El Pacífico tropical se calienta y se enfría como una batería gigante, y de su ritmo depende el clima desde India hasta Canadá. A este ritmo se le llama El Niño-Oscilación del Sur, o ENOS para abreviar. Predecirlo con meses de antelación es como adivinar cuándo hervirá una olla sin saber la intensidad del fuego. Las redes neuronales han aprendido a hacerlo mejor que los modelos clásicos, pero su lógica interna estaba oculta, como un mapa sin leyenda. Ahora, los investigadores han encontrado la manera de iluminar en ese mapa los lugares donde la red neuronal busca su poder predictivo.

Para el pronóstico, el modelo recibe datos de temperatura superficial del mar y contenido de calor de los tres meses anteriores. La tarea es predecir el índice Niño-3.4, es decir, la temperatura promedio en una región específica del Pacífico, con un horizonte de hasta 23 meses. Primero, los autores notaron que la red neuronal sufre de 'gradiente desvaneciente': muchas de sus neuronas se quedan atascadas en un estado donde el entrenamiento apenas cambia su comportamiento. Para corregirlo, insertaron parámetros entrenables antes de la función de activación, que calibran las características, como un afinador ajusta las cuerdas antes del concierto.

Al aplicar PPTV, los científicos obtuvieron un mapa de importancia. Para un pronóstico a un mes, casi toda la atención se concentra en el Pacífico tropical. Si se entrena el modelo solo con estos datos, la precisión apenas disminuye. Esto confirma que el método encontró regiones realmente clave. Con el aumento del horizonte, la atención se expande: primero a lo largo de la latitud hacia las regiones tropicales de los océanos Índico y Atlántico, y luego se vuelve más difusa. Las regiones al sur de los 40° de latitud sur siempre reciben la menor atención.

El análisis por canales mostró que, en horizontes cortos, es más importante la temperatura superficial del mar, mientras que en horizontes largos lo es el contenido de calor, es decir, el calor almacenado en las capas superiores del agua. En primavera, el modelo amplía su zona de atención a los tres océanos tropicales, pero la precisión del pronóstico igualmente disminuye. Esto indica una limitación de los datos de entrada, no errores del modelo. Esta conclusión vincula la barrera de previsibilidad de primavera con la falta de información.

El mapa del tesoro ahora está iluminado, pero los tesoros no se han encontrado por completo. La barrera de primavera persiste, y los autores sugieren agregar más variables del océano y la atmósfera: viento, salinidad. Quizás entonces la red neuronal encuentre nuevos puntos de referencia y los pronósticos sean más precisos incluso en la época más caprichosa del año.