探索深度学习在 ENSO 预测中的理念
机器学习
2026-01-06 v1
摘要
厄尔尼诺-南方振荡（El Niño-Southern Oscillation，ENSO）对全球气候变率影响深远，但其预测仍是一大挑战。近期深度学习技术显著提升了预测水平，但模型的不透明性削弱了科学信任并限制了实际应用。本文引入基于有界变函数的可解释性框架，通过挽救激活函数饱和区中“死亡”神经元的状态，提升了模型的表达能力。我们的分析表明，ENSO 的可预测性主要来自热带太平洋，印度洋和大西洋也贡献了部分贡献，与已有物理认识相符。受控实验确认了我们方法的稳健性及其与既有预测器的一致性。值得注意的是，我们探讨了持久的春季可预测性障碍（Spring Predictability Barrier，SPB），发现尽管春季灵敏度扩大，预测性能仍下降——这可能源于变量选择不佳。这些结果表明，引入额外的海洋-大气变量有助于突破 SPB 限制，推动长期 ENSO 预测的进步。
引用
@article{arxiv.2601.02050,
title = {Explore the Ideology of Deep Learning in ENSO Forecasts},
author = {Yanhai Gan and Yipeng Chen and Ning Li and Xingguo Liu and Junyu Dong and Xianyao Chen},
journal= {arXiv preprint arXiv:2601.02050},
year = {2026}
}
备注
5 figures. Code available at https://github.com/liuxingguo9349/pptv-enso-env