Расширение пределов предсказуемости Эль-Ниньо с помощью физически направленных глубоких эхо-резервных сетей

Почему важны более точные прогнозы Эль-Ниньо

Эль-Ниньо — это периодическое потепление тропической части Тихого океана, которое способно смещать схемы осадков, вызывать наводнения и засухи, нарушать рыболовство и подрывать экономики по всему миру. Лучшие современные климатические модели обычно предсказывают наступление Эль-Ниньо примерно за год, но фермерам, городским планировщикам и службам по управлению чрезвычайными ситуациями нужны более ранние и надёжные предупреждения. В этом исследовании изучается, может ли новый класс искусственного интеллекта, строго направляемый известной климатической физикой, сдвинуть практический предел того, насколько заранее мы можем уверенно предсказывать события Эль-Ниньо.

Новый способ обучить машины океану

Авторы создают систему прогнозирования на основе техники, называемой Глубокой эхо-резервной сетью (Deep Echo State Network) — лёгкой разновидности рекуррентной нейронной сети, предназначенной для работы со сложными временными шаблонами. Вместо того чтобы подавать в сеть необработанные карты температуры и ветров, они сначала сводят климат к небольшому набору информативных индексов — простых чисел, отслеживающих условия в ключевых регионах Тихого, Индийского и Атлантического океанов. Этот выбор вдохновлён представлением «расширенного аккумуляторного осциллятора» Эль-Ниньо, которое рассматривает тропический Тихий океан как часть более широкой взаимосвязанной океанической системы. Предоставляя сети эти физически интерпретируемые компоненты и информацию о сезонности, исследователи побуждают её усваивать реалистичное климатическое поведение вместо непрозрачных статистических упрощений.

Видеть дальше в будущее

Используя океанские реанализы за 1958–1999 годы для обучения и за 2002–2023 годы для тестирования, команда оценивает, насколько хорошо их физически направленная сеть предсказывает индекс Niño 3.4 — стандартную меру силы Эль-Ниньо и Ла-Нинья. Они сравнивают её с упрощёнными версиями того же метода, традиционной концептуальной моделью, оперативными климатическими прогнозами и продвинутой системой глубокого обучения, поглощающей огромные трёхмерные наборы данных. На коротких горизонтах в несколько месяцев все подходы показывают сопоставимую работу. Но на сроках свыше примерно 10 месяцев новая глубокая эхо-резервная сеть сохраняет полезную прогнозную способность дольше, удерживая корреляции выше общепринятого порога примерно на 16–20 месяцев. Примечательно, что она достигает такой производительности, обучаясь за секунды на стандартном настольном компьютере.

Как удалённые океаны и скрытое тепло добавляют качества прогнозу

Чтобы уйти дальше простых метрик и понять, почему метод работает, авторы проводят множество контролируемых экспериментов, в которых выборочно добавляют или удаляют фрагменты информации. Они обнаруживают, что слой тёплой воды под поверхностью тропического Тихого океана — известный как объём тёплой воды — действует как длительная память системы, сохраняя отпечаток прежних ветров и изменений в океане. Когда этот скрытый резерв исключают, способность к долгосрочным прогнозам рушится. Однако объём тёплой воды сам по себе недостаточен. Наибольшие приросты наблюдаются тогда, когда он может нелинейно взаимодействовать с климатическими вариациями в удалённых регионах, таких как Северный Тихий, Индийский и Атлантический океаны. Эти межбассейновые влияния, встроенные в подсистемную память, помогают сети предвидеть развитие Эль-Ниньо более чем за год вперёд.

Прояснение роли нелинейности и сезонности

Исследователи также изучают, как сильно нелинейное поведение и годовой цикл формируют предсказуемость. Поскольку архитектура их сети естественным образом может представлять сложные зависимости, зависящие от состояния, она последовательно превосходит более жёсткую физическую модель, включающую лишь несколько заранее заданных нелинейных членов. Преимущества сети особенно заметны вокруг так называемой весенней барьерной зоны предсказуемости — сезона, в котором прогнозы Эль-Ниньо исторически испытывали трудности. Дополнительные эксперименты, в которых начальное состояние некоторых регионов искусственно сбрасывают до средних условий, показывают, что выгоды от включения отдалённых океанов зависят от сезона и от текущего состояния самого Тихого океана — что является отличительной чертой нелинейных, зависящих от состояния взаимодействий, а не простых линейных причинно-следственных связей.

Где действительно заканчивается горизонт прогнозирования

Наконец, авторы задаются вопросом, отражает ли распространённый потолок прогнозной способности Эль-Ниньо в 15–20 месяцев недостатки моделей или более глубокий предел, заданный природой. Отслеживая, как крошечные изменения в начальных условиях разрастаются со временем внутри разных моделей, они оценивают момент, когда ошибки фактически насыщаются — когда прогнозы становятся неотличимы от случайных предположений. Их анализ указывает, что внутренний предел для Эль-Ниньо лежит примерно на уровне 30 месяцев. Новая физически направленная сеть приближается к этой границе сильнее других, достигая полезной точности свыше 1,5 лет благодаря своей стабильной внутренней динамике и реалистичному учёту множества взаимодействующих климатических режимов.

Что это значит для общества

Для неспециалистов главный вывод в том, что сочетание физического понимания с эффективным машинным обучением может заметно расширить горизонт, на который мы можем доверять прогнозам Эль-Ниньо, не жертвуя прозрачностью. Сосредоточившись на небольшом наборе хорошо понятных климатических индикаторов и скрытом запасе тепла в океане, этот подход одновременно проясняет, почему система предсказуема, и показывает, что природа по-прежнему накладывает жёсткий предел примерно в два с половиной года. Такие инструменты, направляемые физикой, могут помочь ведомствам выпускать более ранние и надёжные предупреждения о связанных с Эль-Ниньо экстремальных явлениях и служить образцом использования машинного обучения для понимания и предсказания других критических частей климатической системы.

Цитирование: Zhang, Z., Meng, J., Qiu, Z. et al. Enhancing the predictability limits of ENSO with physics-guided deep echo state networks. npj Clim Atmos Sci 9, 92 (2026). https://doi.org/10.1038/s41612-026-01360-5

Ключевые слова: Прогноз Эль-Ниньо, машинное обучение для климата, взаимодействие океана и атмосферы, объём тёплой воды, долгосрочные климатические прогнозы