Прогноз Эль-Ниньо на сезон и год вперёд важен для сельского хозяйства, энергетики и предупреждения стихийных бедствий по всему миру. Глубокие нейросети показывают хорошие результаты, но требуют тысяч лет модельных данных, которые несут систематические ошибки климатических моделей. Линейные обратные модели (LIM) обучаются на коротких рядах наблюдений и дают сравнимый с оперативными моделями прогноз, но не видят нелинейных процессов. Эта работа стоит рядом с исследованиями по предсказанию Эль-Ниньо за полтора года и по использованию нейросетей для климатических задач, но отличается тем, что объединяет сильные стороны линейного и нелинейного подходов в одной модели.
Авторы использовали 2000-летний доиндустриальный прогон климатической модели CESM2, из которого взяли месячные аномалии температуры поверхности океана (SSTA) и высоты морской поверхности (SSHA) в тропической части Тихого океана. Данные разделили на 1500 лет для обучения, 300 лет для валидации и 200 лет для теста. Сначала построили циклостационарную линейную обратную модель (CS-LIM), которая учитывает сезонный цикл и память океана через SSHA. Затем LSTM-нейросеть обучили предсказывать разность между прогнозом CS-LIM и фактическими данными, то есть нелинейную поправку. Нейросеть обрабатывала ансамбль из 16 прогнозов CS-LIM и выдавала скорректированный ансамбль. Для сравнения обучили чистые LSTM и ConvLSTM модели той же архитектуры.
На 1500 годах обучения гибридная модель LIM-LSTM показала значимое улучшение навыка по сравнению с CS-LIM на сроках прогноза более 6 месяцев. Прирост был наибольшим в западной тропической части Тихого океана, где нелинейные обратные связи океана и атмосферы сильнее всего. При сокращении обучающей выборки до 100–300 лет гибрид сохранял навык выше 0.5 по коэффициенту аномальной корреляции для 12-месячного прогноза, тогда как чистая LSTM опускалась ниже 0.4. Только после 500 лет обучения чистая LSTM догоняла гибрид. Гибрид также точнее предсказывал амплитуду сильных Эль-Ниньо и воспроизводил асимметрию между тёплыми и холодными событиями, которую линейная модель не видит.
Работа показывает, что гибридный подход позволяет извлекать нелинейную предсказуемость из ограниченных данных, недоступную ни чисто линейным, ни чисто нейросетевым моделям. В отличие от соседних работ, которые либо улучшают линейные модели, либо строят большие нейросети на модельных данных, здесь впервые систематически исследована зависимость навыка от длины обучающей выборки для гибрида и чистых нейросетей. Это меняет представление о минимально необходимом объёме данных для сезонного прогноза Эль-Ниньо.
Перспективно применить такой гибрид к реальным данным реанализа, которых всего около 100–150 лет, и проверить, сохранится ли преимущество. Возможно использование методов адаптации домена, чтобы перенести модель, обученную на климатических симуляциях, на наблюдения. Также важно разобраться, какие именно нелинейные процессы улавливает LSTM, и можно ли их связать с известными механизмами асимметрии Эль-Ниньо.
Результаты могут улучшить оперативные сезонные прогнозы Эль-Ниньо и связанных с ним аномалий осадков и температуры. Гибридный подход применим и к другим медленным климатическим модам, например к Тихоокеанскому десятилетнему колебанию.
Проверить модель на данных наблюдений и реанализа, а не только на модельном климате. Исследовать, какие нелинейные механизмы ответственны за улучшение прогноза в западной части Тихого океана.
Работа напрямую связана с проблемой ограниченности наблюдательных данных для обучения моделей сезонного прогноза. Она также затрагивает вопрос о том, какую часть предсказуемости Эль-Ниньо обеспечивают линейные процессы, а какую — нелинейные, что остаётся открытым в климатологии.
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 соединили циклостационарную линейную обратную модель (CS-LIM) с LSTM, которая обучается на ошибках LIM, и показали, что гибрид превосходит обе чистые модели на 100–500 годах модельных данных, особенно в западной тропической части Тихого океана на сроках более 9 месяцев, где он улавливает асимметрию Эль-Ниньо.
В чём сила
Систематическое исследование зависимости навыка от длины обучающей выборки для гибрида и чистых нейросетей — редкий и ценный результат, который показывает, как извлекать нелинейную предсказуемость из ограниченных данных.
Куда можно двигаться
Что можно попробовать
Почему это может быть важно
Если гибридный подход подтвердится на реальных данных, он может снизить требования к объёму обучающих данных для сезонных прогнозов, что особенно важно для регионов с короткими рядами наблюдений.
Работы рядом в нашем архиве
Вокруг этой работы в архиве пусто: ближайший разбор всего на 0.52, при обычных 0.64. Похоже, рядом почти не бурили.
Для полного охвата разнообразия межгодовых событий Эль-Ниньо может потребоваться около 500 лет наблюдений, но спутниковые данные есть лишь за последние 40 лет.
В романе Кима Стэнли Робинсона «Сорок знаков дождя» точный прогноз Эль-Ниньо становится вопросом национальной безопасности, а в реальности гибридные модели как раз и пытаются выжать максимум из коротких рядов данных.