой методологии, что позволяет выявить, какие предикторы и в какие сезоны наиболее информативны для каждого режима.
Куда можно двигаться
Что можно попробовать
Почему это может быть важно
Понимание источников предсказуемости погодных режимов может улучшить субсезонные прогнозы, что важно для сельского хозяйства, энергетики и управления рисками.
Работы рядом в нашем архиве
Вокруг этой работы в архиве пусто: ближайший разбор всего на 0.53, при обычных 0.64. Похоже, рядом почти не бурили.
Частота режима «Нет режима» меняется от 18% зимой до 44% летом, что делает летние прогнозы особенно трудными: атмосфера чаще находится в переходном состоянии без ярко выраженной крупномасштабной структуры.
В романе Кима Стэнли Робинсона «Сорок знаков дождя» учёные пытаются предсказать резкие изменения погодных режимов из-за остановки Гольфстрима. Данное исследование перекликается с этой идеей: оно показывает, какие медленные компоненты Земной системы могут служить ранними индикаторами смены режимов циркуляции.