近日，中國科學院海洋研究所王凡團隊攜手南京信息工程大學張榮華教授、嶗山實驗室蔡文炬院士等，在Nature Communications發表題為“Projection of ENSO using observation-informed deep learning”的研究論文。該研究開創性地利用觀測數據約束的深度學習方法，顯著降低了全球關鍵氣候現象厄爾尼諾-南方濤動（ENSO）未來變化預估的不確定性。
ENSO是地球氣候系統中最強的年際變率信號，其冷暖位相的轉換通過大氣遙相關深刻影響全球極端天氣、生態系統和經濟發展。然而，當前國際主流耦合氣候模式（CMIP）對ENSO海表溫度（SST）變率的未來預估存在巨大差異，不確定性部分源于模式對ENSO物理過程模擬的偏差。
為突破這一瓶頸，研究團隊設計了一種“observation-informed”深度學習方法。研究人員利用多個CMIP6氣候模式的歷史和未來情景數據，訓練了11個獨立的人工神經網絡（ANN）模型，目標是學習每個模式中ENSO變率與熱帶太平洋平均海溫狀態之間的復雜關系。隨后，團隊引入真實觀測數據對這些ANN進行驗證和篩選，特別關注那些能夠準確捕捉觀測到的ENSO對海溫變化響應的ANN（如基于GISS-E2-1-H模型訓練的ANN）。通過可解釋性分析和ENSO物理機制（如Bjerknes穩定性指數和ENSO非線性）檢驗，研究證實表現優異的ANN成功內化了真實的ENSO物理過程，尤其對赤道中太平洋和遠東太平洋的海溫變化高度敏感，這與已知的ENSO關鍵反饋區域一致。利用ANN對高排放情景（SSP5-8.5）下21世紀ENSO海溫變率進行約束性預估。結果表明，相較于原始CMIP模式預測結果，經ANN約束的預測不確定性范圍降低了54%。
該研究進一步發現，盡管傳統分析認為觀測與模式在20世紀熱帶太平洋變暖模態上存在顯著差異，但當聚焦于機器學習識別出的調控ENSO變率的關鍵區域時，觀測數據和氣候模式模擬均一致地顯示出類似“厄爾尼諾型”的變暖特征，揭示了此前被忽略的物理一致性，不僅彌合了觀測與模式的差異，更通過機器學習挖掘出隱藏的關鍵物理機制，為ENSO未來預估提供了可量化的物理依據。
論文第一作者為中國科學院海洋研究所朱聿超副研究員，通訊作者為張榮華教授和王凡研究員，合作作者包括嶗山實驗室蔡文炬院士、李德磊研究員，中國海洋大學管守德教授，中國科學院海洋研究所李元龍研究員。該研究獲得了國家重點研發計劃、國家自然科學基金項目等聯合資助。
