近日，中国海洋大学深海圈层与地球系统前沿科学中心/物理海洋教育部重点实验室在学术期刊Nature Communications发表题为“Combined Dynamical-Deep Learning ENSO Forecasts”（《结合动力学与深度学习的ENSO预报》）的最新研究成果，提出两种深度学习与动力学相结合的预报策略，显著提升了ENSO（厄尔尼诺-南方涛动）预报能力。成果由物理海洋教育部重点实验室/海洋与大气学院在读博士研究生陈毅鹏、我校“青年英才工程”第三层次副教授金亦帅为共同第一作者（金亦帅副教授同时为通讯作者），联合我校陈显尧教授、林霄沛教授以及国内外多家院所专家学者共同合作完成。

　　ENSO作为地球上年际变率最强的气候现象，提升其预报能力对经济和社会发展至关重要。过去的半个世纪里，动力学模式的ENSO预报取得了显著进展。最近的研究表明，与单一动力学模式相比，深度学习（DL）模型能大幅提升ENSO的预报能力。然而，如何有效整合DL模型和动力学模式的优势以进一步提升ENSO预报能力，仍是一个有待深入研究的关键课题之一。

　　本研究首先针对两种DL模型和八个动力模型对ENSO预报能力进行评估。评估结果表明，虽然DL模型的预报结果要显著优于大多数动力模式预报结果，但与多动力模式集合预报效果相当（图1），这表明动力模式在气候预报方面依然可靠，因此，要进一步提高ENSO预报水平，必须耦合动力模式-DL模式的预报结果。

图1：动力模式、DL模式不分季节及分季节的预报情况。

　　受多动力模式集合平均通过降低气候态偏差以提升ENSO预报能力的启示，研究团队进一步提出了两种DL模型与动力学模式的结合预报策略：策略1是对DL模型与多动力模式集合平均预报结果进行平均，相较于单独的两个DL模型和多动力模式集合平均，预报能力显著提升（分别提升了35.6%、51.5%和50.5%，图2）；策略2则是通过DL模型筛选出动力学模式中初始场误差较小的子集成员，由此显著提升了单一模式的中长期（超过8个月）预报能力（提升了62.5%，图3）。研究进一步证实，两种策略对一系列预报期内的ENSO全年预报，特别是春季月份预报的提升均具有统计显著性。

图2：策略1对ENSO预报能力的提升情况。

图3：策略2对ENSO全年预报能力的提升情况。

　　上述工作通过整合DL模型与动力学模式各自的独特优势，显著提高了ENSO预报能力，为气候预报研究开辟了新途径。通过DL模型和动力学模式的不断改进与完善从而获得更准确、更可靠的ENSO预报，这也为应对气候变化挑战提供了有力支持。研究工作得到了国家自然科学基金、国家重点研发计划、海南省科技专项基金和山东省自然科学基金等项目的共同资助。

文章引用：

CHEN Y. -P., Y. -S. Jin*, Z. -Y. Liu*, X. -C. Shen, X. -Y. Chen, X. -P. Lin, R. -H. Zhang, J. -J. Luo, W. -J. Zhang, W. -S. Duan, F. Zheng, M. J. McPhaden, and L. Zhou, 2025: Combined dynamical-deep learning ENSO forecasts. Nature Communications, 16, 3845, https://doi.org/10.1038/s41467-025-59173-8.

校园网报道链接：http://news.ouc.edu.cn/2025/0510/c555a119406/page.htm