Nature子刊：清华AI解码气候耦合，ENSO预测期延至19个月

Nature 子刊收录！清华李勇团队用 AI 解码全球气候耦合，ENSO 预测提前期延长至 19 个月

UniCM：破解极端 El Niño 与 La Niña 背后的跨洋盆耦合信号。

全球气候风险已无法用单一事件孤立解释。气候预测行业正经历显著转向：预测对象不再局限于某次 El Niño 或单一海温指数，而是聚焦整个海洋-大气系统中多个气候模态的联动演化。

传统预测方法擅长捕捉 ENSO 这类核心模态，但很难同步解析印度洋、大西洋与太平洋副热带区域之间的级联效应。实际气候异常极少单点爆发——一次太平洋海温异常，可能重塑远洋航线的风浪条件，进而影响跨洋货运排期；一个印度洋或大西洋的信号变化，也可能波及大型赛事、旅游旺季、保险定价以及公共卫生部门对热带疾病传播风险的评估。换言之，气候预测已从纯科学命题，延伸至交通、商业、保险、旅游、公共服务等普通人可感知的日常生活场景。

在此背景下，清华大学李勇教授团队提出《Learning the coupled dynamics of global climate modes》研究，以统一模型 UniCM 学习全球气候模态间的耦合动力学。核心并非将 ENSO、IOD、TNA、NPMM、SPMM、IOB、SIOD 分别预测，而是将它们置于一个相互牵动的系统中，让模型同时理解海表温度、风应力、温跃层等物理场如何生成气候模态，并掌握这些模态形成后如何反向影响全球海气系统的未来演变。预测不再停留于某个指数上升或下降，而是进一步追问：不同海盆间的信号如何传递？极端事件爆发前哪些模态正变得异常活跃？全球气候系统是否正从分散波动转向有组织的异常状态？

01 UniCM 将气候预测编织成一张网

实验结果表明，UniCM 的预测整体优于 XRO、DESN、CNN、ResoNet 等基线方法。其核心优势并非单纯提升某一气候指数的精度，而是同时拉高了多个气候模态的整体预测水平——关键提升来源于“物理场演化”与“气候模态相互作用”的联合学习。

在 ENSO 预测方面，UniCM 的长提前期预测能力显著增强，有效预测窗口延伸至约 19 个月，同时春季可预报性障碍的干扰明显减弱。短期预测中能精准捕捉 El Niño 和 La Niña 的趋势，长期预测中仍能维持对 ENSO 相位与强度的判断——不仅预判“是否发生”，还能较好刻画事件的爆发、发展、持续与衰退全过程。

在典型历史事件还原上，1997–1998 年极端 El Niño 被模型有效捕捉，2020–2024 年三重 La Niña 也被模型忠实复现。不同 ENSO 类型事件均能保持稳定预测，说明模型并未死记单一 ENSO 模式，而是习得了多种演化路径。

在多气候模态联合预测方面，UniCM 同时输出 ENSO、IOD、TNA、NPMM、SPMM、IOB、SIOD，将太平洋、印度洋、大西洋的气候模态纳入统一框架。其中 ENSO 依旧是可预测性最高的模态，而 IOD、TNA、IOB、SIOD 等非 ENSO 模态的预测精度同样大幅提升。对于 TNA、IOB、SIOD 这类受复杂遥相关驱动的模态，UniCM 比线性模型更稳健，多模态统一预测也比单独建模每个模态更具优势。

在海表温度预测上，赤道中东太平洋区域效果最优，中太平洋区域在长提前期下仍保留显著信号。关键 ENSO 区域的异常变化能在较长时间后仍被模型识别，说明模型并非简单拟合气候指数，而是真正捕获了海表温度空间场的演化规律。

在模态关系识别上，NPMM 对 ENSO 的提前影响、TNA 与 ENSO 的跨洋盆联系、SIOD 与 IOB 的印度洋内部关联均被模型成功捕获。UniCM 对这些关系的时间先后、强度变化、非对称结构的还原能力优于 XRO，说明模型学到的不仅是相关性，而是具备动态耦合结构感知力。

在可解释性方面，强 El Niño 前中东赤道太平洋信号更集中，部分 La Niña 前热带大西洋或西太平洋信号更突出；正常年份前注意力分布分散，模态关系偏弱；极端事件前气候模态间的联系更集中、更有组织。NPMM、TNA 等模态在极端 ENSO 事件前呈现更强的前兆特征。

02 双分支 Transformer 登场

实验流程方面，研究首先将目标锁定为全球气候模态的统一预测。团队并未只围绕 ENSO 构建单一预测框架，而是将 ENSO、IOD、TNA、NPMM、SPMM、IOB、SIOD 等多个模态嵌入同一气候系统，让模型同时学习各模态自身的演变规律、模态间的相互影响，以及物理场与气候模态之间的双向反馈。

基本逻辑：海表温度、纬向表面风应力、经向表面风应力、温跃层深度、上层 300 米海温等物理场的长期演化，会催生 ENSO、IOD、TNA 等大尺度气候模态；而这些模态一旦形成，又会反向影响未来的海温分布、风场变动和海洋上层结构。因此模型不能只看单一气候指数，也不能只看局部物理变量，而必须同时处理“物理场生成模态”与“模态调制物理场”两条路径。

数据准备阶段，研究人员采用经过筛选的 CMIP6 历史气候模拟作为训练数据，仅保留能较好复现主要气候模态变化特征的模拟结果，并使用多个再分析数据集进行测试，以检验模型在面对真实气候资料时的泛化能力。每个训练样本由过去 12 个月的气候状态和未来 24 个月的预测目标组成——过去 12 个月作为输入，未来 24 个月作为待学习和输出的结果。

