气候模式自北半球春季起对ENSO的预报能力会显著衰减，这一现象被称为ENSO的“春季预报障碍（SPB）”，这也是限制ENSO业务化预测的重大难题。已有研究表明，热带印度洋、大西洋与太平洋间的跨洋盆相互作用有助于提升ENSO预报能力。但限于观测序列长度不足和气候模式偏差，其能在多大程度上改善ENSO SPB尚不明确。AI技术虽已广泛应用于ENSO研究，但相关工作多关注太平洋区域或单一变量的预测，尚缺少能够准确表征三大洋相互作用的模型来对该问题进行探讨。
为此，实验室次季节-年际气候预测团队张荣华教授和周路博士后在Science子刊《Science Advances》发表了题为“Tropical basin interactions reduce spring predictability barrier of ENSO in a deep learning model”的研究论文，研究构建了一个面向全球热带海气系统的深度学习模型（名为GL-Geoformer），并基于该模型定量分析了跨洋盆过程对春季ENSO预测的影响和机制，为热带气候预测研究提供了数据驱动的新方法。主要内容如下：
图1. GL-Geoformer的ENSO预测性能。（A）GL-Geoformer和NMME气候模式的Niño3.4预测相关系数随预测时长的分布。（B）为均方根误差随预测时长的分布。（C）同时包含三大洋信息（黑色虚线）、仅包含太平洋信息（红线）、包含太平洋和印度洋信息（蓝线）以及包含太平洋和大西洋信息（绿色）的情况下，模型的Niño3.4预测相关系数分布。（D）从春季（2月）起报时，不同洋盆对ENSO预测准确性的贡献百分比随预测时长的分布。
根据经典的Bjerknes理论，ENSO的演变涉及海表风场、海表温度(SST)和温跃层之间的相互作用和反馈。因此，GL-Geoformer以月平均的经纬向风场和上层200米的11层海温异常场作为输入，以类似于动力模式的滚动预测的方式预测未来2年的相同变量场演变。其中，逐月滚动预测的方式使海气耦合过程在每个预测步中得到显式表征，而非仅依赖初始条件进行一次性映射。综合来看，模型的整体ENSO预测性能显著优于动力模式，可达到一年半左右（图1A）；当模型纳入跨洋盆信息后，SPB被显著削弱，印度洋和大西洋的协同贡献可在中长期预测中达35%以上（图1D）。为了验证模型是否能够合理表征印度洋和大西洋对太平洋的影响，本文开展了包括观测风场强迫、观测海温区域强迫等一系列Pacemaker试验（图2），证实了GL-Geoformer可以准确表征三大洋主要气候模态之间的相互作用关系，这为后续具体科学问题的探究奠定了物理基础。
图2. (A)将GODAS再分析数据的SST异常回归到冬季（DJF）的Niño3.4指数得到的回归场；(B) GL-Geoformer模型在观测风应力强迫下运行海洋模块，将模拟得到的SST异常回归到DJF Niño3.4指数得到的回归场。(C-D)对比再分析资料与Pacemaker试验中，印度洋偶极子指数(DMI; C)/大西洋的ATL3指数(D)与DJF Niño3.4指数的超前相关关系。其中黑色为观测数据分析结果，橙色为印度洋或大西洋海温被固定为观测值的试验结果。
针对近年来罕见的多重拉尼娜现象，研究还基于GL-Geoformer对2020-2021年强拉尼娜的成因进行分析。此次事件是2020-2022年三重拉尼娜现象的开端，强度位列1990年以来的第五。不同寻常的是其前期的2019年热带太平洋仅为弱增暖状态且暖水体积偏低，按照充放电理论，这样的气候状况难以满足强拉尼娜现象的发展，多数气候模式在2020年初的预测中也大幅低估了其强度（详见：https://iri.columbia.edu/our-expertise/climate/forecasts/enso/2020-March-quick-look/?enso_tab=enso-sst_table）。
为量化跨洋盆过程对此次事件的贡献，研究设计了一组敏感性实验：将通过三大洋变量训练得到的模型为基准模型，在测试阶段分别从模型初始场和滚动预测场中去除印度洋和/或大西洋的信息后分析其对本次事件预测的影响。结果显示，只有同时考虑三大洋信息模型才可准确预测此次事件（图3A-C）；同时剔除印度洋和大西洋信息后，模型仅预测中性事件（图3D-F）；分别加入印度洋和大西洋后，预测强度可达控制试验的60%和30%左右（图3G-L）。
本研究在数据驱动框架下，从三大洋相互作用的角度定量估计了跨洋盆过程对ENSO发展的贡献，进一步证实了印度洋和大西洋对ENSO春季预测的重要性。在当今气候变化不断加剧的背景下，本研究所提出的GL-Geoformer可为极端气候机制和预测研究提供了重要支撑。
图3. 2020-2021年拉尼娜现象的预测分析。（A-C）当GL-Geoformer同时包含三大洋信息时，预测得到的热带太平洋风场和三维海温异常场演变。后三行分别为模型（D-F）仅使用热带太平洋信息、（G-I）使用太平洋和印度洋信息以及（J-L）使用太平洋和大西洋信息预测得到的多变量异常场演变。
论文信息：
Zhou, L., & Zhang, R.-H. (2026). Tropical basin interactions reduce spring predictability barrier of ENSO in a deep learning model. Science Advances, 12(21), eaeb0901.
相关论文：
Zhou, L., & Zhang, R.-H. (2023). A self-attention–based neural network for three-dimensional multivariate modeling and its skillful ENSO predictions. Science Advances, 9(10), eadf2827.
Zhang, R.-H., Zhou, L., Gao, C., & Tao, L. (2024). A transformer-based coupled ocean-atmosphere model for ENSO studies. Science Bulletin, 69(15), 2323-2327.
