Наблюдения и глубокое обучение снижают неопределённость прогнозов ЭНЮК

Исследователи из Института океанологии Китайской академии наук (IOCAS) под руководством профессора Ван Фаня разработали подход, который с помощью глубокого обучения позволяет снизить неопределённость в прогнозах изменчивости температуры поверхности моря (ТПМ), связанной с Эль-Ниньо — Южным колебанием (ЭНЮК). Результаты работы, опубликованные в Nature Communications, показывают, что метод сокращает диапазон неопределённости прогнозов на 54% по сравнению с исходными данными климатических моделей CMIP6.

ЭНЮК является сильнейшим сигналом межгодовой изменчивости в климатической системе Земли и оказывает огромное влияние на экстремальные погодные явления и экономику во всём мире. Однако современные климатические модели демонстрируют значительные расхождения в прогнозах будущей изменчивости ЭНЮК. Новый подход использует 11 независимых моделей искусственных нейронных сетей (ИНС), обученных на исторических данных и данных будущих сценариев от различных моделей CMIP6. Ключевым элементом стала "информированность наблюдениями": модели, наиболее точно отражающие наблюдаемую реакцию ЭНЮК на изменения ТПМ, получали приоритет.

Анализ показал, что лучшие модели ИНС эффективно усваивали реалистичную динамику ЭНЮК, демонстрируя высокую чувствительность к изменениям ТПМ в центральной экваториальной и крайней западной частях Тихого океана. Применение этого подхода для ограниченных прогнозов на XXI век по сценарию высоких выбросов и позволило добиться значительного сокращения неопределённости. Кроме того, исследование выявило, что, вопреки некоторым традиционным оценкам, и данные наблюдений, и моделирование климата последовательно показывают сходную "Эль-Ниньо-подобную" картину потепления в ключевых для ЭНЮК регионах.

"Это исследование даёт количественную физическую основу для будущих прогнозов ЭНЮК", — отметил профессор Чжу Ючао, первый автор работы.