进入模型前，物理场数据先被处理为月异常，再标准化以消除不同月份气候背景差异，随后统一至 5°×5° 空间网格并切分成空间块，使模型能关注大尺度海气变化，而非短期天气噪声。气候模态指数从海表温度场计算得到，并经过 3 个月滑动平均处理，以突出季节至年际尺度的变化信号。

模型输入分两条路径：一条是物理场路径，包含海表温度、纬向表面风应力、经向表面风应力、温跃层深度和上层 300 米海温，提供气候模态形成的物理背景；另一条是模态路径，包含 ENSO、IOD、TNA、NPMM、SPMM、IOB、SIOD 七个气候模态指数，刻画全球气候系统的当前大尺度状态。

模型结构上，UniCM 采用双分支 Transformer。Globalformer 负责处理物理场输入，学习海温、风应力、温跃层和上层海温在不同海区、不同月份之间的时空演化关系；Modeformer 负责处理模态指数输入，学习 ENSO、IOD、TNA、NPMM、SPMM、IOB、SIOD 各自的时序变化，以及它们之间可能存在的非线性耦合与跨洋盆遥相关。

两个分支并非独立完成预测，而是通过耦合机制互联。Modeformer 先在模态层面提取整体气候状态和模态间关系，再将学到的模态信息注入 Globalformer，使物理场预测不仅依赖局部海温、风场和温跃层，还受全球气候模态状态约束。如此设计后，模型既能从底层物理场中识别模态的生成过程，也能从高层模态状态中研判未来物理场的演变方向。

训练完成后，研究团队将 UniCM 与传统气候动力模型、普通深度学习模型、ENSO 专用预测模型以及高分辨率场预测模型进行对比，重点比较 ENSO 长提前期预测、多气候模态统一预测、海表温度空间场预测、春季预测难点下的稳定性、极端 El Niño 和 La Niña 的还原能力，以及不同气候模态间滞后关系的重建效果。

评估过程中，研究人员不仅验证预测数值是否贴近观测，还检查模型能否保持正确的相位变化、能否还原海表温度异常的空间分布、能否重建 NPMM 与 ENSO、TNA 与 ENSO、SIOD 与 IOB 等模态间的先后联系。更进一步，他们剖析模型内部的注意力机制，观察极端事件发生前模型更关注哪些海区，以及哪些气候模态间的联系会显著增强。

整体实验流程可概括为：先用历史模拟数据训练模型，再用再分析数据测试模型，再通过预测精度、误差表现、空间场预测、模态关系重建和注意力解释结果，综合判断 UniCM 是否真正掌握了全球气候模态系统中的耦合动力学。

03 极端气候应对，少一分被动

整体而言，这项研究的价值不仅是让气候预测更精准，更是让人们更早洞悉全球气候异常的演化脉络。

对预测工作而言，UniCM 提升了 ENSO 的长提前期预测能力，同时改善了 IOD、TNA、IOB、SIOD 等非 ENSO 模态的预测效果，使极端 El Niño、持续 La Niña 以及多模态联手异常更易被提前识别。气候预警不再限于某一海区或单一指数，而是能从太平洋、印度洋与大西洋的整体关联中预判未来风险。

对气候科学来说，研究证实气候模态间的联系并非杂乱无章的噪声——跨洋盆遥相关中蕴含着可学习、可识别的结构。极端事件发生前，不同模态之间往往出现更集中、更有组织的联系。因此全球气候系统更适合被理解为一个相互牵动的耦合网络，单独研究 ENSO 很可能漏掉来自印度洋、大西洋和太平洋副热带区域的早期信号。

对方法发展而言，研究将气候预测从单模态推进到多模态统一预测，从线性关系建模推进到非线性耦合建模，从仅预测气候指数推进到同时利用物理场和气候指数进行联合预测。同时，气候 AI 不仅输出结果，还能通过注意力机制揭示哪些海区、哪些模态关系最可能左右极端事件。

对普通人而言，这类研究最直接的收益是争取更多准备时间。更早识别 El Niño、La Niña 或印度洋、大西洋异常，意味着农业种植可提前调整作物布局与灌溉计划，水库和城市供水系统可预先应对干旱或异常降雨，沿海低洼地区可提早评估洪水风险，电力部门可估算高温、寒潮或持续干旱带来的负荷压力，粮食供应链也能提前考虑气候异常对产量和价格的冲击。

科学发现层面，UniCM 能自动识别极端事件前的关键前兆区域，揭示 NPMM、TNA 等模态可能具备的驱动作用，为理解全球海气耦合动力学提供数据驱动证据，也为脑网络、生态网络、社会经济系统等其他复杂系统研究提供可迁移的建模思路。

04 UniCM 背后的研究团队

这篇论文的通讯作者为李勇教授，清华大学电子工程系长聘教授、博士生导师，城市科学与计算研究中心负责人，教育部长江学者。长期从事人工智能、数据科学、复杂系统与社会计算等交叉学科研究，主持多项国家重点研发计划和国家自然科学基金重点项目。

科研成果方面，李勇教授在人工智能和数据科学方向积淀深厚，在 Nature Computational Science、Nature Machine Intelligence、Nature Human Behaviour、Nature Cities 等综合性期刊，以及 ACM KDD、NeurIPS、ICLR、WWW 等国际会议发表大量高水平论文，累计引用超三万余次，拥有多项授权专利。曾入选全球高被引科学家、国家万人计划青年拔尖人才，获教育部科技进步一等奖、IEEE ComSoc 亚太杰出青年学者奖、吴文俊人工智能优秀青年奖等多项荣誉，同时担任多个国际会议筹委会成员及国际期刊编委。