[論文レビュー] Distillation and Interpretability of Ensemble Forecasts of ENSO Phase using Entropic Learning

Michael Groom, Davide Bassetti+2 more|arXiv (Cornell University)|Feb 15, 2026

Climate variability and models被引用数 0

ひとこと要約

論文は、長期の ENSO 位相予測を最大24か月先まで圧縮し、解釈可能な小型モデルへと蒸留するための、エントロピー最適化済みの Sparse Probabilistic Approximation (eSPA) モデルの大規模アンサンブルを圧縮する蒸留フレームワークを紹介し、予測スキルを保つ。

ABSTRACT

This paper introduces a distillation framework for an ensemble of entropy-optimal Sparse Probabilistic Approximation (eSPA) models, trained exclusively on satellite-era observational and reanalysis data to predict ENSO phase up to 24 months in advance. While eSPA ensembles yield state-of-the-art forecast skill, they are harder to interpret than individual eSPA models. We show how to compress the ensemble into a compact set of "distilled" models by aggregating the structure of only those ensemble members that make correct predictions. This process yields a single, diagnostically tractable model for each forecast lead time that preserves forecast performance while also enabling diagnostics that are impractical to implement on the full ensemble. An analysis of the regime persistence of the distilled model "superclusters", as well as cross-lead clustering consistency, shows that the discretised system accurately captures the spatiotemporal dynamics of ENSO. By considering the effective dimension of the feature importance vectors, the complexity of the input space required for correct ENSO phase prediction is shown to peak when forecasts must cross the boreal spring predictability barrier. Spatial importance maps derived from the feature importance vectors are introduced to identify where predictive information resides in each field and are shown to include known physical precursors at certain lead times. Case studies of key events are also presented, showing how fields reconstructed from distilled model centroids trace the evolution from extratropical and inter-basin precursors to the mature ENSO state. Overall, the distillation framework enables a rigorous investigation of long-range ENSO predictability that complements real-time data-driven operational forecasts.

研究の動機と目的

• 大規模モデルアンサンブルの不透明さに対処することで、解釈可能な長期 ENSO 予測を動機づける。
• lead time ごとに予測精度を損なうことなく、eSPA アンサンブルを単一の扱いやすいモデルへ蒸留する方法を開発する。
• 蒸留モデルが予測スキルを保持し、診断マップと体制分析を通じて物理的に意味のある ENSO 前駆体を明らかにすることを示す。
• 少数の解釈可能なモデルを用いて長期 ENSO 予測可能性を調査するツールを提供する。

提案手法

• 各リードタイム（1–24か月）について観測・再分析データを用い、50の eSPA 分類器のアンサンブルを訓練する。
• 特長重要度 W^{(n)} およびスケーリングによる重みづけを行った上で、アンサンブルから正解予測のセントロイドを超クラスターのデータセットに集約する。
• リードタイムごとに K=12 の超クラスターを得るため、超クラスターのセントロイドで k-means クラスタリングを実施する。
• 凸二次計画法を用いてファジー所属 Gamma^{(n)} を計算し、個体を超クラスターへ割り当てる。
• 凸非線形計画法を解いて条件付き確率 Lambda^{(n)} を推定し、超クラスター所属とクラス確率の関係を表す。
• ファジー所属を最大尤度で用いて超クラスター間の遷移マトリクス P^{(n)} を構築し、ENSO ダイナミクスのマルコフ連鎖分析を可能にする。

実験結果

リサーチクエスチョン

• RQ1 eSPA モデルのアンサンブルを、様々なリードタイムに対して予測スキルを損なうことなく、解釈可能なコンパクトなモデルの集合へ蒸留できるか？
• RQ2 蒸留モデルは ENSO の機構と整合する物理的に意味のある前駆体と時空間ダイナミクスを明らかにするか？
• RQ3 入力特徴空間とクラス間の関係はリードタイムを経るごとにどのように進化し、予測可能性の障壁に何を示唆するか？
• RQ4 診断マップと導出された遷移構造（超クラスター、Lambda、P）は前駆体から成熟状態への ENSO 発展経路を照らすのか？

主な発見

• 蒸留モデルは、全アンサンブルに匹敵する予測スキルをリードタイムを跨いで保持しつつ、解釈性を可能にする。
• 蒸留モデルからの診断マップは、ENSO の進行を大気中緯度域外・海盆間前駆体から成熟状態へ追跡する。
• 特徴重要度に基づく分析は、さまざまなリードタイムで既知の海洋−大気前駆体と一致する予測因子を強調する。
• 遷移マトリクスは超クラスター間の主要経路を明らかにし、持続時間と緩和時間を約6か月と定量化し、 Niño3.4 ダイナミクスと一致する。
• 事例研究は、蒸留セントロイドから再構成された場が ENSO イベントと前駆体の進化を再現することを示す。
• このアプローチは、リアルタイム予測と並行して長期 ENSO 予測可能性を研究する厳密な枠組みを提供する。