Каждую весну прогнозы Эль-Ниньо теряют силу, как переводчик, который отвлекается на каждый шорох в зале и превращает часовое совещание в двухчасовое. Учёные называют это весенним барьером предсказуемости: именно в марте и апреле модели, которые ещё в январе уверенно говорили о тёплой фазе в Тихом океане, начинают ошибаться в два раза чаще. Новая работа предлагает иной путь: не пытаться перекричать шум, а научить нейросеть снимать его слой за слоем, как реставратор снимает копоть со старой картины.

Авторы взяли шесть последних месяцев температуры поверхности океана в тропической части Тихого океана и попросили модель выдать распределение вероятностей для следующего месяца. Потом предсказанный месяц добавляли в историю и повторяли процедуру до 30 раз, так что прогноз скользил вперёд, как человек, который идёт по болоту и проверяет каждую кочку перед тем, как перенести на неё вес. Обучали на реанализе IAP v4 с 1940 по 1999 год, а проверяли на независимом периоде 2000–2023 годов. Отдельно сравнили два варианта: с предварительным обучением на ансамбле климатических моделей CMIP6 и без него.

Результат удивил: модель без предварительного обучения на CMIP6 удерживает корреляцию индекса Niño3.4 выше 0.5 на протяжении 14 месяцев, тогда как вариант с CMIP6 теряет этот уровень уже после 7 месяцев. В более раннем эксперименте на данных 1980–2021 годов корреляция выше 0.5 сохранялась до 26 месяцев, а средняя абсолютная ошибка температуры за 30 месяцев составила 0.66 °C. Для сравнения, у ведущих динамических моделей ошибка на горизонте 6–9 месяцев превышает 0.7 °C. Модель воспроизвела супер-Эль-Ниньо 2015 года и тройную Ла-Нинью 2020–2022 годов с ошибкой индекса в пределах ±0.3 °C.

Главный физический сюрприз: когда авторы проанализировали, как модель убирает шум на каждом шаге, оказалось, что этот процесс математически эквивалентен уравнению Ван дер Поля. Это уравнение описывает самоподдерживающиеся колебания с нелинейным затуханием, то есть именно тот цикл накопления и разрядки тепла, который порождает Эль-Ниньо и Ла-Нинью. Параметры нелинейного затухания и частоты колебаний, извлечённые из нейросети, соответствуют наблюдаемому 22-месячному циклу ENSO. Нейросеть не просто выучила данные, она сама, без подсказок, воспроизвела физику климатической изменчивости.

До этой работы было неясно, можно ли одновременно получить вероятностный прогноз Эль-Ниньо на срок больше года и физически интерпретируемую модель. Теперь ясно: диффузионная модель даёт надёжный прогноз индекса Niño3.4 на 14–26 месяцев и внутри своего обратного процесса воспроизводит уравнение Ван дер Поля. Такой инструмент можно применять в оперативных центрах для вероятностного прогноза Эль-Ниньо и раннего предупреждения о весеннем барьере предсказуемости, когда каждую весну точность моделей резко падает. Нейросеть перестала быть чёрным ящиком и стала окном в механику океана.