基于数据驱动与动力模式探究21世纪初以来ENSO可预报性减弱的物理机制
ENSO作为地球气候系统中最显著的年际变率信号，其准确预测对于全球气候灾害预警、农业生产及水资源管理至关重要。随着动力模式和资料同化技术的发展，ENSO预测水平在20世纪末取得了显著进步。然而，自21世纪初以来，尽管预测模型在不断改进，现有的统计和动力模式对ENSO的预测技巧却普遍出现了明显下滑。这种预测能力的减弱究竟源于模式本身的缺陷，还是气候系统内部发生了年代际的根本性转变? AI模型如何表征? 针对上述科学难题，南京信息工程大学罗京佳教授团队联合上海人工智能实验室，在《Journal of Climate》权威杂志上发表了题为“Understanding the Decreased ENSO Predictability since the Early 2000s Based on Data-Driven and Dynamical Models”的研究论文，该论文第一作者为大气科学学院博士生孙其明，通讯作者为伍继业讲师和罗京佳教授，以及合作者零丰华青年研究员、郭子杰博士和周顺武教授。该研究创新性地结合了数据驱动的深度学习模型（ORCA-DL、3D-Geoformer、CNN）与先进的动力学模式（SINTEX-F、CanCM4），深入剖析了近四十年来ENSO预测技巧的年代际变化及其背后的物理机制。
研究表明，无论深度学习模型还是动力模式，均可以表征ENSO预测技巧的年代际变化（图1）。自2005年开始，ENSO的预测技巧均出现显著下降，尤其体现在对ENSO相位转变（如El Niño转La Niña，或La Niña转El Niño）的预测能力上，这导致了ENSO春季预报障碍的增强。研究进一步揭示，2005年之后，位相转换年的前一年夏季（JJA(-1)）西太平洋次表层异常信号与ENSO海表温度异常之间的关联明显减弱，使得该信号不再作为ENSO位相转变的有效前兆信号。通过混合层热收支诊断分析，本研究指出在ENSO衰减和位相转换阶段，平均海温的异常纬向平流项起着关键作用（图B）。2005年后，多数模型对该项的预测出现显著偏差，这是导致ENSO预测技巧下降的重要原因之一。本研究得到国家自然科学基金（项目号：42030605与42088101）、气候系统预测与变化应对全国重点实验室自主课题（项目号：CPRM-2025-NUIST-012）以及江苏省研究生科研与实践创新计划（项目号：KYCX25_1586）的资助。
图 1 不同预测模型中全年ACC技巧随Niño 3.4指数预测时长的变化（基于11年滑动窗口）；B基于模型预测（JJA(-1)起报）和观测数据，展示（a）El Niño与（b）La Niña事件衰减及位相转换阶段（1–7月）期间Niño 3.4区海洋混合层（0–50 m）热收支诊断项变化。
文章来源：
https://journals.ametsoc.org/view/journals/clim/aop/JCLI-D-25-0086.1/JCLI-D-25-0086.1.xml
Sun, Q., J. Wu, J.-J. Luo, F. Ling, Z. Guo, and S. Zhou, 2026: Understanding the Decreased ENSO Predictability since the Early 2000s Based on Data-Driven and Dynamical Models. J. Climate, 39, 695–714.