För att kunna göra en prognos för hur ENSO kommer att utveckla sig med tiden behöver man ha tillgång till en matematisk modell som beskriver hela det kopplade atmosfärs-havs fenomen som ENSO utgör. Under årens lopp har det utvecklats många sådana modeller.
De två huvudsakliga typerna av modeller är empiriska respektive dynamiska.
• De empiriska modellerna bygger på någon typ av statistisk modell för hur ENSO brukar fungera, och är beroende av ett stort datamaterial för att försöka etablera robusta samband.
• De dynamiska modellerna är i stället baserade på en detaljerad matematisk beskrivning av de dominerande fysikaliska processer som ingår i det kopplade atmosfärs-havs fenomen som ENSO utgör.
Komplexitetsgraden varierar dock avsevärt mellan olika typer av modeller, varför man brukar säga att det finns en hel hierarki av modeller.
De mest avancerade dynamiska modellerna för att beskriva och förutsäga ENSO liknar, och bygger på, de modeller som används för att producera operationella numeriska väderprognoser. En sådan modell är den som används operationellt för att göra ENSO prognoser vid ECMWF, det europeiska centret för medellånga väderprognoser.
I Figur 24b visas en 6-månadersprognos som utfärdades i början av juni 2015 av den modellen. De röda kurvorna visar hur havsytetemperaturen i centrala tropiska Stilla havet (figur 24a) utvecklar sig.
För att uppskatta osäkerheten i prognosen gör man många prognoser, som tillsammans blir en så kallad ensemble. De olika ensemblemedlemmarna startar från något olika starttillstånd. Spridningen av alla dessa ensembleprognoser blir då ett mått på osäkerheten i prognosen.
Den streckade svarta kurvan visar det verkliga utfallet. En bra modell ska vara sådan att det verkliga utfallet återfinns någonstans i, eller omkring, klustret av alla ensemblemedlemmar, vilket det synes göra i detta fall.
Spridningen är dock betydande och de flesta medlemmarna indikerar en svagare El Niño än vad som i verkligheten blev fallet. Man har gjort många sådana prognoser på det historiska datamaterial som finns tillgängligt, vilket normalt är från ungefär 1979 till nutid.
Baserat på utfallet av dessa retroaktiva prognoser, så kallade ”hindcasts”, kan man få en uppskattning på tillförlitligheten hos denna prognosmetodik. Resultatet av sådana hindcasts från många olika modeller från olika institut jorden runt indikerar användbara prognoser upp till ungefär 6 månader.
Kombinera alla olika prognoser
Den statistiskt sett bästa prognosen från ett ensembleprognossystem, - som den från ECMWF, - är att beräkna medelvärdet av alla prognoser, den så kallade ensemble-medelvärdes-prognosen. Denna prognos ligger alltså i mitten av klustret av alla prognoser från de individuella ensemblemedlemmarna.
Spridningen mellan individuella prognoser hos en given modell är ett mått på prognosens tillförlitlighet. En vidareutveckling av denna idé är att studera spridningen hos ensemble-medelvärdes-prognoser från olika modeller, så kallade multimodell-ensemble.
Figur 25 visar ett exempel på detta för prognoser som utfärdades i mitten av maj 2015 av 25 olika modeller, både statistiska och dynamiska modeller, från jordens alla hörn.
Spridningen är betydande, vilket indikerar stor osäkerhet. Det verkliga utfallet hamnade i utkanten av klustret och ligger nära den modell som prognoserade den största El Niño’n, vilket överensstämmer med osäkerhetsbedömningen.
Mer om prognoskvalitén
Som påpekats tidigare har ENSO den ganska unika egenskapen för ett internt genererat fenomen med en så pass lång tidsskala, nämligen att den är relativt förutsägbar med användbar prognoskvalité upp till ungefär 6 månader, vilket framgår av figur 26.
Det framgår även att empiriska och dynamiska modeller har ungefär samma kvalitet för prognoslängder mellan 1 och 6 månader. Detta kan förefalla förvånande då de mycket komplexa dynamiska kopplade atmosfärs-havs modellerna kräver många-många storleksordningar mer datorkapacitet jämfört med de empiriskt-statistiska modellerna.
Förklaringen till denna paradox är att antalet frihetsgrader som går att prognosticera på denna tidsskala i allt väsentligt är 1, nämligen ENSO. Den grundläggande fördelen som de dynamiska modellerna har över de empiriska modellerna är att de är icke-linjära emedan de empiriska i allt väsentligt är linjära.
Det krävs emellertid minst tre frihetsgrader med prognostiskt innehåll för att en icke-linjär modell skall kunna utnyttja sin fördel. En komplex dynamisk kopplad atmosfärs-havs modell med nominellt miljontals frihetsgrader som endast har prognostiskt innehåll i ≤ 3 frihetsgrader är i praktiken linjär.
De icke-linjära termerna producerar därmed i realiteten endast slumptal vilka adderas till tidsderivatan hos den enda prediktabla frihetsgraden med prognostiskt innehåll, dvs ENSO. Det är därför det är nödvändigt med en stor ensemble för att filtrera bort det brus som slumptalen ger upphov till.
Konsistent med den ovanstående beskrivningen är det faktum att prognoskvaliteten hos ENSO prognoser inte förbättrats nämnvärt under de senaste decennierna. Under det första decenniet på 2000-talet noterades faktiskt lägre prognoskvalitet än vad som uppnåddes under de föregående decennierna. Detta kan mycket väl ha att göra med att ENSO har en så stor variationsrikedom med betydande variationer i ENSO karakteristik på dekad och längre tidsskalor. Som en följd av detta har det under senare tid blivit mycket populärt att prata om ”ENSO diversity”.