main concepts scientists sections
ПростоПопулярноПодробно

Муссонный приёмник: как нейросеть находит в океане сигналы будущих дождей ✛

Оригинал: "Reinforcement Learning to Discover a North-East Monsoon Index for Rainfall Prediction in Thailand"
· Kiattikun Chobtham
arXiv:2601.10181 · 2026-01-15 · CC BY 4.0 · 2 мин
Машинное обучение Экзопланеты
Агент с обучением с подкреплением настраивает «антенну» из двух участков океана, чтобы уловить связь между температурой воды и дождями в Таиланде на месяцы вперёд.

Настройка старого радиоприёмника требует терпения: медленно крутишь ручку, ловишь шорох, снова крутишь, пока сквозь помехи не проступит голос. Примерно так же агент с обучением с подкреплением искал в океане два участка, разность температур которых лучше всего предсказывает дожди в Таиланде. Ручек у него было две: сдвинуть прямоугольник и изменить его размер. Наградой служила сила связи между разностью температур и количеством осадков в сезон северо-восточного муссона, зимнего ветра, который приносит дожди в Юго-Восточную Азию.

Индекс северо-восточного муссона вычисляется как нормализованная разность средних температур поверхности моря в двух районах: Z(t) = normalise(SST_B(t) - SST_A(t)). Агент подбирал районы A и B, чтобы максимизировать корреляцию индекса с осадками.

Исходно районы были взяты из прежних исследований, но связь с дождями оказалась слабой, как едва слышный сигнал. Агент перебрал тысячи вариантов расположения и размеров, и постепенно корреляция выросла с 0.052 до 0.497 по целевой функции, которая усредняет квадраты корреляций для начала и отступления муссона. Оптимальные участки сдвинулись на сотни километров от исходных. Теперь разность температур между ними отражает именно местный муссонный механизм, а не глобальные течения.

Для прогноза использовалась нейросеть LSTM с входным окном 24 месяца и горизонтом 12 месяцев. Индекс добавлялся как дополнительный входной признак. Ошибка RMSE снизилась в большинстве кластеров: например, в кластере 1 с 99.79 до 94.54 мм/мес.

Когда индекс добавили в нейросеть с памятью, ошибка прогноза на год вперёд уменьшилась в 11 из 12 групп метеостанций. На юге Таиланда корреляция индекса с осадками в начале муссона достигла -0.720, на севере в период отступления -0.738. Отрицательная связь означает, что чем теплее вода в одном районе относительно другого, тем меньше дождей в соответствующем сезоне, или наоборот. Лишь в одном кластере улучшения не было, что напоминает о том, что даже хорошо настроенный приёмник не всегда ловит все станции.

До этой работы было неясно, какие именно участки океана стоит слушать, чтобы предсказывать дожди в Таиланде, и может ли локальный индекс превзойти глобальные. Теперь найденные районы дают сильный сигнал, который улучшает годовой прогноз. Практическая польза прямая: управление водохранилищами и сельскохозяйственное планирование требуют точных долгосрочных прогнозов осадков. Агент, как радиолюбитель, нашёл нужную частоту, и теперь прогнозисты могут включать этот индекс в свои системы, не перебирая вручную тысячи вариантов.

Весь граф →

Агент обучения с подкреплением исследовал тысячи комбинаций прямоугольников в океане, чтобы найти пару областей, разность температур которых лучше всего предсказывает дожди. Оптимальные области оказались сдвинуты на сотни километров от исходных, предложенных в предыдущих исследованиях.

Z(t) = \text{normalise}(SST_B(t) - SST_A(t))
Нормализованная разность средних температур поверхности моря в областях B и A в момент t
Q(A,B) = \frac{1}{2}(R^2_{NEM onset} + R^2_{NEM retreat})
Среднее квадратов корреляций индекса с осадками в периоды начала и отступления муссона
Понятия
муссон начало муссона NOAA CPC ERA5 океанический индекс нино случайный лес IRI обучение с подкреплением многомерный индекс ЭНСО межгодовая изменчивость навык прогноза относительный они gpcp среднеквадратичная ошибка ERSST аномалия осадков Ниньо 4 машинное обучение вероятностный прогноз тропосферная двухлетняя осцилляция