導(dǎo)語(yǔ)

從厄爾尼諾到印度洋偶極子，影響全球極端天氣的氣候模態(tài)并非孤立存在，而是在跨洋盆的耦合作用中共同演化。然而，長(zhǎng)期以來(lái)，大多數(shù)預(yù)測(cè)模型只能針對(duì)單一模態(tài)進(jìn)行分析，難以刻畫整個(gè)氣候系統(tǒng)的聯(lián)動(dòng)規(guī)律。2026年6月1日，清華大學(xué)李勇教授團(tuán)隊(duì)聯(lián)合北京師范大學(xué)樊京芳教授團(tuán)隊(duì)，攜手德國(guó)波茨坦氣候影響研究所科研人員在Nature Machine Intelligence發(fā)表最新工作提出全球氣候模態(tài)統(tǒng)一預(yù)測(cè)模型 UniCM，立足系統(tǒng)科學(xué)整體性與耦合性思想，跳出厄爾尼諾 - 南方濤動(dòng)、印度洋偶極子分塊預(yù)測(cè)的傳統(tǒng)思路，把三大洋七大關(guān)鍵氣候模態(tài)整合至同一 AI 框架，實(shí)現(xiàn)了更長(zhǎng)時(shí)效、更強(qiáng)泛化能力的中長(zhǎng)期氣候預(yù)測(cè)，并為理解氣候系統(tǒng)的整體演化提供了新的研究工具。

關(guān)鍵詞：全球氣候模態(tài)，耦合動(dòng)力學(xué)，UniCM 深度學(xué)習(xí)模型，跨洋盆遙相關(guān)，可解釋人工智能，厄爾尼諾 - 南方濤動(dòng)（El Ni?o-Southern Oscillation, ENSO），印度洋偶極子（Indian Ocean Dipole, IOD）

王璇丨作者

趙思怡丨審校

論文題目：Learning the coupled dynamics of global climate modes 論文鏈接：https://doi.org/10.1038/s42256-026-01245-5 發(fā)表時(shí)間：2026年6月1日 論文來(lái)源：Nature Machine Intelligence

從“預(yù)報(bào)天氣”到“理解氣候”：

中長(zhǎng)期預(yù)報(bào)的核心挑戰(zhàn)

過(guò)去幾年，人工智能在短時(shí)天氣預(yù)報(bào)領(lǐng)域?qū)崿F(xiàn)了跨越式發(fā)展，盤古氣象、GraphCast ，基于深度學(xué)習(xí)的天氣模型已能在數(shù)天至數(shù)周尺度上，給出媲美甚至超越傳統(tǒng)數(shù)值模式的精準(zhǔn)預(yù)報(bào)。但當(dāng)我們將時(shí)間尺度拉長(zhǎng)到數(shù)月乃至數(shù)年，氣候預(yù)測(cè)依然面臨著根本性的科學(xué)挑戰(zhàn)。

與天氣過(guò)程相比，季節(jié)至年際尺度的氣候變化不僅影響著全球糧食生產(chǎn)、水資源管理和能源調(diào)度，也深刻關(guān)系到洪澇、干旱、高溫等極端事件的發(fā)生風(fēng)險(xiǎn)。更重要的是，這些變化并非孤立產(chǎn)生，而是受到多個(gè)海洋—大氣耦合模態(tài)共同作用的影響。

從廣為人知的厄爾尼諾 - 南方濤動(dòng)（El Ni?o-Southern Oscillation, ENSO）、印度洋偶極子（Indian Ocean Dipole, IOD），到影響深遠(yuǎn)的北太平洋經(jīng)向模態(tài)（North Pacific Meridional Mode, NPMM）、熱帶北大西洋模態(tài)（Tropical North Atlantic, TNA）等。這些模態(tài)通過(guò)跨洋盆的能量傳輸形成復(fù)雜的非線性網(wǎng)絡(luò)，任何一個(gè)模態(tài)的異常都可能通過(guò)遙相關(guān)效應(yīng)，在全球范圍內(nèi)引發(fā)連鎖式的極端天氣。

正因如此，中長(zhǎng)期氣候預(yù)測(cè)面臨的核心挑戰(zhàn)并不僅僅是預(yù)測(cè)某一個(gè)氣候模態(tài)的未來(lái)演化，而是理解整個(gè)氣候系統(tǒng)內(nèi)部錯(cuò)綜復(fù)雜的耦合關(guān)系。

