論文の概要: Explore the Ideology of Deep Learning in ENSO Forecasts

• arxiv url: http://arxiv.org/abs/2601.02050v1
• Date: Mon, 05 Jan 2026 12:15:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:23.060561
• Title: Explore the Ideology of Deep Learning in ENSO Forecasts
• Title（参考訳）: ENSO予測における深層学習のイデオロギーを探る
• Authors: Yanhai Gan, Yipeng Chen, Ning Li, Xingguo Liu, Junyu Dong, Xianyao Chen,
• Abstract要約: 本稿では,有界変動関数に基づく数学的基盤の解釈可能性フレームワークを提案する。 活性化機能の飽和領域から「死」ニューロンを回収することにより、モデルの表現能力を高める。
• 参考スコア（独自算出の注目度）: 32.93598317670086
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The El Ni{~n}o-Southern Oscillation (ENSO) exerts profound influence on global climate variability, yet its prediction remains a grand challenge. Recent advances in deep learning have significantly improved forecasting skill, but the opacity of these models hampers scientific trust and operational deployment. Here, we introduce a mathematically grounded interpretability framework based on bounded variation function. By rescuing the "dead" neurons from the saturation zone of the activation function, we enhance the model's expressive capacity. Our analysis reveals that ENSO predictability emerges dominantly from the tropical Pacific, with contributions from the Indian and Atlantic Oceans, consistent with physical understanding. Controlled experiments affirm the robustness of our method and its alignment with established predictors. Notably, we probe the persistent Spring Predictability Barrier (SPB), finding that despite expanded sensitivity during spring, predictive performance declines-likely due to suboptimal variable selection. These results suggest that incorporating additional ocean-atmosphere variables may help transcend SPB limitations and advance long-range ENSO prediction.
• Abstract（参考訳）: El Ni{~n}o-Southern Oscillation (ENSO)は、地球規模の気候変動に大きな影響を与えるが、その予測は依然として大きな課題である。 近年のディープラーニングの進歩は予測能力を大幅に向上させたが、これらのモデルの不透明さは科学的信頼と運用の展開を妨げている。 本稿では,有界変動関数に基づく数学的基礎を持つ解釈可能性フレームワークを提案する。 活性化機能の飽和領域から「死」ニューロンを回収することにより、モデルの表現能力を高める。 解析の結果,インド洋と大西洋の協力を得て,熱帯太平洋からENSOの予測可能性が顕著に出現していることが判明した。 制御実験により,提案手法のロバスト性および確立した予測器との整合性が確認された。 特に,春期における感度の増大にもかかわらず,予測性能が低下する傾向がみられ,春期における予測可能性バリア (SPB) の持続性について検討した。 これらの結果から,海洋大気変数を付加することにより,SPB制限を超越し,長距離のENSO予測を推し進める可能性が示唆された。

関連論文リスト

• Bridging the Gap Between Bayesian Deep Learning and Ensemble Weather Forecasts [100.26854618129039]
  天気予報は、大気のカオス的な性質によって根本的に挑戦されている。 ベイジアンディープラーニング(BDL)の最近の進歩は、有望だがしばしば非接続な代替手段を提供する。 気象予報のための統合型BDLフレームワークにより,これらのパラダイムを橋渡しする。
  論文  参考訳（メタデータ） (2025-11-18T07:49:52Z)
• Enhancing Uncertainty Estimation and Interpretability via Bayesian Non-negative Decision Layer [55.66973223528494]
  本研究では, ディープニューラルネットワークを条件付きベイズ非負因子分析として再構成したベイズ非負決定層(BNDL)を開発した。 BNDLは複雑な依存関係をモデル化し、堅牢な不確実性推定を提供する。 また,BNDLが効果的に不整合学習を達成できるという理論的保証も提供する。
  論文  参考訳（メタデータ） (2025-05-28T10:23:34Z)
• Towards Long-Range ENSO Prediction with an Explainable Deep Learning Model [8.609672620715674]
  El Nino-Southern Oscillation (ENSO) は、年々の気候変動の顕著なモードであり、地球規模での影響が大きい。 我々は、畳み込みニューラルネットワークとトランスフォーマーを相乗化してENSO予測を強化する多変量ディープラーニングモデルであるCTEFNetを紹介する。
  論文  参考訳（メタデータ） (2025-03-25T09:50:19Z)
• Using Deep Learning to Identify Initial Error Sensitivity for Interpretable ENSO Forecasts [0.0]
  本稿では,ディープラーニングとモデル・アナログ予測を統合した解釈可能なモデル・アナログを提案する。 我々は,地域地球系モデルバージョン2大アンサンブルを用いて,季節ごとの時間スケールでエルニーニョ南部振動(ENSO)を予測する。 その結果,赤道太平洋海面温度異常の予測は9～12ヶ月で10%改善した。
  論文  参考訳（メタデータ） (2024-04-23T18:10:18Z)
• Uncertainty Quantification for Forward and Inverse Problems of PDEs via Latent Global Evolution [110.99891169486366]
  本稿では,効率的かつ高精度な不確実性定量化を深層学習に基づく代理モデルに統合する手法を提案する。 本手法は,フォワード問題と逆問題の両方に対して,堅牢かつ効率的な不確実性定量化機能を備えたディープラーニングに基づく代理モデルを提案する。 提案手法は, 長期予測を含むシナリオに適合し, 拡張された自己回帰ロールアウトに対する不確かさの伝播に優れる。
  論文  参考訳（メタデータ） (2024-02-13T11:22:59Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。