論文の概要: Tracing Uncertainties of Extreme El Niño Prediction to Mesoscale Ocean Currents
- arxiv url: http://arxiv.org/abs/2611.17854v1
- Date: Fri, 13 Nov 2026 07:39:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.327801
- Title: Tracing Uncertainties of Extreme El Niño Prediction to Mesoscale Ocean Currents
- Title(参考訳): メソスケール海流に対する極端エルニーニョ予測の不確かさ
- Abstract要約: El Nio-Southern Oscillation (ENSO) の予測可能性は、歴史的にモデルの初期条件における大規模な誤差と関連付けられてきた。
ここでは、これらの緩やかに進化するエラーは、最終的に初期の海洋状態におけるメソスケールエラーから生じる可能性があることを実証する。
- 参考スコア(独自算出の注目度): 8.771829843813277
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The predictability of the El Niño-Southern Oscillation (ENSO) has historically been linked to large-scale errors in models' initial conditions such as heat content and surface wind stress. Here we demonstrate that these slowly evolving errors may ultimately originate from mesoscale errors in initial oceanic states that are common in current models and ocean observation systems. This hidden source of ENSO forecast uncertainty, in terms of mesoscale ocean-current errors, is convincingly exposed by the conditional nonlinear optimal perturbation (CNOP) method applied to a differentiable ocean AI model. The CNOP-identified most influential current errors are strongly event-dependent. For the 1997/98 El Niño, the initial current errors in the eastern Pacific results in the largest forecast error through locally suppressing original subsurface warming. For the 2015/16 event, the dominate error originates from the western Pacific, which reorganizes upper ocean temperature structure and affects the eastern Pacific through the equatorial waveguide. Further analysis reveals that these current errors perturb mesoscale eddy count and eddy kinetic energy triggering large-scale temperature errors that hinder El Niño development. The timing of the maximum growth rate of the obtained CNOP error is well aligned with the spring predictability barrier of ENSO, and the error structures are reflected in simulated analysis errors caused by unresolved mesoscale currents. These findings extend the potential source of ENSO predictability beyond large-scale thermal signals, reveal for the first time an uncharted route of ENSO forecast failure, and provide an important physical basis for targeted ocean observations and data assimilation in the future.
- Abstract(参考訳): El Niño-Southern Oscillation (ENSO) の予測可能性は、歴史的に、熱量や表面風圧といったモデルの初期条件における大規模な誤差と関連付けられてきた。
ここでは、これらの緩やかに進化しているエラーは、現在のモデルや海洋観測システムに共通する初期の海洋状態におけるメソスケールエラーから生じる可能性があることを実証する。
メソスケールの海洋電流誤差を考慮に入れたこのENSO予測の不確実性の隠蔽源は、微分可能な海洋AIモデルに適用した条件付き非線形最適摂動(CNOP)法によって確実に露呈される。
CNOPが同定した最も影響力のある現在のエラーは、強い事象依存である。
1997/98年のエルニーニョでは、東太平洋で発生した現在の誤差は、もともとの地下温暖化を局所的に抑制することで、最大の予測誤差をもたらす。
2015/16年は、太平洋西部の海温構造を再構成し、赤道導波路を通して東太平洋に影響を与える。
さらなる分析により、これらの現在の誤差はメソスケールの渦数と渦運動エネルギーに乱れ、エルニーニョの発生を妨げる大規模な温度誤差を引き起こすことが明らかとなった。
得られたCNOP誤差の最大成長速度のタイミングは、ENSOのスプリング予測可能性障壁とよく一致し、未解決メソスケール電流によるシミュレーション解析誤差に誤差構造を反映する。
これらの知見は、大規模な熱信号を超えてENSO予測可能性の潜在的源を拡大し、ENSO予測障害の未チャート経路を初めて明らかにし、将来の海洋観測とデータ同化のための重要な物理的基盤を提供する。
関連論文リスト
- EO-WM: A Physically Informed World Model for Probabilistic Earth Observation Forecasting [50.31500063307306]
マルチスペクトル地球観測予測のためのビデオ拡散変換器であるEO-WMを紹介する。
EO-WMは、気象基準線、気象異常、累積的な物理的ストレス信号を通して気象的な強制力を表す物理的に情報を得た条件付けフレームワークを組み込んでいる。
実験の結果、EO-WMは予測正規化植生指数(NDVI)の減少振幅を相対5.63%減少させ、方向のヒット率を相対7.80%向上させることがわかった。
論文 参考訳(メタデータ) (2026-06-25T16:53:30Z) - PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。
我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。
本手法は,結合予測システムの長期安定性を著しく向上させる。
論文 参考訳(メタデータ) (2026-05-09T13:12:33Z) - Data-driven ensemble prediction of the global ocean [9.068376705993009]
FuXi-ONSは、地球上の最初の機械学習アンサンブル予測システムである。
海面温度、海面高度、地下温度、塩分濃度、海流について、グローバルな1グリッドで5日間の予測を提供する。
FuXi-ONSは物理的に構造化された摂動を学習し、長距離予測を安定させるために大気符号化モジュールを組み込む。
論文 参考訳(メタデータ) (2026-03-20T03:05:41Z) - Leveraging an Atmospheric Foundational Model for Subregional Sea Surface Temperature Forecasting [0.0]
深層学習モデルを用いて,カナリア大水系における海水温度(SST)の予測を行う。
このモデルを高分解能海洋分析データを用いて微調整することにより、複雑なパターンを捉える能力を実証する。
このモデルは大規模なSST構造を再現することに成功したが、沿岸部でより細部を捉えることの難しさに直面している。
論文 参考訳(メタデータ) (2025-10-29T14:30:12Z) - 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) - Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。
ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。
このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
論文 参考訳(メタデータ) (2023-09-24T19:57:22Z) - A Deep Learning Model for Forecasting Global Monthly Mean Sea Surface
Temperature Anomalies [2.8411302762015844]
我々は,ECMWF ERA5月平均海面温度と2m大気温度データに基づいて,70年以上(1950-2021年)の深層学習時系列予測モデル(Unet-LSTM)を開発した。
このモデルでは、24カ月間の海面温度を正確に予測し、予測されるすべての月において、根平均2乗誤差は 0.75$circ$C 以下である。
また,Nino3.4地域の海面温度異常や,過去10年間の海面熱波ホットスポットの予測能力についても検討した。
論文 参考訳(メタデータ) (2022-02-21T03:11:27Z)
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。