يُعدّ التقلّب الهوائي-البحري إل نينيو-التيار الجنوبي (ENSO) نمطًا بارزًا للتقلّب المناخي على المدى السنوي، ويُحدث تأثيرات واسعة النطاق على المستوى العالمي. ويتّسم تطوّر هذا الظاهرة بتفاعلات معقدة بين الغلاف الجوي والبحار، مما يُشكّل تحديات كبيرة أمام التنبؤ الطويل الأمد. في هذه الدراسة، نقدّم نموذج CTEFNet، وهو نموذج متعدد المتغيرات يعتمد على التعلّم العميق، يُندمج فيه الشبكات العصبية التلافيفية (CNN) مع معمّلات الترجمة (Transformers)، بهدف تحسين دقة تنبؤات إل نينيو. من خلال دمج مجموعة متنوعة من المُقدّرات البحرية والهوائية، يتمكّن نموذج CTEFNet من تمديد فترة التنبؤ الفعّالة إلى 20 شهرًا، مع تقليل تأثير حاجز التنبؤ الربيعي، متفوّقًا على النماذج الديناميكية وعلى أحدث النماذج القائمة على التعلّم العميق. بالإضافة إلى ذلك، يقدّم CTEFNet رؤى فيزيائية ذات معنى إحصائيًا من خلال تحليل الحساسية القائمة على التدرج، مما يكشف عن الإشارات المُبكرة الأساسية التي تُحدّد ديناميكية إل نينيو، والتي تتماشى مع النظريات المُثبتة، كما تُظهر رؤى جديدة حول التفاعلات بين الحوضين الهندي والAtlanti والهادئ. تُبرز مهارة CTEFNet الفائقة في التنبؤ، إلى جانب تقييماته القابلة للتفسير للحساسية، إمكاناته الكبيرة في تطوير التنبؤات المناخية. وتُبرز نتائجنا أهمية الترابط المتعدد المتغيرات في تطوّر إل نينيو، وتدلّ على القدرة الكبيرة للتعلّم العميق في التقاط الديناميكيات المناخية المعقدة مع تحسين قابلية التفسير.