0
| 本文作者： 鄭佳美 | 2026-06-12 14:26 |
作者丨鄭佳美
編輯丨馬曉寧
在全球氣候風(fēng)險(xiǎn)越來(lái)越難以用單一事件解釋的今天，氣候預(yù)測(cè)行業(yè)正面臨一個(gè)明顯轉(zhuǎn)向：預(yù)測(cè)對(duì)象不再只是某一次 El Ni?o 或某一個(gè)海溫指數(shù)，而是整個(gè)海洋和大氣系統(tǒng)中多個(gè)氣候模態(tài)的聯(lián)動(dòng)變化。
過(guò)去，很多預(yù)測(cè)方法更擅長(zhǎng)處理 ENSO 這樣的核心模態(tài)，卻較難同時(shí)理解印度洋、大西洋和太平洋副熱帶區(qū)域之間的連鎖反應(yīng)。
現(xiàn)實(shí)中的氣候異常也往往不是單點(diǎn)發(fā)生的，例如一次太平洋海溫異常，可能會(huì)改變遠(yuǎn)洋航線沿途的風(fēng)浪條件，影響跨洋貨運(yùn)的時(shí)間安排；一個(gè)印度洋或大西洋信號(hào)的變化，也可能影響大型賽事、旅游旺季、保險(xiǎn)定價(jià)和公共衛(wèi)生部門對(duì)熱帶疾病傳播風(fēng)險(xiǎn)的預(yù)判。
也就是說(shuō)，氣候預(yù)測(cè)已經(jīng)不只是科學(xué)問(wèn)題，更關(guān)系到交通、商業(yè)、保險(xiǎn)、旅游、公共服務(wù)等許多普通人能感受到的生活場(chǎng)景。
在這種背景下，來(lái)自清華大學(xué)李勇教授研究團(tuán)隊(duì)提出了題為《Learning the coupled dynamics of global climate modes》的研究，嘗試用統(tǒng)一模型 UniCM 學(xué)習(xí)全球氣候模態(tài)之間的耦合動(dòng)力學(xué)。
研究的核心并不是把 ENSO、IOD、TNA、NPMM、SPMM、IOB、SIOD 分別預(yù)測(cè)一遍，而是把它們放進(jìn)同一個(gè)相互牽動(dòng)的系統(tǒng)中，讓模型同時(shí)理解海表溫度、風(fēng)應(yīng)力、溫躍層等物理場(chǎng)如何生成氣候模態(tài)，也理解這些氣候模態(tài)形成后如何反過(guò)來(lái)影響全球海氣系統(tǒng)的未來(lái)變化。
這樣一來(lái)，預(yù)測(cè)就不再停留在某個(gè)指數(shù)會(huì)升高還是降低，而是進(jìn)一步追問(wèn)，不同海盆之間的信號(hào)如何傳遞，極端事件出現(xiàn)前哪些模態(tài)正在變得更活躍，以及全球氣候系統(tǒng)是否正在從分散波動(dòng)走向有組織的異常狀態(tài)。
論文地址：https://www.nature.com/articles/s42256-026-01245-5
01
實(shí)驗(yàn)結(jié)果顯示，UniCM 的預(yù)測(cè)能力整體強(qiáng)于 XRO、DESN、CNN、ResoNet 等基線方法，其主要優(yōu)勢(shì)并不是單純提高某一個(gè)氣候指數(shù)的精度，而是同時(shí)提升多個(gè)氣候模態(tài)的整體預(yù)測(cè)能力，預(yù)測(cè)提升的關(guān)鍵來(lái)自“物理場(chǎng)變化”和“氣候模態(tài)相互作用”的聯(lián)合學(xué)習(xí)。雷峰網(wǎng)