現(xiàn)有兩類主流方案均存在本質(zhì)缺陷：一類以擴(kuò)展非線性充電振蕩模型（extended nonlinear recharge oscillator, XRO）為代表的物理機(jī)理模型，主要圍繞 ENSO 展開建模，依賴線性簡(jiǎn)化假設(shè)，對(duì)熱帶北大西洋模態(tài)（Tropical North Atlantic, TNA）等多數(shù)模態(tài)的有效預(yù)報(bào)不足半年。另一類以深度回聲狀態(tài)網(wǎng)絡(luò)（deep echo state networks, DESN）為代表的數(shù)據(jù)驅(qū)動(dòng)模型，雖將ENSO預(yù)報(bào)上限延長(zhǎng)至16個(gè)月，但僅圍繞模態(tài)指數(shù)建模，完全割裂了海表溫度（Sea Surface Temperature, SST）等底層物理場(chǎng)與上層氣候模態(tài)相生互控的閉環(huán)關(guān)系。

換句話說(shuō)，傳統(tǒng)方法往往只能看到氣候系統(tǒng)的局部結(jié)構(gòu)，卻難以同時(shí)捕捉底層物理過(guò)程與高層氣候模態(tài)之間的協(xié)同演化規(guī)律。而這恰恰是中長(zhǎng)期氣候預(yù)測(cè)最關(guān)鍵的信息來(lái)源。

針對(duì)這一問(wèn)題，清華大學(xué)李勇教授團(tuán)隊(duì)聯(lián)合北京師范大學(xué)樊京芳教授團(tuán)隊(duì)、德國(guó)波茨坦氣候影響研究所，提出了全球首個(gè)氣候模態(tài)統(tǒng)一預(yù)測(cè)模型 UniCM，將系統(tǒng)科學(xué)中的整體性、耦合性思想引入 AI 氣候預(yù)報(bào)，首次將三大洋七大氣候模態(tài)納入同一個(gè)深度學(xué)習(xí)框架，通過(guò)學(xué)習(xí)模態(tài)間的非線性相互作用，探索隱藏在復(fù)雜氣候網(wǎng)絡(luò)中的可預(yù)報(bào)性來(lái)源。

UniCM：

用系統(tǒng)科學(xué)思維重構(gòu)氣候預(yù)報(bào)框架

如果說(shuō)傳統(tǒng)氣候預(yù)測(cè)模型更像是在分別研究氣候系統(tǒng)中的“局部成員”，那么 UniCM 試圖回答的問(wèn)題則更加宏觀：能否把多個(gè)氣候模態(tài)及其背后的海氣物理過(guò)程作為一個(gè)整體來(lái)理解和預(yù)測(cè)？

為此，研究團(tuán)隊(duì)設(shè)計(jì)了一種雙視圖、雙分支的 Transformer 架構(gòu)（圖1），通過(guò)兩個(gè)互補(bǔ)的子網(wǎng)絡(luò)協(xié)同工作，完整還原氣候系統(tǒng)從微觀物理過(guò)程到宏觀系統(tǒng)演化的全鏈路規(guī)律。

圖1. UniCM架構(gòu)概述。

其中，Globalformer 分支負(fù)責(zé)解析底層物理場(chǎng)的時(shí)空演化。它輸入SST、表層風(fēng)應(yīng)力、溫躍層深度等五項(xiàng)關(guān)鍵海氣變量，將全球海洋劃分為 5°×5° 的網(wǎng)格單元（每個(gè)網(wǎng)格單元在經(jīng)度方向跨度 為 5 度，緯度方向跨度為 5 度），通過(guò)時(shí)空分離注意力機(jī)制，先捕捉單個(gè)海域的時(shí)序變化特征，再建立全球海域之間的空間關(guān)聯(lián)。這種設(shè)計(jì)既能保留足夠的空間分辨率以刻畫物理過(guò)程，又能有效濾除短時(shí)天氣噪聲，高效完成精細(xì)化海氣物理場(chǎng)的預(yù)測(cè)。

并行運(yùn)行的 Modeformer 分支則聚焦于宏觀氣候模態(tài)的聯(lián)動(dòng)規(guī)律。它以經(jīng)過(guò)平滑處理的七大氣候模態(tài)指數(shù)為輸入，采用專門設(shè)計(jì)的模態(tài)專屬注意力機(jī)制，動(dòng)態(tài)量化不同模態(tài)在不同季節(jié)的相互作用強(qiáng)度。Modeformer 不僅能生成模態(tài)的預(yù)測(cè)結(jié)果，更重要的是，它能提煉出整個(gè)氣候系統(tǒng)的高層表征，并將這些信息反向傳遞給 Globalformer。

