清华全球气候模态统一预测模型提前19个月预测厄尔尼诺

全球气候并非各自孤立的系统。太平洋海表温度一旦偏离常态，大气环流与洋流便会迅速将这种异常传导至印度洋与大西洋；同样，后两者哪怕是微弱的温度起伏，也可能反向扰动太平洋的平衡。这种跨洋远程耦合，气象学界定义为“遥相关”。

回顾典型案例：1997‑1998年的极端厄尔尼诺使多国交替遭遇暴雨洪灾与持久干旱；而2020‑2024年罕见的“三重拉尼娜”接连持续三年，彻底打乱全球降水与气温格局。两起事件背后指向同一个本质——极端气候往往是多个气候模态协同作用的结果。

由此自然引出一个关键问题：能否更早、更精准地预判气候演化路径？同时，能否解析多个气候模式之间错综复杂的相互影响？

近日，清华大学电子工程系李勇团队联合北京师范大学系统科学学院樊京芳团队及德国波茨坦气候影响研究所等机构，在Nature Machine Intelligence发表成果。他们提出AI气候预测模型UniCM，试图破解上述难题。

论文显示，UniCM将ENSO（厄尔尼诺‑南方涛动）的有效预测时效延长至19个月。ENSO是赤道中东太平洋海温与大气耦合的周期性波动：暖海温阶段对应厄尔尼诺，冷海温阶段对应拉尼娜，其对全球天气与气候的影响力毋庸置疑。

但该模型的价值远不止于预测厄尔尼诺。核心突破在于，它尝试同时理解太平洋、印度洋和大西洋中多个关键气候模式之间的相互影响——不再“单打独斗”，而是对全球气候联动机制进行系统建模。

结构上，UniCM是基于Transformer改造的统一预测模型，包含两个分支：Globalformer与Modeformer。

图注：UniCM架构（来源：上述论文）

Globalformer负责处理全球海洋与大气的底层物理场，例如海表温度、海面风应力、温跃层深度及上层300米海温等。Modeformer分支则专门处理气候模式本身——如ENSO指数、印度洋偶极子指数——帮助判定特定气候现象所处的状态。

训练数据方面，UniCM依托多套权威气候数据集，包括CMIP6气候模式模拟数据，以及GODAS、ERA5、ORAS5、SODA等主流海洋再分析资料。研究团队利用长达165年的历史气候数据构建训练集，使模型充分学习不同常态与极端场景下的模态联动规律。输入为过去12个月的气候数据，输出为未来连续24个月的预测结果——这一设计从底层保障了中长期气候预测的可靠性。

为验证性能，团队将UniCM与当前国际主流的XRO、DESN、CNN、ResoNet等模型进行了多轮对比测试，覆盖短期与中长期、常态与极端气候等多种场景。

结果极为突出：UniCM将厄尔尼诺的有效预测时间延长至19个月，比此前最强的物理‑深度学习混合模型DESN（16个月）向前推进了3个月。

图注：UniCM对ENSO的预测效果（来源：上述论文）

模型成功复现了历史上多种复杂极端气候——从1997‑1998年的极端厄尔尼诺，到极具挑战性的2020‑2024年“三重拉尼娜”现象，均能准确预测其发生、强度与衰退过程。

此外，UniCM克服了全球气候预测的一大痛点——“春季障碍”。所谓春季障碍，指气候模式在预测厄尔尼诺/拉尼娜事件时，技巧与准确率在每年3月至5月间急剧下降。该阶段海气耦合最不稳定，预测不确定性最高。而UniCM在针对春季目标的预测中，即使提前14个月仍保持高准确率。

对于太平洋经向模态、南印度洋偶极子等研究较少的次要模态，UniCM同样展现了超强的泛化预测能力，平均性能提升超过22%。例如，模型将印度洋偶极子的有效预测期延长至7个月——这为防灾减灾及全球农业的多月前置规划提供了宝贵的窗口期。

预测性能出色是一回事，能否赢得学界信任则是另一回事。

许多人对AI气候模型存在隐忧：它可能预测准确，但人们不知道它为何准确。若模型是黑箱，其对科学发现的推动力将大打折扣。

为此，团队深入分析了UniCM内部的注意力机制，试图揭示模型在预测时关注哪些区域及哪些气候模式之间的关联。结果颇具启发性：在没有任何人类预设物理知识的前提下，模型自主发现“北太平洋经向模式”是1997年极端厄尔尼诺的关键前兆；在预测1995年拉尼娜时，注意力自动转向热带大西洋盆地——这一发现与已知文献完全吻合。

此外，UniCM精准还原了各大洋气候现象先后影响、强弱关联的真实规律，而传统模型不仅夸大彼此影响力度，更难以捕捉这种复杂的联动特征。

论文同时坦承局限性。例如，印度洋偶极子这类变化快、季节影响极强的现象，受自然规律制约，很难再大幅延长预测期。此外，当前模型仅擅长预测数月至两年内的气候演变，尚未兼顾数周短期波动与十余年长期变化。

研究团队表示，下一步将融合不同时间尺度的气候规律，并分析全球变暖如何改变各大气候现象的相互影响，使AI研究成果更好助力气候理论探索。

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