在 ENSO 預(yù)測(cè)方面，UniCM 的長(zhǎng)提前期預(yù)測(cè)能力明顯增強(qiáng)，有效預(yù)測(cè)時(shí)間延長(zhǎng)到約 19 個(gè)月，同時(shí)春季可預(yù)報(bào)性障礙的影響減弱，短期預(yù)測(cè)中能夠較準(zhǔn)確捕捉 El Ni?o 和 La Ni?a 的變化趨勢(shì)，長(zhǎng)期預(yù)測(cè)中仍能保持對(duì) ENSO 相位和強(qiáng)弱變化的判斷，不只是預(yù)測(cè)“會(huì)不會(huì)發(fā)生”，還能夠較好捕捉事件的開(kāi)始、發(fā)展、持續(xù)和衰退。雷峰網(wǎng)(公眾號(hào)：雷峰網(wǎng))
在典型歷史事件方面，1997 年至 1998 年極端 El Ni?o 被模型較好捕捉，2020 年至 2023 年三重 La Ni?a 也被模型較好還原，不同類型 ENSO 事件都能保持較穩(wěn)定預(yù)測(cè)，說(shuō)明模型沒(méi)有只記住一種 ENSO 模式，而是學(xué)到多種 ENSO 演化路徑。
在多氣候模態(tài)預(yù)測(cè)方面，UniCM 同時(shí)預(yù)測(cè) ENSO、IOD、TNA、NPMM、SPMM、IOB、SIOD，把太平洋、印度洋、大西洋的氣候模態(tài)放在同一個(gè)系統(tǒng)中處理。
其中 ENSO 仍然是最容易預(yù)測(cè)的模態(tài)，IOD、TNA、IOB、SIOD 等非 ENSO 模態(tài)的預(yù)測(cè)能力也有明顯改善，對(duì)于 TNA、IOB、SIOD 這類受復(fù)雜遙相關(guān)影響的模態(tài)，UniCM 比線性模型更穩(wěn)定，多模態(tài)統(tǒng)一預(yù)測(cè)也比單獨(dú)預(yù)測(cè)每個(gè)模態(tài)更有優(yōu)勢(shì)。
在海表溫度預(yù)測(cè)方面，赤道中東太平洋區(qū)域的預(yù)測(cè)效果最突出，中太平洋區(qū)域在長(zhǎng)提前期下仍保留較明顯信號(hào)，關(guān)鍵 ENSO 區(qū)域的異常變化能夠在較長(zhǎng)時(shí)間后仍被模型識(shí)別，說(shuō)明模型不是只擬合氣候指數(shù)，而是學(xué)到了海表溫度空間場(chǎng)的演化規(guī)律。
在模態(tài)關(guān)系識(shí)別方面，NPMM 對(duì) ENSO 的提前影響、TNA 與 ENSO 之間的跨洋盆聯(lián)系、SIOD 與 IOB 之間的印度洋內(nèi)部聯(lián)系都被模型捕捉，UniCM 對(duì)這些關(guān)系的時(shí)間先后、強(qiáng)弱變化、非對(duì)稱結(jié)構(gòu)的還原效果優(yōu)于 XRO，說(shuō)明模型學(xué)到的不只是相關(guān)性，還有一定的動(dòng)態(tài)耦合結(jié)構(gòu)。
在可解釋性方面，強(qiáng) El Ni?o 前中東赤道太平洋信號(hào)更集中，部分 La Ni?a 前熱帶大西洋或西太平洋信號(hào)更突出，正常年份前注意力分布更分散，模態(tài)關(guān)系較弱，而極端事件前氣候模態(tài)之間的聯(lián)系更集中、更有組織，NPMM、TNA 等模態(tài)在極端 ENSO 事件前表現(xiàn)出更強(qiáng)前兆作用。
02
研究的基本思路是，海表溫度、緯向表面風(fēng)應(yīng)力、經(jīng)向表面風(fēng)應(yīng)力、溫躍層深度、上層 300 m 海溫等物理場(chǎng)變化，會(huì)在長(zhǎng)期演化中形成 ENSO、IOD、TNA 等大尺度氣候模態(tài)。
