地球的氣候之間相互影響。太平洋海水溫度異常，會通過大氣環(huán)流、洋流等方式影響印度洋、大西洋的氣候狀態(tài)；而印度洋、大西洋的微小波動，也會反向擾動太平洋，這種跨大洋的遠程聯(lián)動現(xiàn)象被氣象學(xué)界稱為“遙相關(guān)”。

1997-1998 年超強厄爾尼諾席卷全球，造成多國暴雨洪災(zāi)與持續(xù)性干旱；2020-2023 年罕見的“三重拉尼娜”持續(xù)了三年之久，打亂了全球降水與氣溫格局，這兩起典型極端事件，都是多氣候模態(tài)協(xié)同作用的結(jié)果。

那能不能更早、更準確地預(yù)測氣候發(fā)生？以及同時理解多個氣候模式之間的相互影響？

近日，清華大學(xué)電子工程系李勇團隊聯(lián)合北京師范大學(xué)系統(tǒng)科學(xué)學(xué)院樊京芳團隊、德國波茨坦氣候影響研究所等機構(gòu)，在 Nature Machine Intelligence 發(fā)表成果，他們提出了一個名為 UniCM 的 AI 氣候預(yù)測模型。

論文顯示，UniCM 將 ENSO，也就是厄爾尼諾-南方濤動的有效預(yù)測時效延長至 19 個月。ENSO 是赤道中東太平洋海溫與大氣聯(lián)動的周期性波動，暖海溫階段為厄爾尼諾、冷海溫階段為拉尼娜，會顯著影響全球天氣與氣候。

更重要的是，它并不只是預(yù)測厄爾尼諾，而是嘗試同時理解太平洋、印度洋和大西洋中多個關(guān)鍵氣候模式之間的相互影響。

UniCM 是一款基于 Transformer 改造的統(tǒng)一預(yù)測模型，包含 Globalformer 和 Modeformer 兩個分支。

圖 | UniCM （來源：上述論文）

Globalformer 負責(zé)全球海洋和大氣的基礎(chǔ)物理數(shù)據(jù)。比如海表溫度、海面風(fēng)應(yīng)力、溫躍層深度，以及上層 300 米海溫等；Modeformer 分支負責(zé)氣候模式本身。比如 ENSO 指數(shù)、印度洋偶極子指數(shù)等。幫助人們判斷某一類氣候現(xiàn)象處在什么狀態(tài)。

在數(shù)據(jù)訓(xùn)練層面，UniCM 依托全球多套權(quán)威氣候數(shù)據(jù)集開展訓(xùn)練與驗證，包括 CMIP6 氣候模式模擬數(shù)據(jù)、GODAS、ERA5、ORAS5、SODA 等主流海洋再分析數(shù)據(jù)。研究團隊使用長達 165 年的歷史氣候數(shù)據(jù)構(gòu)建訓(xùn)練集，讓模型充分學(xué)習(xí)不同常態(tài)、極端氣候場景下的模態(tài)聯(lián)動規(guī)律。模型的輸入為過去 12 個月的氣候數(shù)據(jù)，輸出則是未來連續(xù) 24 個月的預(yù)測結(jié)果，從數(shù)據(jù)底層保障了中長期氣候預(yù)測的可靠性。

研究團隊將 UniCM 與當(dāng)前國際主流的 XRO、DESN、CNN、ResoNet 等氣候預(yù)測模型開展多輪對比測試，覆蓋短期、中長期預(yù)測，常態(tài)氣候、極端氣候等多種場景。

結(jié)果顯示，UniCM 將厄爾尼諾的有效預(yù)測時間延長到了 19 個月，比前期最強的物理-深度學(xué)習(xí)混合模型 DESN（16個月）又向前推進了 3 個月。

圖 | UniCM 對ENSO 的預(yù)測（來源：上述論文）

該模型還成功重現(xiàn)了歷史上多種復(fù)雜的極端氣候，從 1997-1998 年的極端厄爾尼諾，到近代極具挑戰(zhàn)性的 2020-2023 年“三重拉尼娜”現(xiàn)象，它都能準確預(yù)測其發(fā)生、強度和衰退。

其次，“春季障礙”（Spring Predictability Barrier, SPB）是全球氣候預(yù)測的一大難題。它指氣候模式在預(yù)測厄爾尼諾/拉尼娜事件時，其技巧和準確率在每年 3 月至 5 月間急劇下降的現(xiàn)象。此階段海洋與大氣耦合最不穩(wěn)定，導(dǎo)致未來氣候趨勢預(yù)測產(chǎn)生極大的不確定性。但 UniCM 成功克服了這一障礙，在針對春季目標的預(yù)測中，提前 14 個月依然保持了高準確率。

對于太平洋經(jīng)向模態(tài)、南印度洋偶極子等研究較少的次要模態(tài)，UniCM 也實現(xiàn)了超強的泛化預(yù)測能力，平均性能提升超 22%。例如，模型成功將印度洋偶極子（IOD）的有效預(yù)測期延長至 7 個月，這為防災(zāi)減災(zāi)、全球農(nóng)業(yè)多月度前置規(guī)劃提供了窗口期。

除了預(yù)測效果，論文還強調(diào)了 UniCM 的可解釋性。

很多人對 AI 氣候模型有一個擔(dān)心：它也許預(yù)測得準，但我們不知道它為什么準。如果模型只是一個黑箱，那么它對科學(xué)發(fā)現(xiàn)的幫助就會受到限制。

為此，研究團隊分析了 UniCM 內(nèi)部的注意力機制，試圖看看模型在預(yù)測時關(guān)注了哪些區(qū)域，以及哪些氣候模式之間的關(guān)系。

例如，在沒有任何人類預(yù)先設(shè)定的物理知識的前提下，模型自己發(fā)現(xiàn)了“北太平洋經(jīng)向模式（NPMM）”是引發(fā) 1997 年極端厄爾尼諾現(xiàn)象的關(guān)鍵前兆；在預(yù)測 1995 年的拉尼娜現(xiàn)象時，模型自動把關(guān)注點轉(zhuǎn)移到了熱帶大西洋盆地，這與已知的科學(xué)文獻完全吻合。

此外，UniCM 還精準還原了各大洋氣候現(xiàn)象先后影響、強弱關(guān)聯(lián)的真實規(guī)律，而傳統(tǒng)模型不僅夸大了彼此影響的力度，還抓不住這種復(fù)雜的聯(lián)動特點。

論文中也提到了一些局限性，一是像印度洋偶極子這類變化快、受季節(jié)影響極大的氣候現(xiàn)象，受自然規(guī)律制約，很難再大幅延長預(yù)測時間；二是該模型現(xiàn)在只擅長預(yù)測幾個月到兩年的氣候，還沒兼顧幾十天的短期波動和十幾年的長期氣候演變。

接下來研究團隊打算繼續(xù)升級：融合不同時間尺度的氣候規(guī)律，分析全球變暖會如何改變各大氣候現(xiàn)象的相互影響，讓 AI 的研究成果能更好助力氣候理論探索。

1.https://www.nature.com/articles/d41586-026-01538-0

2.Yuan, Y., Ding, J., Qiu, Z. et al. Learning the coupled dynamics of global climate modes. Nat Mach Intell (2026). https://doi.org/10.1038/s42256-026-01245-5

排版：胡莉花

注：封面/首圖由 AI 輔助生成