【论文信息】

• 论文中文标题：学习全球气候模态的耦合动力学

• 论文英文标题：Learning the coupled dynamics of global climate modes

• 所在期刊/会议：Nature Machine Intelligence

• 发表日期：2026年6月

• DOI：10.1038/s42256-026-01245-5

全球气候变化背景下，长期气候预测对农业生产、水资源管理、防灾减灾等领域至关重要。传统气候预测方法主要关注单一气候模态或少数模态间的两两关系，难以刻画由厄尔尼诺（ENSO）、印度洋偶极子（IOD）、热带北大西洋模态（TNA）等七类主要气候模态共同构成的复杂耦合网络。

清华大学电子工程系李勇教授团队近日在Nature Machine Intelligence发表研究，提出全球气候模态统一预测模型UniCM（Unified Climate Model）。该模型首次将多个关键气候模态纳入统一框架，通过"双视角"架构同时学习局地物理场演化和气候模态间的非线性交互关系，实现了从局部到整体、再从整体反馈局部的闭环建模。实验表明，UniCM将ENSO有效预测提前期延长至19个月，对部分非ENSO模态的预测技巧提升超过22%，并展现出从"预测器"向"科学发现工具"演化的潜力。

近年来，人工智能在天气预报领域取得突破性进展。多个深度学习模型已能在数天至数周尺度上实现高精度预测，部分指标甚至超越传统数值天气预报模式。然而，气候预测与天气预报存在本质差异：气候预测关注的是更长时间尺度的问题——未来数月乃至数年内，全球气候系统将如何演化？哪些区域可能出现干旱、洪涝、热浪等极端事件？

这一问题的挑战性在于气候系统的复杂性。真实世界中的全球气候并非由单一现象决定，而是由多个大洋和大气系统之间的跨尺度相互作用共同塑造。以厄尔尼诺-南方涛动（ENSO）为例，这一发生在赤道太平洋的海气耦合现象虽然是最具影响力的气候模态之一，但它并非孤立存在。印度洋偶极子（IOD）、热带北大西洋模态（TNA）、北太平洋经向模态（NPMM）等多个气候模态通过跨洋盆遥相关和海气相互作用形成一个动态耦合的全球系统。

然而，长期以来大多数预测方法面临"单一模态、分别预测"的困境。研究者要么将所有气候模态视为相互独立的对象分别建模，要么仅研究少数模态之间的两两关系。这种方法论上的局限导致难以捕捉全球气候系统中真实存在的非线性交互过程，也制约了长期气候预测精度的进一步提升。

如何让人工智能不仅"会预测"，还能帮助科学家理解多个气候模态之间的长期耦合关系，从而真正实现对复杂气候系统的系统级认知？这一问题的探索，标志着气候预测研究从"精准预报"向"机理发现"的新阶段跃迁。

核心内容解析

"双视角"统一架构

针对上述挑战，李勇团队设计了UniCM这一双分支深度学习架构，其核心创新在于同步建模气候系统的两个互补视角。

Globalformer模块负责处理局地物理场的时空演化。该模块以海表温度（SST）、风应力、温跃层深度及上层海洋温度等关键物理变量作为输入，从细粒度气候场中提取气候系统的局部动态特征。这一设计使模型能够捕捉到局地海洋-大气相互作用的具体过程。

Modeformer模块则聚焦于大尺度气候模态的交互关系。该模块针对ENSO、IOD、TNA、NPMM、热带印度洋偶极子（SIOD）、南太平洋经向模态（SPMM）以及印度洋 basin 模态（IOB）等七类重要气候模态进行建模，学习它们之间的非线性交互和共同演化规律。

更重要的是，UniCM建立了双向耦合机制，形成"mode-to-patch guidance"（模态指导）机制：一方面，局地物理场的累积变化产生大尺度气候模态；另一方面，一旦形成后的气候模态又反过来影响局地物理场的未来演化。这种从局部到整体、再从整体反馈局部的闭环建模，使模型能够捕捉气候系统中真实存在的因果链条。

从"分别预测"到"统一建模"的范式转变

传统气候预测方法通常针对单个气候模态分别建立预测模型，这在方法论上假设各模态之间相互独立。然而，真实气候系统中存在大量跨洋盆的物理联系。例如，NPMM领先ENSO约4个月，这意味着北太平洋的海温异常可以作为一种"先兆信号"用于预测未来的厄尔尼诺事件。传统分别预测的方法无法充分利用这类跨模态信息。

