main concepts scientists sections
ПростоПопулярноПодробно

Как нейросеть ищет Эль-Ниньо: карта важных мест в океане ✛

Оригинал: "Explore the Ideology of Deep Learning in ENSO Forecasts"
· Yanhai Gan, Yipeng Chen, Ning Li, Xingguo Liu, Junyu Dong, Xianyao Chen
arXiv:2601.02050 · 2026-01-05 · CC BY 4.0 · 1 мин
Машинное обучение
Учёные придумали способ заглянуть внутрь нейросети и увидеть, на какие данные она опирается, когда предсказывает Эль-Ниньо.

В тропической части Тихого океана вода то нагревается, то остывает, и это влияет на погоду во всём мире. Это явление называют Эль-Ниньо. Предсказать его на несколько месяцев вперёд очень трудно. Нейросети справляются с этой задачей лучше старых методов, но они похожи на чёрный ящик: непонятно, что внутри. Учёные придумали способ заглянуть в этот ящик и увидеть, на какие данные нейросеть обращает внимание.

Метод называется практической частичной полной вариацией. Он работает так: если слегка изменить одну из входных величин, например температуру воды в каком-то районе, и прогноз сильно изменится, значит эта величина важна. Так можно составить карту важных мест. Оказалось, что для прогноза на один месяц вперёд почти всё внимание сосредоточено в тропической части Тихого океана. Для прогноза на год вперёд нейросеть также смотрит на Индийский и Атлантический океаны.

Весной прогнозы становятся хуже. Учёные выяснили, что в это время нейросеть расширяет зону внимания, но точность всё равно падает. Это значит, что ей не хватает данных, а не что она плохо обучена.

Чтобы улучшить прогнозы, нужно добавить больше информации: например, данные о ветре или солёности воды. Тогда нейросеть сможет находить новые подсказки и делать более точные предсказания даже весной.

Весь граф →

Метод PPTV основан на концепции полной вариации функции, которая восходит к работам Анри Лебега и используется в обработке изображений для подавления шума. Здесь она впервые применена для объяснения нейросетей в климатологии.

PPTV(f|x_1) = \int \cdots \int_D P(x_1,\ldots,x_n) \left| \frac{\partial f}{\partial x_1} \right| dx_1 \cdots dx_n
Средневзвешенное по вероятности абсолютное значение частной производной функции по переменной x1, оценивающее её вклад в изменение выхода.
PPTV(f|x_1) \approx \frac{1}{m} \sum_{i=1}^m \left| \frac{\partial f(x_i)}{\partial x_i^1} \right|
Приближение интеграла средним арифметическим абсолютных градиентов по обучающим примерам.
Понятия
весенний барьер предсказуемости энсо индекс Эль-Ниньо модель Джина–Тиммермана южная осцилляция эль-ниньо многомерный индекс ЭНСО южная осцилляция буйковые станции TAO/TRITON распространение экваториальных волн ла-нинья модель осциллятора с подзарядкой ERSST NOAA CPC NOAA PMEL TAO эффект конденсатора Индийского океана объём тёплой воды прогноз обратная связь Бьеркнеса естественная изменчивость регрессия нейронной сети