SST Baselines

Задача

Прежде чем сравнивать обучаемые модели для температуры поверхности океана (SST), нужно знать, насколько трудно превзойти простые базовые методы. Проект посвящён именно им. Это не модель прогноза океана. Работа выполнена с разрешения моего преподавателя в HEU.

Что я сделал

Построил конвейер данных и оценку для ежедневной SST NOAA OISST v2.1 в двух районах Тихого океана (Куросио и субтропический), 1982–2025. В ERDDAP не хватало 1 194 дней на район; я заполнил их из NOAA PSL с проверками. Сравнил шесть базовых методов: персистентность, фиксированная сглаженная климатология, персистентность аномалии, затухающая персистентность, 10-летняя ежедневная климатология (OCN) и Ridge-регрессия для каждой точки сетки. В проекте 40 тестов и CI.

Методика

Фиксированное разбиение: 1982–2015 — обучение, 2016–2019 — валидация, 2020–2025 — тест. Тест запускался один раз, после того как конфигурация была заморожена и помечена git-тегом.

Результаты

Методы, тянущиеся к климатологии (затухающая персистентность и Ridge), потеряли большую часть преимущества, которое имели на валидации, в тестовые годы. Это согласуется с более сильным потеплением в тестовом периоде, но причина не доказана.

Ограничения

• Только простые базовые методы. Обучаемая модель (LSTM) — следующий шаг, она в работе и в результаты не входит.
• Два небольших района и один набор данных.

Участие ИИ

Код написан с помощью Claude Code; методология и проверка результатов — мои.