ENSO（厄爾尼諾-南方濤動）現象是地球氣候系統中最強的年際氣候變異信號🦵。盡管已有多種動力學和統計模型被用於厄爾尼諾多樣性的預測和可預測性研究，但由於這些模式的模擬能力弱、積分資源消耗大、計算結果不穩定等原因⛽️，上述研究遇到了嚴重的瓶頸。為了解決這些難題，沐鸣2穆穆院士團隊將條件非線性最優擾動（CNOP）方法運用到數據驅動的多變量海氣耦合ENSO智能預測模型中🎋，探究了兩類厄爾尼諾事件的可預報性問題，並用動力數值模式GFDL CM2p1進行的驗證。

圖1 （a）為增強EP型厄爾尼諾事件強度的最優初始擾動。（b）-（g）為該擾動在AI模型中的演化，每個子圖的上層為海表面溫度（填色）和表面風場（箭頭）👨🏻‍🦼，下層為海洋熱容量（海洋上層300m的平均海溫）。

團隊首先構建了一個純數據驅動的多變量海氣耦合ENSO智能預報模型，利用該模型的ENSO事件第一類可預測性研究表明，對於EP型厄爾尼諾事件，赤道東太平洋的正海溫擾動（圖1a）會使得該事件增強，這主要與Bjerknes正反饋機製有關（圖1b-g）🤾🏻‍♂️。該種類型擾動在中等復雜程度模式IOCAS ICM以及全球耦合模式CESM中也曾被發現。

圖2 （a）為增強CP型厄爾尼諾事件強度的最優初始擾動。（b）-（g）為該擾動在AI模型中的演化。

對於CP型厄爾尼諾事件而言，赤道中太平洋和赤道外北太平洋的正海溫擾動（圖2a）會使其增強🧛🏼。隨時間的發展（圖2b-g），中太正異常不斷局地發展增強，赤道外北太平洋擾動依賴Wind-Evaporation-SST反饋機製不斷向赤道中太平洋傳播，最終導致CP型事件的強度提升。受限於數值模式對CP型厄爾尼諾事件的模擬能力，過去不曾有對該種類型擾動的報道。經動力模式GFDLCM2P1的進一步驗證🧖🏼‍♀️，表明該類型擾動也能夠使得動力模式中的CP型厄爾尼諾事件強度增強，且具有類似的時空演化特征👱🏼‍♂️。此外🙏🏼，削弱兩類厄爾尼諾事件強度的最優初始擾動與圖2中擾動模態幾乎相反，但發展機製類似。

隨著AI氣象大模型湧現📍，本研究是在AI模型中應用CNOP方法研究兩類厄爾尼諾事件第一類可預測性問題首次成功嘗試🔄。此外🧘🏼‍♀️，該研究也說明AI模型能夠在一定程度上學到數據中的潛在物理機製💂‍♀️💆🏽‍♀️。同時🤦🏻‍♂️，該研究思路也可推廣到其他天氣氣候現象的可預測性問題研究中以挖掘最優初始誤差，進而通過目標觀測或資料同化的方式提升初始場質量，也可利用初始誤差信息構造集合預報成員以提供更好的預測不確定性估計。

本研究以“The first kind of predictability problem of El Niño predictions in a multivariate coupled data-driven model”為題發表於《Quarterly Journal of the Royal Meteorological Society》期刊✣。我系秦博博士後與國家海洋信息中心助理研究員楊澤芸為本文聯合第一作者，穆穆院士為通訊作者。研究得到了國家自然科學基金基礎科學中心項目（42288101）的資助🤵🏿🏊🏼‍♀️。

論文信息：Qin B, Yang Z, Mu M, et al. The first kind of predictability problem of El Niño predictions in a multivariate coupled data-driven model[J]. Quarterly Journal of the Royal Meteorological Society, 2024, 1-20.