Тёплое пятно у берегов Перу появляется не каждый год, но когда появляется, дожди заливают пустыни, а в Австралии трещат пожары. Это Эль-Ниньо — явление, которое климатические модели воспроизводят с трудом. Простые модели хорошо считают, как часто оно случается, но теряют детали в пространстве. Сложные модели видят трёхмерную картину, зато систематически ошибаются и требуют огромных вычислительных ресурсов.
Авторы новой работы поступили как дирижёр, который соединяет солиста и оркестр. Солист здесь — простая стохастическая модель, она задаёт ритм: генерирует последовательность тёплых и холодных событий в узкой полосе вдоль экватора. Оркестр — промежуточная модель с нейросетью, которая подстраивается под солиста и достраивает всю остальную картину океана. Нейросеть с 40 миллионами параметров предварительно обучена на 1200-летнем прогоне CESM2, а затем дообучена на реальных данных GODAS.
Модель крутили 1000 лет, анализировали последние 960. Результат: спектральные пики на периодах 3–4 года для температуры поверхности в регионах Ниньо-3 и Ниньо-4, сезонный ход с минимумом в июне. Распределение долгот максимумов аномалий температуры показало два пика, как в наблюдениях, тогда как CESM2 даёт один пик в центральной части Тихого океана. Для восточно-тихоокеанских Эль-Ниньо модель правильно разместила аномалии температуры, напряжения ветра и высоты морской поверхности, исправив смещения CESM2.
Анализ теплового баланса подтвердил, что главные положительные механизмы — перенос тепла вдоль экватора течениями и влияние подповерхностной температуры на поверхность. Остаточный член работает как отрицательная обратная связь, не давая модели уйти вразнос.
Такой подход открывает путь к многомодульным климатическим моделям, где каждый блок отвечает за свою часть задачи. Длинные ряды от двухъядерной модели пригодны для предобучения нейросетевых прогностических моделей и анализа редких событий. Возможно, в будущем появятся версии с более детальным океаном или атмосферой. А пока оркестр играет слаженнее, чем большой симфонический коллектив, и при этом обходится дешевле.
Модель с 40 миллионами параметров нейросети работает в связке с простой стохастической моделью, которая почти не требует вычислительных ресурсов — вместе они быстрее, чем CESM2, и точнее по статистике.