近日，物理海洋教育部重点实验室在npj Climate and Atmospheric Science（《npj 气候与大气科学》）发表题为“Skillful and interpretable ENSO prediction via a glass-box dynamical-deep learning model”（《基于“玻璃盒”动力系统深度学习模型的ENSO高技巧且可解释预测》）的最新研究成果。研究构建了一种全新的“玻璃盒”动力系统深度学习（Dynamical system deep learning, DSDL）模型，实现了对ENSO高精度且具备高度物理可解释性的跨年度预测，有效预测时效长达19个月，超越了当前最先进的预报模型。此外，模型准确回报了2015-2016年超级厄尔尼诺事件的爆发、强度和衰减全过程，并预测了2026-2027年可能出现超级厄尔尼诺事件。成果第一作者为实验室/未来海洋学院/海洋与大气学院在读博士生王铭宇，通讯作者为“筑峰人才工程”第一层次李建平教授。

　　ENSO（厄尔尼诺-南方涛动）是地球系统中最强的年际气候信号，深刻影响全球社会经济和生态系统。然而，由于海洋-大气耦合系统的强非线性和春季可预报性障碍，ENSO的长期（超过一年）准确预测一直是气候科学领域的世界性难题。近年来，深度学习模型在ENSO预测中展现出潜力，但大多属于“黑箱模型”：模型虽然能够给出较好的预测结果，却很难回答“为什么能够预测”和“哪些物理过程使预测成为可能”的问题。

　　针对上述问题，本工作基于李建平教授团队提出的动力系统深度学习（DSDL）方法，创新性地构建了一个完全透明的“玻璃盒”ENSO预测模型。不同于传统纯数据驱动的深度学习网络，该模型将ENSO的动力学结构与深度学习方法相结合，以海洋-大气耦合的三个核心变量（850 hPa纬向风异常、海表温度异常和上层海洋热含量异常）为输入，通过均值池化、基于交叉验证的逐步回归（CVSR）关键变量选择和显式建模等步　骤，输出一个所有项和系数完全可见的透明动力学方程。模型的每一个预测决策都可以追溯到具体的物理过程，具有完全显式化、多海盆协同预测、物理逻辑透明的优势。

　　DSDL模型将ENSO的有效预测时效提升至19个月（图1），预测能力优于现有先进模型。更为重要的是，该模型能够较好地避开传统ENSO预测中的春季可预报性障碍。季节性技巧分析表明（图2），DSDL模型在几乎所有目标季节均表现优异，即便是在传统上最具挑战性的春季（3-5月），依旧保持较好预测能力。

图 1. 各模型的ENSO预测技巧对比。

图 2. 不同起报月与提前期下的季节性预测技巧对比。

　　现有ENSO预测模型很难正确回报2015-2016年超级厄尔尼诺事件，然而，DSDL模型对其展示了卓越的回报能力（图3）。当分别于2014年3月（峰值前约两年）、2014年12月（峰值前一年）和2015年4月（春季可预报性障碍期间）初始化时，DSDL模型均准确捕捉了事件的缓慢升温、快速爆发和后续衰减全过程，而对比模型则出现了“虚假警报”或强度/位相偏差等问题。

图 3. 2015-2016 年超强厄尔尼诺事件的回报对比。

　　研究发现，ENSO的长期可预报性不仅来自热带太平洋内部，还与多个海盆之间的协同作用密切相关。物理机理解析表明，DSDL模型完美捕捉了全球多海盆之间的相互作用网络（图4），揭示了海洋记忆、热带触发、局地放大、热带外预条件、跨海盆调制等“多海盆协同”的ENSO预测机制，将不同海盆、不同时间尺度的动力过程纳入统一的预测框架，为理解ENSO长期可预报性的来源提供了新的视角。

　　基于这一透明框架，DSDL模型给出 2026-2027 年的模拟预测结果（图5）：2026年1月初始化后，模型预测Niño3.4指数将在2026年9月达到2.0°C，并在随后的北半球冬季峰值接近2.5°C，预示存在发生超级厄尔尼诺的潜在可能。而同期国际气候与社会研究所（IRI）的业务化模型和XRO模型均未达到“超级”阈值。

图 4. DSDL模型（子模型3）所选关键变量的位置分布。

图 5. 2026 年 1 月初始化的 2026-2027 年前瞻预测。

　　该研究实现了ENSO预测从“黑箱”到“玻璃盒”的范式转变，在保持深度学习强大预测能力的同时，赋予模型完全透明的物理可解释性。DSDL模型成功突破春季可预报性障碍、准确捕捉极端事件的能力，标志着可解释气候预测领域取得重要进展，为未来ENSO机理研究和业务化预测提供了全新工具。该工作得到了国家自然科学基金（42288101）、崂山实验室（No. LSKJ202202600）和中央高校基础研究基金（202242001, 202515028）等共同资助。

文章引用：

Wang, M. Y., and J. P. Li*, 2026: Skillful and interpretable ENSO prediction via a glass-box dynamical-deep learning model. npj Climate and Atmospheric Science, https://doi.org/10.1038/s41612-026-01513-6.