基于可解释深度学习模型的长时序ENSO预测

厄尔尼诺-南方涛动（ENSO）是年际气候变率的一个显著模态，具有广泛的全球影响。其演变过程由复杂的海气相互作用所主导，给长期预测带来了重大挑战。在本研究中，我们提出了一种多变量深度学习模型——CTEFNet，该模型融合卷积神经网络与Transformer架构，以提升ENSO预测能力。通过整合多种海洋与大气预测因子，CTEFNet将有效预报提前期延长至20个月，同时显著缓解了春季可预测性障碍（spring predictability barrier）的影响，其性能优于现有的动力模型以及最先进的深度学习方法。此外，CTEFNet通过基于梯度的敏感性分析，提供了具有物理意义且统计显著的洞察，揭示了调控ENSO动力学的关键前兆信号，这些信号与已确立的理论相一致，并揭示了太平洋、大西洋与印度洋之间跨海盆相互作用的新机制。CTEFNet卓越的预测精度及其可解释的敏感性评估，凸显了其在推动气候预测发展方面的巨大潜力。本研究强调了多变量耦合在ENSO演变中的关键作用，也展示了深度学习在捕捉复杂气候动力过程并实现更高可解释性方面的巨大前景。