Отбор лучших предсказателей Эль-Ниньо из ансамбля моделей ✛
Команда из сорока синоптиков готовит прогноз Эль-Ниньо на два года вперёд. Каждый работает на одной и той же модели, но с чуть разными начальными данными и настройками, поэтому их ответы расходятся. Обычно прогностические центры усредняют все сорок мнений, считая, что каждый участник одинаково полезен. Но в любой команде есть игроки, которые чаще попадают в цель, и те, кто стабильно промахивается.
Авторы исследования решили проверить, можно ли заранее вычислить лучших. Они взяли ансамбль из 40 прогнозов температуры поверхности океана в районе Эль-Ниньо и сравнили каждый с реальными наблюдениями за 1986–2017 годы. Для каждой пары «срок прогноза – сезон» участников ранжировали по двум метрикам: точности амплитуды (насколько близко предсказана сила явления) и совпадению фаз (насколько точно угадано время наступления). Пять лучших по каждой метрике объединяли с весами, пропорциональными попаданию в оба списка.
Результат оказался сильнее, чем ожидали. На коротких сроках выигрыш скромный: корреляция растёт на +0.02, ошибка падает на 0.14 °C. Но к 23-му месяцу разрыв становится драматичным: корреляция увеличивается на +0.43, то есть на 172%, а ошибка снижается на 22.5%. Особенно заметен прогресс в переходные сезоны сентябрь–ноябрь и декабрь–февраль, когда важно точно предсказать начало и зрелость события. Статистические тесты подтверждают: на сроках больше 12 месяцев более 85% пар «срок–сезон» показывают значимое улучшение корреляции.
Раньше было неясно, насколько велик разброс в качестве прогнозов внутри одного ансамбля и можно ли его использовать. Теперь показано, что в наборе из 40 участников всегда есть подгруппа из 5–10 человек, которая на горизонте до 23 месяцев предсказывает Эль-Ниньо заметно точнее, чем среднее по всем, причём выигрыш растёт с увеличением срока. Достигнуто это простым сравнением каждого прогноза с наблюдениями и отбором лучших по двум метрикам.
Метод можно встроить в оперативные системы прогноза погоды и климата как дешёвый способ повысить точность долгосрочных предсказаний без изменения моделей. Следующий шаг — научиться распознавать сильных участников в реальном времени, когда будущие наблюдения ещё неизвестны. Для этого нужны надёжные методы оценки ошибки прогноза без доступа к верификации, а также адаптивные схемы, которые обновляют веса участников по мере поступления новых данных. Если такие инструменты удастся создать, ретроспективный выигрыш превратится в операциональное преимущество для прогностических центров. Так команда из сорока синоптиков может стать ещё точнее, если тренер будет выпускать на поле только проверенных игроков.
На горизонте 23 месяца отобранные пять участников дают корреляцию выше средней по ансамблю на 0.43 — это как если бы прогноз стал почти в полтора раза «синхроннее» с реальностью. При этом вычислительная стоимость не увеличивается ни на рубль.