地球的本旨之间相互影响。太平洋海水温度十分，认知过大气环流、洋流等花样影响印度洋、大欧好意思的本旨情状；而印度洋、大欧好意思的狭窄波动，也会反向扰动太平洋，这种跨大洋的云尔联动征象被风景学界称为“遥琢磨”。

1997-1998 年超强厄尔尼诺席卷行家，变成多国暴雨洪灾与不竭性干旱；2020-2023 年荒僻的“三重拉尼娜”不竭了三年之久，打乱了行家降水与气温方式，这两起典型极点事件，齐是多本旨模态协同作用的收尾。

那能不行更早、更准确地预料本旨发生？以及同期认知多个本旨模式之间的相互影响？

近日，清华大学电子工程系李勇团队纠合北京师范大学系统科学学院樊京芳团队、德国波茨坦本旨影响征询所等机构，在 Nature Machine Intelligence 发表效力，他们提议了一个名为 UniCM 的 AI 本旨预料模子。

论文深远，UniCM 将 ENSO，也等于厄尔尼诺-南边涛动的灵验预料时效蔓延至 19 个月。ENSO 是赤谈中东太平洋海温与大气联动的周期性波动，暖海温阶段为厄尔尼诺、冷海温阶段为拉尼娜，会显贵影响行家天气与本旨。

更伏击的是，它并不仅仅预料厄尔尼诺，而是尝试同期认知太平洋、印度洋和大欧好意思中多个要道本旨模式之间的相互影响。

UniCM 是一款基于 Transformer 鼎新的营救预料模子，包含 Globalformer 和 Modeformer 两个分支。

图 | UniCM （起头：上述论文）

Globalformer 发达行家海洋和大气的基础物理数据。比如海表温度、海面风应力、温跃层深度，以及表层 300 米海温等；Modeformer 分支发达本旨模式本人。比如 ENSO 指数、印度洋偶极子指数等。匡助东谈主们判断某一类本旨征象处在什么情状。

在数据老师层面，UniCM 依托行家多套巨擘本旨数据集开展老师与考证，包括 CMIP6 本旨模式模拟数据、GODAS、ERA5、ORAS5、SODA 等主流海洋再分析数据。征询团队使用长达 165 年的历史本旨数据构建老师集，让模子充分学习不同常态、极点本旨场景下的模态联动法令。模子的输入为往日 12 个月的本旨数据，输出则是将来连气儿 24 个月的预料收尾，从数据底层保险了中永久本旨预料的可靠性。

征询团队将 UniCM 与现时国外主流的 XRO、DESN、CNN、ResoNet 等本旨预料模子开展多轮对比测试，袒护短期、中永久预料，常态本旨、极点本旨等多种场景。

收尾深远，UniCM 将厄尔尼诺的灵验预料时辰蔓延到了 19 个月，比前期最强的物理-深度学习羼杂模子 DESN（16个月）又上前激动了 3 个月。

开云体育(中国)官方网站

图 | UniCM 对ENSO 的预料（起头：上述论文）

该模子还见效重现了历史上多种复杂的极点本旨，从 1997-1998 年的极点厄尔尼诺，到近代极具挑战性的 2020-2023 年“三重拉尼娜”征象，开运官网app它齐能准确预料其发生、强度和零落。

其次，“春季欺压”（Spring Predictability Barrier， SPB）是行家本旨预料的一浩劫题。它指本旨模式在预料厄尔尼诺/拉尼娜事件时，其手段和准确率在每年 3 月至 5 月间急剧下跌的征象。此阶段海洋与大气耦合最不踏实，导致将来本旨趋势预料产生极大的概略情趣。但 UniCM 见效克服了这一欺压，在针对春季筹谋的预料中，提前 14 个月照旧保持了高准确率。

关于太平洋经向模态、南印度洋偶极子等征询较少的次要模态，UniCM 也完了了超强的泛化预料智商，平均性能种植超 22%。举例，模子见效将印度洋偶极子（IOD）的灵验预料期蔓延至 7 个月，这为防灾减灾、行家农业多月度前置经营提供了窗口期。

除了预料效果，论文还强调了 UniCM 的可说明性。

许多东谈主对 AI 本旨模子有一个记念：它也许预料得准，但咱们不知谈它为什么准。若是模子仅仅一个黑箱，那么它对科学发现的匡助就会受到摒弃。

为此，征询团队分析了 UniCM 里面的戒备力机制，试图望望模子在预料时怜惜了哪些区域，以及哪些本旨模式之间的关系。

举例，在莫得任何东谈主类事先设定的物理常识的前提下，模子我方发现了“北太平洋经向模式（NPMM）”是激发 1997 年极点厄尔尼诺征象的要道前兆；在预料 1995 年的拉尼娜征象时，模子自动把怜惜点调治到了热带大欧好意思盆地，这与已知的科学文件十足吻合。

此外，UniCM 还精确收复了各大洋本旨征象先后影响、强弱关联真的切法令，而传统模子不仅夸大了相互影响的力度，还持不住这种复杂的联动脾性。

论文中也提到了一些局限性，一是像印度洋偶极子这类变化快、受季节影响极大的本旨征象，受当然法令制约，很难再大幅蔓延预料时辰；二是该模子面前只擅长预料几个月到两年的本旨，还没兼顾几十天的短期波动和十几年的永久本旨演变。

接下来征询团队野心连接升级：交融不同时刻圭臬的本旨法令，分析行家变暖会如何更正各大本旨征象的相互影响，让 AI 的征询效力能更好助力本旨表面探索。

参考指导：

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

排版：胡莉花

注：封面/首图由 AI 缓助生成开运(中国)官方app