Как услышать океан за год до события ✛

Оригинал: "Towards Long-Range ENSO Prediction with an Explainable Deep Learning Model"
arXiv:2503.19502 · 2025-03-25 · CC BY 4.0 · 1 мин
Нейросеть читает девять сигналов океана и атмосферы, чтобы за 20 месяцев предсказать Эль-Ниньо и объяснить, какие сигналы запускают это явление.

Переводчик слушает разговор океана и атмосферы. Раньше он слышал только одно слово из девяти — температуру поверхности воды, поэтому переводил с опозданием и путался весной. Новая модель CTEFNet слушает все девять слов сразу: температуру, запас тепла, толщину верхнего слоя, солёность, давление, течения и ветер. Сначала свёрточные слои улавливают локальные шорохи в каждом участке океана, а затем трансформер связывает их в длинную фразу на месяцы вперёд.

Модель обучили на 18 климатических моделях, а затем проверили на реальных данных с 1980 по 2021 год. Точность прогноза выше 0.5 держится 20 месяцев, что на 3–5 месяцев дальше, чем у прежних методов.

Переводчик не только переводит, но и поднимает руку, когда слышит важное слово. Градиентный анализ спрашивает: если чуть-чуть изменить одно слово, насколько изменится прогноз? Так выяснилось, что за 11 месяцев до пика Эль-Ниньо в западной части Тихого океана накапливается тёплая вода, а верхний слой становится тоньше. За 8 месяцев сигнал распространяется на восток и на Индийский океан. Охлаждение Атлантики ослабляет пассаты и подталкивает явление. Весенний барьер, из-за которого прогнозы весной были хуже, теперь смягчён: переводчик больше не замолкает. Этот же метод можно применить к другим климатическим явлениям, чтобы лучше понимать язык океана и атмосферы.

Эль-Ниньо 1997–1998 годов был настолько сильным, что глобальная температура поверхности океана поднялась на 0.2°C выше среднего за десятилетие, а уровень моря в восточной части Тихого океана временно вырос на 20 сантиметров из-за термического расширения воды.

В романе Кима Стэнли Робинсона «Сорок знаков дождя» климатологи борются с последствиями внезапного изменения океанических течений, вызванного потеплением; точный долгосрочный прогноз Эль-Ниньо мог бы стать тем инструментом, который герои используют для предотвращения катастрофы.

Loss = \frac{1}{T_{out}} \sum_{t=1}^{T_{out}} \sqrt{(Nino3.4^{out}_t - Nino3.4^{tg}_t)^2}
Модель минимизирует расхождение между предсказанным и фактическим индексом Ниньо 3.4 на горизонте 24 месяца.
Grad_t = \frac{\partial Nino3.4_t}{\partial Inputs_t}
Показывает, насколько сильно изменение каждой входной переменной в данный месяц влияет на прогноз индекса Ниньо 3.4.
AvgGrad = mean_t (Grad_t)
Итоговая чувствительность каждой входной точки, усреднённая по всем месяцам прогноза, используется для выявления предвестников.
Понятия
энсо южная осцилляция эль-ниньо весенний барьер предсказуемости многомерный индекс ЭНСО модель Джина–Тиммермана индекс Эль-Ниньо распространение экваториальных волн буйковые станции TAO/TRITON ла-нинья ERSST южная осцилляция NOAA PMEL TAO NOAA CPC модель Зебиака–Кейна северное экваториальное противотечение прогноз межгодовая изменчивость эффект конденсатора Индийского океана регрессия нейронной сети объём тёплой воды