而這些氣候模態(tài)一旦形成，又會(huì)反過(guò)來(lái)影響未來(lái)的海溫分布、風(fēng)場(chǎng)變化和海洋上層結(jié)構(gòu)，所以模型不能只看單個(gè)氣候指數(shù)，也不能只看局部物理變量，而要同時(shí)處理“物理場(chǎng)生成模態(tài)”和“模態(tài)調(diào)節(jié)物理場(chǎng)”兩個(gè)方向。
數(shù)據(jù)準(zhǔn)備階段，研究人員使用經(jīng)過(guò)篩選的 CMIP6 歷史氣候模擬作為訓(xùn)練數(shù)據(jù)，主要保留能夠較好再現(xiàn)主要?dú)夂蚰B(tài)變化特征的模擬結(jié)果，并使用多個(gè)再分析數(shù)據(jù)集進(jìn)行測(cè)試，用來(lái)檢驗(yàn)?zāi)Ｐ兔鎸?duì)真實(shí)氣候資料時(shí)是否仍然有效。
每個(gè)訓(xùn)練樣本由過(guò)去 12 個(gè)月的氣候狀態(tài)和未來(lái) 24 個(gè)月的預(yù)測(cè)目標(biāo)組成，過(guò)去 12 個(gè)月作為模型輸入，未來(lái) 24 個(gè)月作為模型需要學(xué)習(xí)和輸出的結(jié)果。
進(jìn)入模型之前，物理場(chǎng)數(shù)據(jù)先被處理成月異常，再進(jìn)行標(biāo)準(zhǔn)化，以減少不同月份氣候背景差異帶來(lái)的影響，隨后被統(tǒng)一到 5° × 5° 的空間網(wǎng)格，并切分成空間塊，使模型能夠關(guān)注大尺度海氣變化，而不是被短期天氣噪聲干擾。
氣候模態(tài)指數(shù)則從海表溫度場(chǎng)中計(jì)算得到，并經(jīng)過(guò) 3 個(gè)月滑動(dòng)平均處理，用來(lái)突出季節(jié)到年際尺度的變化。模型輸入分為兩條路徑，一條是物理場(chǎng)路徑，包含海表溫度、緯向表面風(fēng)應(yīng)力、經(jīng)向表面風(fēng)應(yīng)力、溫躍層深度和上層 300 m 海溫，主要提供氣候模態(tài)形成的物理背景；
另一條是模態(tài)路徑，包含 ENSO、IOD、TNA、NPMM、SPMM、IOB、SIOD 七個(gè)氣候模態(tài)指數(shù)，主要提供全球氣候系統(tǒng)當(dāng)前的大尺度狀態(tài)。
模型結(jié)構(gòu)上，UniCM 采用雙分支 Transformer，Globalformer 負(fù)責(zé)處理物理場(chǎng)輸入，學(xué)習(xí)海溫、風(fēng)應(yīng)力、溫躍層和上層海溫在不同海區(qū)、不同月份之間的時(shí)空演化關(guān)系，Modeformer 負(fù)責(zé)處理模態(tài)指數(shù)輸入，學(xué)習(xí) ENSO、IOD、TNA、NPMM、SPMM、IOB、SIOD 各自的時(shí)間變化，以及它們之間可能存在的非線性耦合和跨洋盆遙相關(guān)。
兩個(gè)分支并不是各自獨(dú)立完成預(yù)測(cè)，而是通過(guò)耦合機(jī)制連接起來(lái)，Modeformer 先在模態(tài)層面提取整體氣候狀態(tài)和模態(tài)間關(guān)系，再把學(xué)到的模態(tài)信息注入 Globalformer，使物理場(chǎng)預(yù)測(cè)不僅依賴局部海溫、風(fēng)場(chǎng)和溫躍層信息，也受到全球氣候模態(tài)狀態(tài)的約束。
這樣設(shè)計(jì)之后，模型既能從底層物理場(chǎng)中識(shí)別氣候模態(tài)如何形成，也能從高層模態(tài)狀態(tài)中判斷未來(lái)物理場(chǎng)可能怎樣繼續(xù)演化。
