AI創新法“丈量”厄爾尼諾南方濤動未來變化

近日，中國科學院海洋研究所研究員王凡團隊聯合南京信息工程大學教授張榮華、嶗山實驗室研究員蔡文炬等，在《自然·通訊》發表研究論文。該研究借助觀測數據約束的深度學習方法，大幅降低了對全球關鍵氣候現象厄爾尼諾-南方濤動（ENSO）未來變化預估的不確定性。

ENSO作為地球氣候系統中最強的年際變率信號，其冷暖位相轉換會通過大氣遙相關，對全球極端天氣、生態系統和經濟發展產生深刻影響。然而，當前國際主流耦合氣候模式（CMIP）對ENSO海表溫度變率的未來預估存在巨大差異，這主要是因為模式對ENSO物理過程模擬存在偏差。

為突破這一困境，研究團隊設計出“基于觀測信息”的深度學習方法。研究人員運用多個CMIP6氣候模式的歷史和未來情景數據，訓練了11個獨立的人工神經網絡模型，旨在學習每個模式中ENSO變率與熱帶太平洋平均海溫狀態間的復雜關系。

之后，團隊引入真實觀測數據對人工神經網絡進行驗證和篩選，重點關注能準確捕捉觀測到的ENSO對海溫變化響應的人工神經網絡，如基于GISS-E2-1-H模型訓練的人工神經網絡。

通過可解釋性分析和ENSO物理機制檢驗，證實表現優異的人工神經網絡成功內化了真實的ENSO物理過程，尤其對赤道中太平洋和遠東太平洋的海溫變化高度敏感，與已知的ENSO關鍵反饋區域一致。

利用人工神經網絡對高排放情景下21世紀ENSO海溫變率進行約束性預估，結果顯示，相較于原始CMIP模式預測結果，經人工神經網絡約束的預測不確定性范圍降低了54%。

研究還發現，盡管傳統分析認為觀測與模式在20世紀熱帶太平洋變暖模態上存在顯著差異，但當聚焦于機器學習識別出的調控ENSO變率的關鍵區域時，觀測數據和氣候模式模擬均一致顯示出類似“厄爾尼諾型”的變暖特征，揭示了此前被忽略的物理一致性。這不僅彌合了觀測與模式的差異，還通過機器學習挖掘出隱藏的關鍵物理機制，為ENSO未來預估提供了可量化的物理依據。

該研究獲國家重點研發計劃、國家自然科學基金項目等聯合資助。

相關論文信息：

https://doi.org/10.1038/s41467-025-63157-z