Модель прогнозирования с поддержкой ИИ предсказывает явления ЭНЮК почти на два года

Каждые несколько лет изменения в том, как океан и атмосфера взаимодействуют вдоль западного побережья — от южной Калифорнии до Перу и через Тихий океан почти до Фиджи и Соломоновых островов — определяют изменчивость климата по всему миру. Чтобы лучше предсказать это Эль-Ниньо-Южное колебание (ЭНСО), международная исследовательская группа применила искусственный интеллект (ИИ) для разработки модели, способной прогнозировать это явление на срок до 22 месяцев.

Свой подход они опубликовали 17 мая в Исследования океана, суши и атмосферы.

«ЭНЮК доминирует над годовой изменчивостью климата Земли и часто может вызывать серьезные экологические и социально-экономические последствия во всем мире», — сказал первый автор Хаоюй Ван, докторант Ключевой лаборатории океанической циркуляции и волн Института океанологии Китайской академии наук. «Однако, несмотря на непрерывный прогресс теории ЭНЮК и моделирования, глобальные изменения тепловых характеристик, предшествующие явлениям ЭНЮК, не были полностью изучены, особенно для долгосрочных прогнозов ЭНЮК более чем на 12 месяцев вперед».

Это внешнее предсказание года частично ограничено тем, что исследователи называют барьером сохранения весны, имея в виду изменчивость весеннего сезона, когда он переходит от мороза зимы к пару лета. По мере изменения температуры как на поверхности моря, так и в атмосфере данные становятся размытыми и дают более искаженное представление о том, чего можно ожидать от ЭНЮК.

«В этой статье мы использовали методы ИИ для прогнозирования явления ЭНЮК, достигнув эффективной продолжительности прогноза в 22 месяца для Nino 3.4 и минимального влияния барьеров весеннего прогнозирования», — сказал соответствующий автор Сяофэн Ли, профессор Ключевой лаборатории океанической циркуляции и Волны. Ниньо 3,4 относится к середине южной части Тихого океана, на полпути между внешними границами ЭНЮК. Это один из четырех индексов Ниньо.

«Кроме того, мы разработали интерпретируемый метод для наблюдения взаимосвязи между глобальной температурой поверхности моря и содержанием тепла в океане с помощью ENSO с точки зрения ИИ».

Они назвали свой подход моделью извлечения и слияния пространственно-временной информации (STIEF) и обучили его на исторических наблюдениях за температурой поверхности моря и смоделированных данных о теплосодержании океана. По словам Ли, он содержит два ключевых компонента: способность извлекать характеристики пространства и времени и способность объединять эти характеристики вместе.

Модель глубокого обучения извлекает временные и пространственные характеристики данных океана параллельно. Затем он использует то, что он узнает из этих отдельных точек данных, чтобы понять, как они коррелируют, основываясь только на ближайших прошлых точках данных. Это позволяет модели избежать ловушки предположения, что будущая точка данных является результатом постепенного опережения, компенсируя быстро меняющиеся изменения барьеров стойкости пружины.

По словам Вана, команда также разработала модель, чтобы задним числом понять, как она обрабатывает различные точки данных, чтобы делать прогнозы. Как правило, обработка слишком запутана, чтобы извлекать конкретные данные и следить за тем, как модель использовала их в своем прогнозе. Названный проблемой «черного ящика», исследователи могут видеть входные переменные и прогноз на выходе, но сам процесс остается загадкой.

«Мы разработали интерпретируемый подход для решения проблемы «черного ящика» в нашей модели прогнозирования ENSO на основе ИИ», — сказал Ван. «Это позволяет нам наблюдать корреляции между различными переменными с точки зрения ИИ, предоставляя новые идеи для нашего теоретического исследования явлений прогнозирования океана».

Исследователи заявили, что планируют продолжать совершенствовать свою модель и в конечном итоге применить ее ко всем четырем индексам Ниньо для изучения разнообразия ЭНЮК. Конечная цель состоит в том, чтобы создать интерпретируемую модель ИИ, применимую к прогнозам различных океанских явлений.