Графовые нейросети восстановили данные о водных запасах Южной Америки с 1940 года
Спутниковые миссии GRACE и GRACE-FO — единственный прямой источник глобальных наблюдений за изменениями запасов воды (TWS), но их данные доступны только с 2002 года. Для климатических исследований этого недостаточно. Ученые предложили метод реконструкции на основе графовых нейронных сетей, который продлевает ряд наблюдений до 1940 года.
Новая модель MTGNN (Multi-Variate Time Series Graph Neural Network) изначально разрабатывалась для прогнозирования трафика, но авторы адаптировали её для геодезической задачи. Система обучается на ежедневных метеорологических данных ERA5 (осадки, испарение, сток) и месячных наблюдениях GRACE, восстанавливая аномалии TWS.
Ключевая особенность — гибридная матрица смежности, которая учитывает географическую близость и запаздывающие корреляции климатических рядов. Это позволяет модели улавливать как локальные гидрологические связи, так и крупномасштабные атмосферные-океанические взаимодействия (телесвязи).
Результаты впечатляют: поточечный коэффициент корреляции Пирсона — 0,69, средний по бассейнам — 0,94, смещение близко к нулю. Модель корректно воспроизвела пространственные «отпечатки» Эль-Ниньо 2015/16 и Ла-Нинья 2020/21 годов.
Сравнение с существующими подходами (GTWS-MLrec, RM-REC, GRAiCE) показало, что графовая модель конкурентоспособна на уровне бассейнов — её корреляция лишь на 0,025 уступает лучшему базовому методу, при этом требуется в два-десять раз меньше предикторов. Однако все модели демонстрируют характерные недостатки в засушливых регионах.
Полная реализация алгоритма выложена в открытый доступ на GitHub. Разработка даёт климатологам ценный инструмент для анализа долгосрочных изменений водного цикла, особенно в Южной Америке, где недавние засухи и наводнения напрямую связаны с колебаниями TWS.