這種跨視圖的信息交互是 UniCM 最關(guān)鍵的創(chuàng)新點(diǎn)。傳統(tǒng)方法往往只關(guān)注底層物理場(chǎng)，或者只關(guān)注氣候模態(tài)，兩者之間存在明顯割裂。而在 UniCM 中，Modeformer 輸出的系統(tǒng)特征會(huì)按照地理分區(qū)，動(dòng)態(tài)嵌入到 Globalformer 的對(duì)應(yīng)網(wǎng)格中，讓局地海溫的預(yù)測(cè)始終受到全球氣候系統(tǒng)整體演化趨勢(shì)的約束。

在模型訓(xùn)練階段，研究團(tuán)隊(duì)使用采用三段復(fù)合損失函數(shù)，同時(shí)保證物理場(chǎng)擬合精度、模態(tài)指數(shù)反演一致性和多模態(tài)預(yù)測(cè)的準(zhǔn)確性。并利用CMIP6 提供的 165 年氣候模擬數(shù)據(jù)進(jìn)行學(xué)習(xí)，并通過(guò)四套獨(dú)立的海洋再分析資料進(jìn)行交叉驗(yàn)證，所有實(shí)驗(yàn)重復(fù) 20 次取均值，確保結(jié)果的穩(wěn)健性和泛化能力。

預(yù)報(bào)時(shí)效、極端事件復(fù)盤、物理可解釋性

三重突破

為了評(píng)估模型性能，研究團(tuán)隊(duì)將 UniCM 與擴(kuò)展非線性充電振蕩模型（XRO）、深度回聲狀態(tài)網(wǎng)絡(luò)（DESN）以及 FuXi-S2S 等代表性方法進(jìn)行了系統(tǒng)比較。結(jié)果表明，UniCM 不僅提升了中長(zhǎng)期預(yù)測(cè)精度，更在極端事件復(fù)現(xiàn)和物理機(jī)制挖掘方面展現(xiàn)出明顯優(yōu)勢(shì)。

圖2. UniCM在預(yù)測(cè)全球氣候模式方面的表現(xiàn)。

首先，在預(yù)報(bào)時(shí)效上，以距平相關(guān)系數(shù)（Anomaly Correlation Coefficient, ACC）≥0.5為有效臨界值，UniCM將ENSO有效預(yù)報(bào)上限從16個(gè)月延長(zhǎng)至19個(gè)月，且突破北半球春季可預(yù)報(bào)性障礙，維持14個(gè)月有效預(yù)報(bào)能力，12個(gè)月預(yù)報(bào)相關(guān)系數(shù)達(dá)0.71。面向七大模態(tài)一體化預(yù)報(bào)，XRO對(duì)TNA等多數(shù)模態(tài)有效預(yù)報(bào)不足半年，UniCM將其延長(zhǎng)至近24個(gè)月，IOD預(yù)報(bào)提升至7個(gè)月，其余模態(tài)精度平均提升22%以上，SST預(yù)報(bào)也顯著優(yōu)于前沿次季節(jié)大模型，12-15個(gè)月超長(zhǎng)時(shí)效下厄爾尼諾關(guān)鍵區(qū)仍留存有效信號(hào)。

然而，更長(zhǎng)的預(yù)測(cè)時(shí)效并不意味著模型真正理解了氣候系統(tǒng)。為此，研究團(tuán)隊(duì)進(jìn)一步檢驗(yàn)了 UniCM 對(duì)歷史極端事件的重建能力。結(jié)果顯示，模型能夠較為準(zhǔn)確地復(fù)現(xiàn)1997–1998超強(qiáng)厄爾尼諾、2020–2023三連拉尼娜（La Ni?a）的起止時(shí)間與強(qiáng)度變化，解決了傳統(tǒng)模型極易錯(cuò)判多年連續(xù)拉尼娜的痛點(diǎn)，同時(shí)準(zhǔn)確復(fù)刻各模態(tài)季節(jié)性預(yù)報(bào)峰值及NPMM超前ENSO 4個(gè)月的滯后相關(guān)規(guī)律，與實(shí)況觀測(cè)高度吻合。

如果說(shuō)準(zhǔn)確預(yù)測(cè)和歷史復(fù)現(xiàn)證明了模型“看得見”氣候系統(tǒng)，那么其可解釋性分析則進(jìn)一步表明，模型正在學(xué)習(xí)氣候系統(tǒng)內(nèi)部真實(shí)存在的動(dòng)力學(xué)聯(lián)系。

