Двухлетний горизонт для Эль-Ниньо: фильтр, который не подглядывает в будущее ✛ ✎

Оригинал: "Long-term prediction of El Niño-Southern Oscillation using reservoir computing with data-driven realtime filter"
arXiv:2501.17781 · 2025-01-29 · CC BY-NC-SA 4.0 · собственный разбор · 2 мин
Новый фильтр на основе только прошлых данных позволяет резервуарному компьютеру предсказывать Эль-Ниньо на два года вперёд в реальном времени.

Переводчик на переговорах слышит только уже сказанные слова, но всё равно угадывает следующую фразу. Так работает новый метод прогноза Эль-Ниньо: он не заглядывает в будущее, а опирается лишь на прошлое, как честный слушатель.

Эль-Ниньо — Южное колебание (ЭНЮК) — это главное межгодовое колебание климата в тропической части Тихого океана. Оно вызывает засухи в Австралии, наводнения в Перу и меняет погоду по всему миру. Прогнозировать его сложно: в одном ряду температуры смешиваются быстрые шумы, сезонные циклы и медленные десятилетние тренды. Обычные методы сглаживания, которые убирают лишнее, тайком используют будущие значения ряда. Для оперативного прогноза это недопустимо, ведь будущее ещё не наступило.

Авторы создали фильтр, который по построению смотрит только назад. Он похож на взвешенное скользящее среднее с весами, равными нулю для всех будущих моментов. Параметры фильтра подбирались байесовской оптимизацией — умным перебором по прошлым попыткам. В результате фильтр пропускает колебания с периодами от 4 до 8 лет, характерные для ЭНЮК, и сдвигает ряд назад примерно на 5 месяцев, но корреляция с исходным рядом достигает 0,837.

Отфильтрованный ряд подавали в резервуарный компьютер — нейросеть со случайными внутренними связями, где обучается только выход. Входной вектор состоял из девяти значений ряда с шагом задержки 4 месяца. Гиперпараметры сети, такие как размер резервуара 244 и спектральный радиус 0,712, настраивались на тренировочном периоде 1986–1995 годов. На независимом тесте с января 2001 по декабрь 2015 года средняя корреляция остаётся выше 0,5 в течение 29 месяцев. С учётом пятимесячного сдвига это означает реальный горизонт предсказания 24 месяца, то есть два года.

Модель хорошо воспроизводит крупные пики ЭНЮК в 2010–2014 годах, но недооценивает рекордное Эль-Ниньо 2015–2016 годов. Тем не менее, простой резервуарный компьютер с правильно подобранным фильтром достигает горизонта, сравнимого с более сложными глубокими нейросетями. Главное достижение — весь конвейер от сырых данных до предсказания работает строго без будущей информации.

Обычный индекс Ниньо-3.4, который используют для объявления Эль-Ниньо, сам сглажен пятимесячным скользящим средним. То есть официальный статус явления в каждый момент времени уже содержит информацию о будущих месяцах. Авторы отказались даже от этого, чтобы прогноз был честно оперативным.

Переводчик, который не подглядывает в текст оратора, всё равно угадывает следующую фразу по контексту. Новый фильтр делает то же самое для климатических данных: он слышит только прошлое, но говорит о будущем на два года вперёд. Такой подход применим не только к Эль-Ниньо, но и к любым медленно меняющимся рядам — от финансовых до биомедицинских сигналов.

Обычный индекс Ниньо-3.4, который используют для объявления Эль-Ниньо, сам сглажен пятимесячным скользящим средним — то есть официальный статус явления в каждый момент времени уже содержит информацию о будущих месяцах. Авторы отказались даже от этого, чтобы прогноз был честно оперативным.

В романе Кима Стэнли Робинсона «Сорок знаков дождя» учёные пытаются предсказать резкие изменения климата, сталкиваясь с хаосом и неполнотой данных. Идея фильтра, который работает только с прошлым, перекликается с мечтой о прогнозе, который не зависит от знания будущего.

Понятия
южная осцилляция эль-ниньо резервуарные вычисления весенний барьер предсказуемости машинное обучение IRI буйковые станции TAO/TRITON регрессия нейронной сети эль-ниньо энсо ERSST прогноз NOAA PMEL TAO ла-нинья NOAA CPC нелинейный спектральный анализ Лапласиана реанализ распространение экваториальных волн модель осциллятора с подзарядкой ретроспективный прогноз линейная инверсная модель