Nature Communications: Многозадачное машинное обучение улучшает мультисезонный прогноз диполя Индийского океана
Как одна из наиболее преобладающих межгодовых изменчивостей, диполь Индийского океана (ДИО) оказывает большое социально-экономическое воздействие во всём мире, особенно в Азии, Африке и Австралии. Несмотря на то, что с момента его открытия были предприняты огромные усилия для улучшения как климатических моделей, так и статистических методов для более точного прогнозирования, текущие способы прогнозирования ДИО в основном ограничены тремя месяцами вперёд. Авторы решают эту давнюю проблему, используя многозадачную модель глубокого обучения, названную MTL-NET. Ретроспективные прогнозы событий ДИО за последние четыре десятилетия показывают, что MTL-NET может прогнозировать ДИО заблаговременно до семи месяцев, превосходя большинство динамических моделей мирового класса, используемых для сравнения в этом исследовании. Кроме того, MTL-NET может помочь оценить важность различных предикторов и правильно зафиксировать нелинейные отношения между ДИО и предикторами. С учётом достоинств MTL-NET можно констатировать, что она продемонстрировала себя как эффективная модель для улучшенного прогнозирования ДИО.
