近日，中國(guó)科學(xué)院海洋研究所王凡團(tuán)隊(duì)攜手南京信息工程大學(xué)張榮華教授、嶗山實(shí)驗(yàn)室蔡文炬院士等，在Nature Communications發(fā)表題為“Projection of ENSO using observation-informed deep learning”的研究論文。該研究開創(chuàng)性地利用觀測(cè)數(shù)據(jù)約束的深度學(xué)習(xí)方法，顯著降低了全球關(guān)鍵氣候現(xiàn)象厄爾尼諾-南方濤動(dòng)（ENSO）未來(lái)變化預(yù)估的不確定性。
ENSO是地球氣候系統(tǒng)中最強(qiáng)的年際變率信號(hào)，其冷暖位相的轉(zhuǎn)換通過(guò)大氣遙相關(guān)深刻影響全球極端天氣、生態(tài)系統(tǒng)和經(jīng)濟(jì)發(fā)展。然而，當(dāng)前國(guó)際主流耦合氣候模式（CMIP）對(duì)ENSO海表溫度（SST）變率的未來(lái)預(yù)估存在巨大差異，不確定性部分源于模式對(duì)ENSO物理過(guò)程模擬的偏差。
為突破這一瓶頸，研究團(tuán)隊(duì)設(shè)計(jì)了一種“observation-informed”深度學(xué)習(xí)方法。研究人員利用多個(gè)CMIP6氣候模式的歷史和未來(lái)情景數(shù)據(jù)，訓(xùn)練了11個(gè)獨(dú)立的人工神經(jīng)網(wǎng)絡(luò)（ANN）模型，目標(biāo)是學(xué)習(xí)每個(gè)模式中ENSO變率與熱帶太平洋平均海溫狀態(tài)之間的復(fù)雜關(guān)系。隨后，團(tuán)隊(duì)引入真實(shí)觀測(cè)數(shù)據(jù)對(duì)這些ANN進(jìn)行驗(yàn)證和篩選，特別關(guān)注那些能夠準(zhǔn)確捕捉觀測(cè)到的ENSO對(duì)海溫變化響應(yīng)的ANN（如基于GISS-E2-1-H模型訓(xùn)練的ANN）。通過(guò)可解釋性分析和ENSO物理機(jī)制（如Bjerknes穩(wěn)定性指數(shù)和ENSO非線性）檢驗(yàn)，研究證實(shí)表現(xiàn)優(yōu)異的ANN成功內(nèi)化了真實(shí)的ENSO物理過(guò)程，尤其對(duì)赤道中太平洋和遠(yuǎn)東太平洋的海溫變化高度敏感，這與已知的ENSO關(guān)鍵反饋區(qū)域一致。利用ANN對(duì)高排放情景（SSP5-8.5）下21世紀(jì)ENSO海溫變率進(jìn)行約束性預(yù)估。結(jié)果表明，相較于原始CMIP模式預(yù)測(cè)結(jié)果，經(jīng)ANN約束的預(yù)測(cè)不確定性范圍降低了54%。
該研究進(jìn)一步發(fā)現(xiàn)，盡管傳統(tǒng)分析認(rèn)為觀測(cè)與模式在20世紀(jì)熱帶太平洋變暖模態(tài)上存在顯著差異，但當(dāng)聚焦于機(jī)器學(xué)習(xí)識(shí)別出的調(diào)控ENSO變率的關(guān)鍵區(qū)域時(shí)，觀測(cè)數(shù)據(jù)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(cè)與模式的差異，更通過(guò)機(jī)器學(xué)習(xí)挖掘出隱藏的關(guān)鍵物理機(jī)制，為ENSO未來(lái)預(yù)估提供了可量化的物理依據(jù)。
論文第一作者為中國(guó)科學(xué)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(shí)驗(yàn)室蔡文炬院士、李德磊研究員，中國(guó)海洋大學(xué)管守德教授，中國(guó)科學(xué)院海洋研究所李元龍研究員。該研究獲得了國(guó)家重點(diǎn)研發(fā)計(jì)劃、國(guó)家自然科學(xué)基金項(xiàng)目等聯(lián)合資助。