UniCM的统一建模框架打破了这一壁垒。通过在同一神经网络中同时学习多个模态的演化规律和模态间的耦合关系，模型能够自动发现并利用这些物理上真实存在的跨模态联系。研究团队将这种由多模态耦合关系带来的额外可预测性称为"涌现可预报性"（Emergent Predictability），即整体大于部分之和的预测增益。

可解释性与科学发现能力

除预测能力外，研究团队还探索了UniCM的可解释性。通过分析模型内部的注意力机制，他们发现在重大ENSO事件发生前，模型会自动聚焦于具有物理意义的关键区域和关键模态关系。

例如，在1997年超级厄尔尼诺事件发生前，模型识别出NPMM的重要先导作用；在部分复杂气候事件中，则发现TNA可能扮演关键枢纽角色。这些发现与已有气候物理研究结果高度一致，表明模型学到的并非简单的统计相关性，而是真实存在于全球气候系统中的物理耦合机制。

这一特性使UniCM不仅是一个预测工具，更是一个可以帮助科学家发现新规律、提出新假设的研究助手——从"预测器"进化为"科学发现工具"。

关键数据

• 19个月：UniCM实现的ENSO有效预测提前期，显著优于此前先进模型约15-16个月的水平

• 14个月：跨越北半球春季"可预报性障碍"后仍能保持较高预测技巧的有效时长

• 22%以上：对部分较难预测的非ENSO气候模态，UniCM预测技巧的相对提升幅度

• 约7个月：IOD（印度洋偶极子）的有效预测提前期

• 7类：UniCM首次实现统一预测的气候模态数量，包括ENSO、IOD、TNA、NPMM、SPMM、IOB、SIOD

影响分析

气候预测能力的实质性提升

UniCM在多个维度实现了气候预测能力的突破。首先，将ENSO这一全球最重要气候现象的预测时效从15-16个月延长至19个月，意味着人类能够更早预知厄尔尼诺或拉尼娜事件的发生，从而为农业、水资源管理等领域的决策争取更充裕的准备时间。其次，模型成功再现了1997-1998年超级厄尔尼诺事件以及2020-2023年连续三年的"三重拉尼娜"事件，验证了其在极端气候事件预测中的可靠性。尤为关键的是，UniCM在跨越春季可预报性障碍时仍保持较高技巧——这一长期困扰气候预测领域的难题此前严重制约了预测的有效性。

面向复杂系统建模的新范式

从方法论角度，UniCM体现了从"单一模态分别预测"到"多模态耦合统一建模"的范式转变。这一转变的意义远超气候预测本身。地球系统中存在大量具有类似耦合特征的复杂系统——从天体物理中的多体相互作用，到生态系统中的种间关系网络，再到社会经济系统中的多因子动态耦合。UniCM所展示的"局部过程-整体结构"双向耦合建模思想，有望为这些领域的建模提供可迁移的方法论框架。

AI for Science的新可能

当前，以深度学习为代表的AI方法在科学发现领域展现出巨大潜力，但多数应用仍停留在"模式识别"层面——从海量数据中找到规律并做出预测。UniCM的可解释性设计使其能够进一步承担"假设生成"的角色：通过分析模型学到的耦合关系，科学家可以获得新的研究线索，甚至发现此前未被注意到的物理机制。这种"AI辅助科学发现"的模式，代表了人工智能在基础科学研究中从"工具"向"伙伴"演化的方向。

气候系统是地球上最复杂的耦合系统之一，其预测挑战不仅在于单一现象的精确刻画，更在于多个模态间相互作用的系统性把握。清华团队提出的UniCM模型，正是对这一挑战的直接回应。

该工作的核心价值在于方法论创新：通过"双视角"架构和双向耦合机制，模型实现了对复杂气候系统的整体性建模，而非传统方法的分解-简化路径。这一设计思想与当前复杂系统研究的前沿方向高度契合，也使其具备向其他领域迁移的潜力。

更具启发性的是模型的"涌现可预报性"发现——预测能力的提升并非来自对单一模态的更精确建模，而是来自对模态间耦合关系的系统性学习。这提醒我们，在复杂系统的预测问题中，真正的可预测性来源可能并非隐藏在某一个变量中，而是存在于系统整体的动态耦合结构里。

从更宏观的视角看，UniCM代表着AI for Science正在进入一个新阶段：从单纯的预测工具，进化为兼具预测能力与解释能力的"研究伙伴"。这种能力的扩展，将为气候科学乃至整个地球系统科学的研究范式带来深远影响。

本文内容由洵锋学术（SUNFER Academic）编辑整理，学术信息仅供参考，详情请参阅原始论文。