訓(xùn)練完成后，研究團(tuán)隊(duì)把 UniCM 與傳統(tǒng)氣候動(dòng)力模型、普通深度學(xué)習(xí)模型、ENSO 專門預(yù)測(cè)模型和高分辨率場(chǎng)預(yù)測(cè)模型進(jìn)行對(duì)比，重點(diǎn)比較 ENSO 長(zhǎng)提前期預(yù)測(cè)、多氣候模態(tài)統(tǒng)一預(yù)測(cè)、海表溫度空間場(chǎng)預(yù)測(cè)、春季預(yù)測(cè)難點(diǎn)下的穩(wěn)定性、極端 El Ni?o 和 La Ni?a 事件的還原能力，以及不同氣候模態(tài)之間滯后關(guān)系的重建能力。
評(píng)估時(shí)，研究人員不僅看預(yù)測(cè)數(shù)值是否接近觀測(cè)結(jié)果，也看模型是否能保持正確的相位變化、是否能還原海表溫度異常的空間分布、是否能重建 NPMM 與 ENSO、TNA 與 ENSO、SIOD 與 IOB 等模態(tài)之間的先后聯(lián)系，還進(jìn)一步分析模型內(nèi)部的注意力機(jī)制，觀察極端事件發(fā)生前模型更關(guān)注哪些海區(qū)，以及哪些氣候模態(tài)之間的聯(lián)系會(huì)明顯增強(qiáng)。
整體實(shí)驗(yàn)流程可以概括為：先用歷史模擬數(shù)據(jù)訓(xùn)練模型，再用再分析數(shù)據(jù)測(cè)試模型，再通過(guò)預(yù)測(cè)精度、誤差表現(xiàn)、空間場(chǎng)預(yù)測(cè)、模態(tài)關(guān)系重建和注意力解釋結(jié)果，綜合判斷 UniCM 是否真正學(xué)到了全球氣候模態(tài)系統(tǒng)中的耦合動(dòng)力學(xué)。
03
整體來(lái)看，這項(xiàng)研究的意義不只是讓氣候預(yù)測(cè)更準(zhǔn)確，而是讓人們更早看見(jiàn)全球氣候異?？赡茉鯓影l(fā)展。
對(duì)預(yù)測(cè)工作來(lái)說(shuō)，UniCM 提升了 ENSO 的長(zhǎng)提前期預(yù)測(cè)能力，也改善了 IOD、TNA、IOB、SIOD 等非 ENSO 模態(tài)的預(yù)測(cè)效果，使極端 El Ni?o、持續(xù) La Ni?a 以及多氣候模態(tài)共同異常更容易被提前識(shí)別。
這樣一來(lái)，氣候預(yù)警不再只關(guān)注某一個(gè)海區(qū)或某一個(gè)指數(shù)，而是能夠從太平洋、印度洋和大西洋之間的整體聯(lián)系中判斷未來(lái)風(fēng)險(xiǎn)。
對(duì)氣候科學(xué)來(lái)說(shuō)，研究說(shuō)明氣候模態(tài)之間的聯(lián)系并不是雜亂無(wú)章的噪聲，跨洋盆遙相關(guān)中包含可以學(xué)習(xí)和識(shí)別的結(jié)構(gòu)，極端事件發(fā)生前，不同模態(tài)之間往往會(huì)出現(xiàn)更集中、更有組織的聯(lián)系。
因此，全球氣候系統(tǒng)更適合被理解為一個(gè)相互牽動(dòng)的耦合網(wǎng)絡(luò)，單獨(dú)研究 ENSO 可能會(huì)忽略來(lái)自印度洋、大西洋和太平洋副熱帶區(qū)域的早期信號(hào)。