通過(guò)分析注意力權(quán)重，研究團(tuán)隊(duì)發(fā)現(xiàn) UniCM 能夠自動(dòng)識(shí)別極端氣候事件發(fā)生前的重要信號(hào)區(qū)域。例如，在厄爾尼諾形成之前，模型會(huì)重點(diǎn)關(guān)注赤道中東太平洋的關(guān)鍵海域；在部分拉尼娜事件中，則能夠捕捉到熱帶大西洋的前兆信號(hào)。更進(jìn)一步，模型還定量揭示了北太平洋經(jīng)向模態(tài)（NPMM）、熱帶北大西洋模態(tài)（TNA）等對(duì) ENSO 演化的增強(qiáng)作用，其結(jié)果與已有氣候動(dòng)力學(xué)研究高度一致。

從氣候預(yù)報(bào)走向復(fù)雜系統(tǒng)通用建模

UniCM 的意義不僅為中長(zhǎng)期氣候預(yù)報(bào)提供了新的技術(shù)手段，也為 AI for Science 在復(fù)雜系統(tǒng)領(lǐng)域的應(yīng)用開辟了新的方向。在全球變暖的背景下，多模態(tài)同步異常引發(fā)的復(fù)合型災(zāi)害日益頻繁，UniCM 能夠提前數(shù)月捕捉到這些協(xié)同異動(dòng)信號(hào)，為農(nóng)業(yè)生產(chǎn)規(guī)劃、水利工程調(diào)度和防災(zāi)減災(zāi)部署提供更長(zhǎng)的決策窗口。更重要的是，UniCM 所采用的 "局部精細(xì)動(dòng)力學(xué) + 全局耦合關(guān)聯(lián)" 的雙分支建模范式，具有極強(qiáng)的通用性。這種架構(gòu)可以遷移應(yīng)用到腦科學(xué)、生態(tài)學(xué)、經(jīng)濟(jì)學(xué)等多個(gè)領(lǐng)域，為研究各類復(fù)雜耦合系統(tǒng)提供統(tǒng)一的計(jì)算框架。這一成果標(biāo)志著人工智能在科學(xué)研究中的角色，正在從單純的計(jì)算工具，轉(zhuǎn)變?yōu)槟軌虬l(fā)現(xiàn)新規(guī)律、提出新假設(shè)的科學(xué)伙伴。

論文作者：

地球系統(tǒng)科學(xué)讀書會(huì)

世界氣象組織《2023年全球氣候狀況》報(bào)告確認(rèn)2023年是有觀測(cè)記錄以來(lái)最暖的一年。氣候變化正在以高溫、干旱、洪水、野火和沙塵暴等極端天氣的形式吸引人們的廣泛關(guān)注。世界經(jīng)濟(jì)論壇《2024全球風(fēng)險(xiǎn)報(bào)告》將氣候變化作為首要值得關(guān)注的風(fēng)險(xiǎn)。地球作為一個(gè)多要素、非線性的開放復(fù)雜系統(tǒng)，要素間相互作用關(guān)系復(fù)雜，往往牽一發(fā)而動(dòng)全身。在人類活動(dòng)深刻影響下，我們?cè)撊绾卫斫獠⒂行?yīng)對(duì)正在面臨的氣候變化以及其帶來(lái)的社會(huì)經(jīng)濟(jì)等一系列議題，實(shí)現(xiàn)人類與地球的可持續(xù)發(fā)展？

為了能夠深入理解人類世背景下地球系統(tǒng)各要素之間復(fù)雜的相互作用與演化機(jī)制，并為人類應(yīng)對(duì)未來(lái)的地球系統(tǒng)科學(xué)重大挑戰(zhàn)提供一套科學(xué)的認(rèn)知框架，集智俱樂(lè)部聯(lián)合清華大學(xué)講席教授陳德亮、北京師范大學(xué)教授樊京芳、東莞理工學(xué)院特聘副研究員陳愛芳、南開大學(xué)副教授戴啟立老師和愛爾蘭都柏林大學(xué)博士生班嶄共同發(fā)起，將組織大家從新的研究范式出發(fā)梳理相關(guān)文獻(xiàn)，并深入研讀其中涉及的理論與模型。

詳情請(qǐng)見：

1.

2.

3.

4.

5.

6.

7.

8.

9.

#速遞