近日，中国科学院海洋研究所王凡团队携手南京信息工程大学张荣华教授、崂山实验室蔡文炬院士等，在Nature Communications发表题为“Projection of ENSO using observation-informed deep learning”的研究论文。该研究开创性地利用观测数据约束的深度学习方法，显著降低了全球关键气候现象厄尔尼诺-南方涛动（ENSO）未来变化预估的不确定性。
ENSO是地球气候系统中最强的年际变率信号，其冷暖位相的转换通过大气遥相关深刻影响全球极端天气、生态系统和经济发展。然而，当前国际主流耦合气候模式（CMIP）对ENSO海表温度（SST）变率的未来预估存在巨大差异，不确定性部分源于模式对ENSO物理过程模拟的偏差。
为突破这一瓶颈，研究团队设计了一种“observation-informed”深度学习方法。研究人员利用多个CMIP6气候模式的历史和未来情景数据，训练了11个独立的人工神经网络（ANN）模型，目标是学习每个模式中ENSO变率与热带太平洋平均海温状态之间的复杂关系。随后，团队引入真实观测数据对这些ANN进行验证和筛选，特别关注那些能够准确捕捉观测到的ENSO对海温变化响应的ANN（如基于GISS-E2-1-H模型训练的ANN）。通过可解释性分析和ENSO物理机制（如Bjerknes稳定性指数和ENSO非线性）检验，研究证实表现优异的ANN成功内化了真实的ENSO物理过程，尤其对赤道中太平洋和远东太平洋的海温变化高度敏感，这与已知的ENSO关键反馈区域一致。利用ANN对高排放情景（SSP5-8.5）下21世纪ENSO海温变率进行约束性预估。结果表明，相较于原始CMIP模式预测结果，经ANN约束的预测不确定性范围降低了54%。
该研究进一步发现，尽管传统分析认为观测与模式在20世纪热带太平洋变暖模态上存在显著差异，但当聚焦于机器学习识别出的调控ENSO变率的关键区域时，观测数据和气候模式模拟均一致地显示出类似“厄尔尼诺型”的变暖特征，揭示了此前被忽略的物理一致性，不仅弥合了观测与模式的差异，更通过机器学习挖掘出隐藏的关键物理机制，为ENSO未来预估提供了可量化的物理依据。
论文第一作者为中国科学院海洋研究所朱聿超副研究员，通讯作者为张荣华教授和王凡研究员，合作作者包括崂山实验室蔡文炬院士、李德磊研究员，中国海洋大学管守德教授，中国科学院海洋研究所李元龙研究员。该研究获得了国家重点研发计划、国家自然科学基金项目等联合资助。
