Как предсказать Эль-Ниньо за полгода ✛ ✎

Оригинал: "El Nino Prediction Based on Weather Forecast and Geographical Time-series Data"
arXiv:2604.04998 · 2026-04-05 · arXiv non-exclusive · собственный разбор · 1 мин
Нейросеть, которая смотрит на карты океана и слушает ритм температуры, предсказывает Эль-Ниньо с точностью 90%.

Два наблюдателя следят за Тихим океаном. Один разглядывает тепловые карты поверхности, другой вслушивается в ритм температуры и запаса тепла в толще воды. По отдельности каждый замечает лишь часть картины, но вместе они способны уловить приближение Эль-Ниньо за несколько месяцев до того, как тёплое течение изменит погоду на всей планете.

Эль-Ниньо, тёплая фаза климатического колебания в экваториальной части Тихого океана, приносит засухи в Австралию и наводнения в Перу, влияет на рыболовство и урожаи. Точный прогноз за полгода даёт время на подготовку. Исследователи из Вьетнамского национального университета построили модель ConvLSTM-XT, которая объединяет двух наблюдателей в одной архитектуре. Свёрточная нейросеть (CNN) обрабатывает тепловые карты температуры поверхности океана (SST), а долгая краткосрочная память (LSTM) анализирует временные ряды температуры и теплосодержания океана (OHC). Данные охватывают период с января 2000 по сентябрь 2023 года, регион ограничен зоной Ниньо 3.4 (5° ю.ш. – 5° с.ш., 120°–170° з.д.).

Модель обучали 50 эпох оптимизатором Adam с learning rate 0.001 и batch size 32, функция потерь — среднеквадратичная ошибка. Прогноз оценивали по индексу ОНИ (среднее за три месяца аномалии SST), сравнивая с порогом 0.5°C.

Точность прогноза составила 90,57% для конфигураций, где хотя бы один из пяти кварталов использовал реальные наблюдения, а остальные — прогноз. Когда все пять кварталов прогнозировались без опоры на наблюдения, точность упала до 83,02%. Качественный анализ тепловых карт за март–сентябрь 2023 года показал, что модель уловила переход от холодных аномалий к тёплым, характерный для развития Эль-Ниньо, хотя и не всегда превышала порог 0.5°C во всех пяти периодах. Два наблюдателя, объединив усилия, уже сейчас дают несколько месяцев форы перед лицом климатической аномалии.

Эль-Ниньо 1982–1983 годов почти уничтожил популяцию перуанского анчоуса, на которой держался крупнейший в мире рыбный промысел. Уловы упали с 12 миллионов тонн до менее чем 1 миллиона тонн.

В романе Кима Стэнли Робинсона «Сорок знаков дождя» климатические модели играют ключевую роль в предсказании экстремальных погодных явлений, а учёные борются за то, чтобы их прогнозы были услышаны политиками. Разработка более точных моделей Эль-Ниньо перекликается с этой темой: чем раньше и точнее предупреждение, тем больше шансов на адаптацию.

A_{region}(t) = \frac{1}{N} \sum_{(lat,lng) \in Ni\~no 3.4} \left[ T_{lat,lng}(t) - \frac{1}{30} \sum_{yt=c(yt)-15}^{c(yt)+14} T_{lat,lng}(yt, m(t)) \right]
Разница между текущей температурой поверхности и её 30-летним климатологическим средним для того же месяца, усреднённая по всей области Ниньо 3.4.
ONI(t) = \frac{1}{3} \left( A_{region}(t-2) + A_{region}(t-1) + A_{region}(t) \right)
Скользящее среднее за три месяца аномалий температуры поверхности, используемое для определения Эль-Ниньо (порог 0.5°C).
Понятия
эль-ниньо прогноз ла-нинья индекс Эль-Ниньо NOAA CPC NOAA PMEL TAO весенний барьер предсказуемости ERSST модель Джина–Тиммермана энсо распространение экваториальных волн относительный они многомерный индекс ЭНСО модель Зебиака–Кейна эффект конденсатора Индийского океана ансамблевый прогноз время упреждения вспышка западных ветров межгодовая изменчивость буйковые станции TAO/TRITON