Как выбрать лучших предсказателей Эль-Ниньо ✛

Оригинал: "Distillation of CNN Ensemble Results for Enhanced Long-Term Prediction of the ENSO Phenomenon"

· Saghar Ganji, Mohammad Naisipour, Alireza Hassani, Arash Adib

arXiv:2509.06227 · 2025-09-07 · CC0 1.0 · 2 мин

Физика атмосферы и океана Искусственный интеллект Вычислительная инженерия Прикладная физика

Среди 40 прогнозов климатической модели нашлись участники, которые предсказывают Эль-Ниньо на два года вперёд заметно точнее, чем среднее по всем.

Представьте команду из сорока синоптиков, которые прогнозируют Эль-Ниньо — тёплое течение в Тихом океане, влияющее на погоду по всему миру. Каждый использует одну и ту же компьютерную модель, но с чуть разными начальными условиями, поэтому их прогнозы немного отличаются. Обычно все сорок прогнозов усредняют, считая, что каждый одинаково хорош. Но это не так: некоторые участники систематически точнее других.

Учёные проверили, можно ли заранее найти лучших. Они взяли 40 прогнозов температуры океана в районе Эль-Ниньо и сравнили каждый с реальными наблюдениями за 30 лет. Для каждого срока прогноза и сезона они отобрали пять самых точных участников по двум признакам: насколько близко предсказана сила явления и насколько точно угадано время его наступления. Затем объединили эти пять прогнозов с весами, которые зависят от того, насколько часто участник попадал в число лучших.

На горизонте 23 месяца отобранная пятёрка ошибается на 0.18 °C меньше, чем среднее по всем сорока. Это как если бы прогноз температуры в вашем городе на два года вперёд стал точнее на пятую часть градуса.

Результат впечатляет: на коротких сроках выигрыш небольшой, но к 23-му месяцу корреляция между прогнозом и реальностью вырастает на 0.43, то есть на 172%, а ошибка падает на 22.5%. Особенно заметно улучшение в переходные сезоны, когда важно точно предсказать начало и зрелость Эль-Ниньо. Раньше было неясно, можно ли использовать разброс качества внутри ансамбля. Теперь ясно: в наборе из 40 прогнозов всегда есть подгруппа из 5–10 человек, которая предсказывает Эль-Ниньо заметно точнее, чем среднее по всем, и выигрыш растёт с увеличением срока.

Этот метод можно встроить в оперативные системы прогноза погоды как дешёвый способ повысить точность без изменения моделей. Следующий шаг — научиться распознавать сильных участников в реальном времени, когда будущие наблюдения ещё неизвестны. Если это получится, команда из сорока синоптиков станет ещё точнее, ведь тренер будет выпускать на поле только проверенных игроков.

Весь граф →

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.

RMSE_{L,M}^{(k)} = \sqrt{\frac{1}{|\mathcal{T}_{L,M}|} \sum_{t \in \mathcal{T}_{L,M}} (\hat{y}_{t,L,M}^{(k)} - y_t)^2}

Корень из среднего квадрата разностей между прогнозом и наблюдением; чем меньше, тем точнее амплитуда.

r_{L,M}^{(k)} = \frac{\sum_{t \in \mathcal{T}_{L,M}} (y_t - \bar{y}_{L,M})(\hat{y}_{t,L,M}^{(k)} - \bar{\hat{y}}_{L,M}^{(k)})}{\sqrt{\sum_{t \in \mathcal{T}_{L,M}} (y_t - \bar{y}_{L,M})^2} \sqrt{\sum_{t \in \mathcal{T}_{L,M}} (\hat{y}_{t,L,M}^{(k)} - \bar{\hat{y}}_{L,M}^{(k)})^2}}

Мера линейной связи между прогнозом и наблюдением; чем ближе к 1, тем лучше совпадают фазы.

Понятия

весенний барьер предсказуемости энсо южная осцилляция эль-ниньо многомерный индекс ЭНСО индекс Эль-Ниньо модель Джина–Тиммермана ERSST ансамблевый прогноз буйковые станции TAO/TRITON южная осцилляция ла-нинья модель осциллятора с подзарядкой NOAA CPC распространение экваториальных волн NOAA PMEL TAO прогноз объём тёплой воды среднеквадратичная ошибка регрессия нейронной сети относительный они

Я автор

Как выбрать лучших предсказателей Эль-Ниньо ✛