對(duì)方法發(fā)展來(lái)說(shuō)，研究把氣候預(yù)測(cè)從單模態(tài)預(yù)測(cè)推進(jìn)到多模態(tài)統(tǒng)一預(yù)測(cè)，從線性關(guān)系建模推進(jìn)到非線性耦合建模，從只預(yù)測(cè)氣候指數(shù)推進(jìn)到同時(shí)利用物理場(chǎng)和氣候指數(shù)進(jìn)行聯(lián)合預(yù)測(cè)，也讓氣候 AI 不只是給出結(jié)果，還能通過(guò)注意力機(jī)制顯示哪些海區(qū)、哪些模態(tài)關(guān)系更可能影響極端事件。對(duì)普通人來(lái)說(shuō)，這種研究最直接的價(jià)值在于爭(zhēng)取更多準(zhǔn)備時(shí)間。
更早識(shí)別 El Ni?o、La Ni?a 或印度洋、大西洋異常，意味著農(nóng)業(yè)種植可以更早調(diào)整作物安排和灌溉計(jì)劃，水庫(kù)和城市供水系統(tǒng)可以更早準(zhǔn)備干旱或異常降雨，沿海和低洼地區(qū)可以更早評(píng)估洪水風(fēng)險(xiǎn)，電力部門可以提前估計(jì)高溫、寒潮或持續(xù)干旱帶來(lái)的用電壓力，糧食供應(yīng)鏈也可以提前考慮氣候異常對(duì)產(chǎn)量和價(jià)格的影響。
科學(xué)發(fā)現(xiàn)方面，UniCM 能幫助研究人員自動(dòng)識(shí)別極端事件前的關(guān)鍵前兆區(qū)域，發(fā)現(xiàn) NPMM、TNA 等模態(tài)可能具有的驅(qū)動(dòng)作用，為理解全球海氣耦合動(dòng)力學(xué)提供數(shù)據(jù)驅(qū)動(dòng)證據(jù)，也為腦網(wǎng)絡(luò)、生態(tài)網(wǎng)絡(luò)、社會(huì)經(jīng)濟(jì)系統(tǒng)等其他復(fù)雜系統(tǒng)研究提供可以借鑒的建模思路。
04
這篇論文的通訊作者為李勇教授，他是清華大學(xué)電子工程系的長(zhǎng)聘教授、博士生導(dǎo)師，并擔(dān)任城市科學(xué)與計(jì)算研究中心負(fù)責(zé)人，是教育部長(zhǎng)江學(xué)者。他長(zhǎng)期從事人工智能、數(shù)據(jù)科學(xué)、復(fù)雜系統(tǒng)與社會(huì)計(jì)算等交叉學(xué)科研究，主持了多個(gè)國(guó)家重點(diǎn)研發(fā)計(jì)劃和國(guó)家自然科學(xué)基金重點(diǎn)項(xiàng)目。
在科研成果方面，李勇教授在人工智能和數(shù)據(jù)科學(xué)方向積累了豐富研究成果，在 Nature Computational Science、Nature Machine Intelligence、Nature Human Behaviour、Nature Cities 等綜合性期刊，以及 ACM KDD、NeurIPS、ICLR、WWW 等國(guó)際會(huì)議上發(fā)表了大量高水平論文，累計(jì)引用超過(guò)三萬(wàn)多次，并擁有多項(xiàng)授權(quán)專利。
他曾入選全球高被引科學(xué)家、國(guó)家萬(wàn)人計(jì)劃青年拔尖人才，獲得教育部科技進(jìn)步一等獎(jiǎng)、IEEE ComSoc 亞太杰出青年學(xué)者獎(jiǎng)、吳文俊人工智能優(yōu)秀青年獎(jiǎng)等多項(xiàng)榮譽(yù)，同時(shí)也擔(dān)任多個(gè)國(guó)際會(huì)議籌委會(huì)成員和國(guó)際期刊編委。
參考資料：https://fi.ee.tsinghua.edu.cn/~liyong/
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。
