通过物理引导的深度回声状态网络提升ENSO可预测性极限

为什么更好的厄尔尼诺预报很重要

厄尔尼诺是热带太平洋周期性变暖的现象，会改变降雨格局，引发洪涝和干旱，扰乱渔业并冲击全球经济。当前最好的气候模型通常能在约一年之前预见厄尔尼诺，但农民、城市规划者和灾害管理者更早可靠的预警会更有帮助。本研究探讨了一种新的人工智能方法——在已知气候物理指导下的深度回声状态网络——是否能推动我们对厄尔尼诺事件的实际可预测期限。

一种教机器“了解海洋”的新途径

作者构建了一个基于称为深度回声状态网络的预报系统，这是一种为处理复杂时变模式设计的轻量级循环神经网络。研究者没有把原始的温度和风场图直接输入网络，而是先把气候简化为一组有意义的指数——跟踪太平洋、印度洋和大西洋关键区域状况的简单数字。这一选择受到“扩展再充电振荡器”厄尔尼诺图景的启发，该图景把热带太平洋视为更广泛互联海洋系统的一部分。通过向网络提供这些具有物理可解释性的成分以及季节信息，研究者鼓励它学习现实的气候行为，而不是采用不透明的统计捷径。

更远的未来可见度

研究团队使用1958年至1999年的海洋再分析数据进行训练，2002年至2023年数据用于测试，评估其物理引导网络对Niño 3.4指数——衡量厄尔尼诺和拉尼娜强度的标准指标——的预报能力。他们将该方法与方法的简化版本、传统概念模型、运行中的气候预报和一种摄取大型三维数据集的先进深度学习系统进行比较。在几个月的短预报期内，各种方法表现相当。但在大约10个月之后，新的深度回声状态网络在更长时间内保持有用的技能，使相关性在常用阈值之上延伸至大约16–20个月。值得注意的是，它在标准桌面计算机上训练仅需数秒就能达到这一性能。

遥远海洋与隐藏热量如何提升技能

为了解方法为何有效，作者进行了许多受控实验，有选择地增添或移除信息片段。他们发现，热带太平洋表层下的一层暖水——称为暖水体积——作为系统的长期记忆，储存早期风场和海洋变化的印记。当排除这一隐藏储层时，长距离预报技能便崩溃。然而，仅靠暖水体积还不足以取得最大增益。最大的提升出现在它能与远离区域的气候变动（例如北太平洋以及印度洋和大西洋）的非线性交互时。这些跨盆影响被卷入地下记忆，有助于网络在一年多之前更好地预判厄尔尼诺的演变。

解开非线性与季节性的作用

研究者还探讨了强非线性行为和年周期如何塑造可预测性。由于他们的网络结构能够自然表示复杂的、依赖状态的关系，它持续优于只包含少数预设非线性项的更刚性的物理模型。网络的优势在所谓的春季可预测性屏障周围尤为明显——这是厄尔尼诺预报历来困难的季节。额外的实验中，通过将某些区域的初始状态人为重置为平均条件，表明包含远洋信息的好处取决于季节和太平洋自身的演变状态——这是非线性、依赖状态的相互作用而非简单线性因果关系的标志。

预报地平线真正终止在哪里

最后，作者质问常见的15–20个月厄尔尼诺预报技能上限是模型不足所致，还是大自然设定的更深层限制。他们通过跟踪不同模型内微小初始条件扰动随时间的增长，估算误差何时有效饱和——即预报与随意猜测无法区分的时候。他们的分析表明，厄尔尼诺的内在极限大约在30个月左右。新的物理引导网络最接近这一边界，凭借其稳定的内部动力学和对多重相互作用气候模态的现实处理，达到了超过1.5年的有用技能。

这对社会意味着什么

对非专业读者来说，关键结论是，将物理洞见与高效机器学习相结合，可以显著延长我们对厄尔尼诺预报的可置信期，同时不牺牲透明性。通过聚焦于少数公认的气候指标和海洋的隐藏热量储备，这种方法既阐明了系统为何可预测，也表明自然仍对大约两年半的预报地平线施加了严格限制。这类物理引导工具可帮助机构发布更早、更可靠的厄尔尼诺相关极端事件预警，并为将机器学习用于理解和预测气候系统其他关键部分提供蓝图。

引用: Zhang, Z., Meng, J., Qiu, Z. et al. Enhancing the predictability limits of ENSO with physics-guided deep echo state networks. npj Clim Atmos Sci 9, 92 (2026). https://doi.org/10.1038/s41612-026-01360-5

关键词: 厄尔尼诺预测, 气候机器学习, 海气耦合, 暖水体积, 长期气候预报