説明可能なディープラーニングモデルを用いた長期的なENSO予測への道標

エルニーニョ・サウス・オーシャン振動（ENSO）は、広範な全球的影響を持つ年間スケールの気候変動の顕著なモードである。その進化は、複雑な大気-海洋相互作用によって支配されており、長期予測において大きな課題を呈している。本研究では、畳み込みニューラルネットワーク（CNN）とトランスフォーマーを統合した多変量深層学習モデルであるCTEFNetを提案する。このモデルは、複数の海洋および大気予測因子を統合することで、有効な予測リードタイムを20か月まで延長し、春の予測障壁の影響を軽減する。その結果、動的モデルおよび最先端の深層学習手法を上回る予測性能を達成した。さらに、勾配に基づく感度解析により、CTEFNetは物理的に意味のあるかつ統計的に有意な知見を提供し、ENSOのダイナミクスを支配する主要な先行信号を明らかにした。これらの信号は既存の理論と整合しており、太平洋、大西洋、インド洋間の領域間相互作用に関する新たな知見も示している。CTEFNetの優れた予測精度と解釈可能な感度評価は、気候予測の進展に貢献する可能性を示している。本研究の成果は、ENSOの進化における多変量結合の重要性を強調するとともに、解釈可能性を高めた複雑な気候ダイナミクスを捉えるための深層学習の可能性を示している。