[논문 리뷰] Distillation and Interpretability of Ensemble Forecasts of ENSO Phase using Entropic Learning

Michael Groom, Davide Bassetti외 2명|arXiv (Cornell University)|2026. 02. 15.

Climate variability and models인용 수 0

한 줄 요약

논문은 엔트로피 최적 eSPA 모델들의 대규모 앙상을 압축하여 장기 ENSO 위상 예측(최대 24개월)용으로 작고 해석가능한 모델로 축소하는 증류 프레임워크를 제시하며, 예측 능력을 유지합니다.

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.

연구 동기 및 목표

• 대형 모델 앙상블의 불투명성을 다루어 해석 가능한 장기 ENSO 예측을 추진한다.
• 예측 정확도를 잃지 않는 증류 방법을 개발하여 eSPA 앙습을 각 예측 기간별 단일의 실용 가능한 모델로 압축한다.
• 증류된 모델이 예측 기술을 유지하고 진단 맵과 체계 분석을 통해 물리적으로 의미 있는 ENSO 선행 변수들을 드러냄을 입증한다.
• 적은 수의 해석 가능한 모델을 사용하여 장기 ENSO 예측 가능성을 조사하는 도구를 제공한다.

제안 방법

• 관측/재분석 데이터를 사용하여 각 예측 기간(1–24개월)에 대해 50개의 eSPA 분류기 앙상블을 훈련한다.
• 특징 중요도 W^{(n)}와 스케일링으로 가중치를 준 후 앙상블의 올바른 예측 중심을 초-클러스터의 데이터 세트로 집계한다.
• 초-클러스터 중심에 대해 k-means 클러스터링을 수행하여 각 예측 기간당 K=12개의 초-클러스터를 얻는다.
• 볼록 제곱 계획법을 이용해 Gamma^{(n)}를 계산하여 인스턴스를 초-클러스터에 매핑한다.
• 볼록 비선형 프로그래을 풀어 Lambda^{(n)}를 추정하여 초-클러스터 소속과 클래스 확률 간의 관계를 연결한다.
• 모호한 소속에 대한 최대우도 추정을 이용해 초-클러스터 간의 전이 행렬 P^{(n)}를 구성하여 ENSO 동역학의 Markov-체인 분석을 가능하게 한다.

실험 결과

연구 질문

• RQ1 eSPA 모델의 앙상을 압축하여 예측 기술을 잃지 않는 간결한 해석 가능한 모델 세트를 도출할 수 있는가?
• RQ2 증류된 모델이 ENSO 메커니즘에 일치하는 물리적으로 의미 있는 선행 변수와 시공간 역학을 드러내는가?
• RQ3 리드 타임 간 입력 특징 공간과 군집 간 관계는 어떻게 진화하며, 이는 예측 가능성의 장애물에 무엇을 시사하는가?
• RQ4 진단 맵과 도출된 전이 구조(초-클러스터, Lambda, P)가 선행 변수로부터 성숙한 상태로 발전하는 ENSO 경로를 조명할 수 있는가?

주요 결과

• 증류된 모델은 전체 앙상블과 견줄 만한 예측 확률 기술을 유지하면서 해석 가능성을 가능하게 한다.
• 증류된 모델의 진단 맵은 ENSO의 진화를 외극성/대분지 예측 변수로부터 성숙한 상태로 추적한다.
• 특징 중요도 기반 분석은 다양한 선행 타임에서 알려진 해양-대기 선행 변수와 일치하는 예측 변수를 부각시킨다.
• 전이 행렬은 초-클러스터 간의 지배적 경로를 드러내고 지속 시간과 이완 시간을 (~6개월, Niño3.4 역학과 일치) 정량화한다.
• 사례 연구에서 증류된 중심에서 재구성된 필드가 ENSO 이벤트와 그 선행 변수의 진화를 재현한다.
• 이 방법은 실시간 예측과 함께 장기 ENSO 예측 가능성을 연구하는 엄밀한 프레임워크를 제공한다.