[论文解读] 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 0

一句话总结

论文提出一个蒸馏框架，将大量 entropy-optimal Sparse Probabilistic Approximation (eSPA) 模型的集合压缩为紧凑、可解释的模型，以进行长程 ENSO 相位预测（最长达 24 个月），同时保持预测技能。

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.

研究动机与目标

• 通过解决大模型集合的不透明性，推动可解释的长程 ENSO 预测。
• 开发一个蒸馏方法，将 eSPA 集合压缩成每个提前期仅一个可处理模型，而不损失预测准确性。
• 证明蒸馏模型保留预测技能，并通过诊断映射和体制分析揭示物理上有意义的 ENSO 前兆。
• 提供工具，利用一小组可解释模型来研究长程 ENSO 可预测性。

提出的方法

• 为每个提前期（1–24 个月）使用观测/再分析数据训练一个包含 50 个 eSPA 分类器的集合。
• 在特征重要性 W^{(n)} 的加权和缩放后，将集合中的正确预测质心聚合成超簇数据集。
• 对超簇质心执行 k-means 聚类，在每个提前期得到 K=12 个超簇。
• 通过一个凸二次规划计算模糊归属 Gamma^{(n)}，将样本映射到超簇。
• 通过求解一个凸非线性规划估计条件概率 Lambda^{(n)}，将超簇归属与类别概率相关联。
• 使用 fuzzy 归属的最大似然在超簇之间构建转移矩阵 P^{(n)}，以便对 ENSO 动力学进行马尔可夫链分析。

实验结果

研究问题

• RQ1 这些 eSPA 模型集合能否蒸馏为一组紧凑且可解释的模型，而不牺牲不同提前期的 ENSO 相位预测技能？
• RQ2 蒸馏模型是否揭示与 ENSO 机制一致的物理有意义的前兆和时空动力学？
• RQ3 输入特征空间和簇之间的关系在各提前期如何演化，这对可预测性屏障意味着什么？
• RQ4 诊断地图和推导的转移结构（超簇、Lambda、P）是否能揭示从前兆到成熟状态的 ENSO 发展路径？

主要发现

• 蒸馏模型在各提前期保持与完整集合相当的概率预测技能，同时实现可解释性。
• 来自蒸馏模型的诊断地图追踪 ENSO 从大洋中高纬度/盆地外前兆到成熟状态的演变。
• 基于特征重要性的分析突出在不同提前期与已知海气前兆相一致的预测因子。
• 转移矩阵揭示超簇之间的主导路径，并量化保持与放松时间（约 6 个月，与 Niño3.4 动力学一致）。
• 案例研究显示从蒸馏质心重建的场场再现了 ENSO 事件及其前兆的演变。
• 该方法为在实时预测的同时研究长程 ENSO 可预测性提供了一个严格的框架。