Глубокое обучение все чаще используют для прогнозирования в атмосфере и океане, и оно уже показывает лучшие результаты, чем классические численные модели. Но есть нюанс: нейросети анализируют данные сразу за несколько моментов времени, а не шаг за шагом, как традиционные методы. Из-за этого ошибки прогноза зависят не от одного начального состояния, а от всех входных данных сразу.

Раньше для поиска самых опасных погрешностей в прогнозах применяли метод CNOP — он искал «слабое место» только в начальный момент.

CNOP (Conditional Nonlinear Optimal Perturbation) — это «наихудший» сценарий небольшой погрешности в начальных данных, который приводит к максимальной ошибке в прогнозе. Представьте, что вы слегка неточно измерили температуру океана, и из-за этого через неделю модель ошибается на 5 градусов — CNOP как раз ищет такие критические точки.

Но для нейросетей это не подходит. Китайские ученые усовершенствовали подход и создали CNOP-DL, который учитывает ошибки на разных временных срезах. Это помогает понять, не только где, но и когда нужны дополнительные наблюдения, чтобы улучшить прогноз.

CNOP-DL особенно полезен для быстроразвивающихся явлений, вроде тайфунов или вихрей, — объясняет Цицин Зу из Национального центра прогнозирования морской среды Китая. — Ресурсов для наблюдений всегда не хватает, и метод подскажет, в какой момент их стоит задействовать.

Проверили метод на прогнозе температуры поверхности океана в Южно-Китайском море.

Оказалось, что время ошибки важнее ее местоположения. То есть, правильный момент для измерений может быть критичнее, чем точка на карте.

Обычно мы ищем, куда поставить датчики в начальный момент, — говорит профессор Му Му из Фуданьского университета. — CNOP-DL расширяет возможности: он показывает, какие именно дни в прошлом сильнее всего повлияли на ошибку. Это поможет рационально использовать буи, дроны и корабли.

Кроме того, метод точнее оценивает пределы предсказуемости. Классический CNOP ищет оптимальное решение в узких рамках, а CNOP-DL охватывает больше вариантов, поэтому находит более серьезные ошибки.

Результаты опубликованы в издании Advances in Atmospheric Sciences.

Что дальше? Ученые планируют проанализировать множество случаев, выявить общие закономерности и создать оптимальную сеть наблюдений в Южно-Китайском море. Это позволит тратить меньше ресурсов, но получать более точные прогнозы.

Главный плюс CNOP-DL — практическая направленность. Метод не просто улучшает теорию, а сразу дает инструмент для оптимизации наблюдений. Например:

• Для метеорологов: поможет расставить буи и дроны так, чтобы поймать критичные фазы развития тайфуна.
• Для океанологов: укажет, когда измерять температуру воды, чтобы снизить ошибки в прогнозах течений.
• Для экономистов: сократит затраты на дорогостоящие наблюдения, фокусируя их на ключевых моментах.

Это особенно актуально для регионов с дефицитом данных, таких как открытый океан или полярные зоны.

Метод требует огромных вычислительных ресурсов: анализ шести временных срезов вместо одного усложняет расчеты в разы. Для оперативного прогнозирования это может стать проблемой. Кроме того, авторы проверили CNOP-DL только на температуре поверхности океана — как он поведет себя для трехмерных моделей атмосферы, пока неясно.

Ранее ученые представили наземный прибор для наблюдений за космической погодой.