Nature子刊收录！清华李勇团队用AI将ENSO预测提前至19个月

背景

在全球气候风险日益复杂化的今天，气候预测行业正经历一场从“单点预测”向“系统联动预测”的范式转移。传统的气候预测方法往往聚焦于单一事件（如某一次 El Niño）或单一海温指数，难以同时捕捉印度洋、大西洋和太平洋副热带区域之间的连锁反应。然而，现实中的气候异常极少孤立发生：太平洋的海温异常可能改变远洋航线的风浪条件，影响跨洋货运；印度洋或大西洋的信号变化则可能波及大型赛事安排、旅游旺季、保险定价以及公共卫生部门对热带疾病传播风险的预判。

这种跨洋盆的信号传递意味着，气候预测已不再仅仅是科学问题，更直接关系到交通、商业、保险、旅游和公共服务等普通人的生活场景。在此背景下，清华大学李勇教授研究团队提出了一种新的统一模型 UniCM，旨在通过深度学习技术，学习全球气候模态之间的耦合动力学，从而实现对全球气候系统更精准、更具前瞻性的预测。

核心内容

该研究的核心突破在于摒弃了分别预测 ENSO、IOD、TNA、NPMM、SPMM、IOB、SIOD 等独立模态的传统思路，转而构建一个相互牵动的统一系统。UniCM 模型不仅理解海表温度、风应力、温跃层等物理场如何生成气候模态，还理解这些模态形成后如何反过来影响全球海气系统的未来变化。

数据与预处理 研究团队使用经过筛选的 CMIP6 历史气候模拟数据作为训练集，并利用多个再分析数据集进行测试以验证模型在真实气候资料下的有效性。

• 输入结构：每个训练样本由过去 12 个月的气候状态（输入）和未来 24 个月的预测目标组成。
• 物理场路径：包含海表温度、纬向/经向表面风应力、温跃层深度和上层 300m 海温。数据被处理为月异常值，标准化后统一至 5° × 5° 空间网格并切分为空间块，以聚焦大尺度海气变化，减少短期天气噪声干扰。
• 模态路径：包含 ENSO、IOD、TNA、NPMM、SPMM、IOB、SIOD 七个气候模态指数。这些指数从海表温度场计算得出，并经过 3 个月滑动平均处理，以突出季节到年际尺度的变化。

模型架构：双分支 Transformer UniCM 采用独特的双分支架构，通过耦合机制实现物理场与气候模态的联合学习：

1. Globalformer（物理场分支）：负责处理物理场输入，学习海温、风应力、温跃层在不同海区和月份间的时空演化关系。
2. Modeformer（模态分支）：负责处理模态指数输入，学习各模态的时间变化及其之间可能存在的非线性耦合和跨洋盆遥相关。
3. 耦合机制：两个分支并非独立工作。Modeformer 先在模态层面提取整体气候状态和模态间关系，再将学到的模态信息注入 Globalformer。这使得物理场预测不仅依赖局部变量，还受到全球气候模态状态的约束，实现了从底层物理场识别模态形成，到高层模态状态判断物理场演化的双向互动。

实验结果与性能评估 实验结果显示，UniCM 在预测能力上整体优于 XRO、DESN、CNN、ResoNet 等基线方法。其优势不在于单纯提高单一指数精度，而在于提升多个气候模态的整体预测能力。

• ENSO 预测：有效预测提前期延长至约 19 个月，显著减弱了“春季可预报性障碍”的影响。模型不仅能判断 ENSO 相位和强弱，还能准确捕捉 El Niño 和 La Niña 的开始、发展、持续和衰退全过程。
• 历史事件还原：模型成功捕捉了 1997-1998 年的极端 El Niño 和 2020-2023 年的三重 La Niña，证明其学到了多种 ENSO 演化路径，而非仅记忆单一模式。
• 多模态统一预测：在同时预测 ENSO、IOD、TNA、NPMM、SPMM、IOB、SIOD 时，非 ENSO 模态（如 IOD、TNA、IOB、SIOD）的预测能力也有明显改善。对于受复杂遥相关影响的模态，UniCM 比线性模型更稳定。
• 空间场预测：在赤道中东太平洋区域的预测效果最突出，关键 ENSO 区域的异常变化在长时间后仍能被识别，表明模型学到了海表温度空间场的演化规律。
• 模态关系识别：模型成功还原了 NPMM 对 ENSO 的提前影响、TNA 与 ENSO 的跨洋盆联系、SIOD 与 IOB 的印度洋内部联系，且对时间先后、强弱变化和非对称结构的还原效果优于 XRO。
• 可解释性：注意力机制分析显示，强 El Niño 前中东赤道太平洋信号更集中；部分 La Niña 前热带大西洋或西太平洋信号更突出；极端事件前气候模态之间的联系更集中、更有组织，NPMM、TNA 等模态表现出更强的前兆作用。

关键要点

• 预测能力突破：UniCM 将 ENSO 的有效预测提前期延长至 19 个月，显著提升了长提前期预测的准确性。
• 多模态联合学习：模型首次将太平洋、印度洋、大西洋的气候模态（ENSO, IOD, TNA, NPMM, SPMM, IOB, SIOD）放入同一个系统中进行统一预测，实现了从单模态到多模态的跨越。
• 物理-模态双向耦合：通过 Globalformer 和 Modeformer 的双分支 Transformer 架构，模型同时学习了“物理场生成模态”和“模态调节物理场”两个方向，捕捉了海气系统的非线性耦合动力学。
• 超越相关性：模型不仅拟合气候指数，还通过注意力机制识别出了模态间的动态耦合结构（如时间先后、强弱变化），证明了跨洋盆遥相关中包含可学习的结构。
• 极端事件捕捉：模型能够稳定还原极端 El Niño 和持续 La Niña 事件，且在极端事件发生前，模型注意力更集中于关键前兆区域和更活跃的气候模态联系。
• 泛化能力：在 CMIP6 模拟数据上训练，并在真实再分析数据上测试，验证了模型在面对真实气候资料时的有效性。

意义与影响

这项研究的意义远超出了提升预测准确率本身，它为全球气候风险的早期预警和应对提供了新的科学基础和技术手段。

对预测实践的价值

• 更早的风险识别：通过提升 ENSO 及 IOD、TNA、IOB、SIOD 等非 ENSO 模态的预测能力，气候预警不再局限于单一海区，而是能够从全球海气耦合网络中整体判断未来风险。
• 决策支持：更早识别 El Niño、La Niña 或印度洋、大西洋异常，可为农业种植调整、水库供水准备、沿海洪水风险评估、电力供需预测以及粮食供应链优化争取宝贵的准备时间。

对气候科学的贡献

• 系统观验证：研究证实了全球气候系统是一个相互牵动的耦合网络，单独研究 ENSO 可能会忽略来自其他海域的早期信号。
• 结构发现：揭示了跨洋盆遥相关中存在可识别的结构，极端事件发生前，不同模态间会出现更集中、更有组织的联系，为理解全球海气耦合动力学提供了数据驱动的证据。

对方法发展的启示

• 建模范式升级：研究将气候预测从单模态推进到多模态统一预测，从线性关系建模推进到非线性耦合建模，从仅预测指数推进到物理场与指数联合预测。
• 可解释性增强：通过注意力机制，模型不仅给出结果，还能展示哪些海区和模态关系