深度学习驱动的全球海洋三维建模：从季节到年代际预测的革命性突破

海洋动力学精准建模对气候预测至关重要，但传统数值模型存在分辨率与计算成本的矛盾。研究人员提出基于深度学习的ORCA-DL模型，通过CMIP6多模型训练实现三维海洋变量的高精度预测，在ENSO（厄尔尼诺-南方振荡）和上层海洋热浪等极端事件预测中超越现有数值模型，并首次实现十年尺度稳定模拟，为气候预测提供高效新范式。

　　

海洋是地球气候系统的"记忆中枢"，其缓慢演变的动力学过程主导着热量再分配，但传统海洋环流模型(OGCMs)长期受困于分辨率与计算成本的权衡，难以准确捕捉厄尔尼诺-南方振荡(ENSO)等关键气候现象。更棘手的是，随着气候变化加剧，海洋热浪(MHWs)等极端事件频发，而现有模型对深层海洋过程的模拟能力有限，严重制约了从季节到年代际尺度的气候预测精度。

中国科学院大气物理研究所的研究团队在《SCIENCE ADVANCES》发表突破性成果，开发了全球首个基于深度学习的三维海洋预测系统ORCA-DL（Oceanic Reliable foreCAst via Deep Learning）。该研究创新性地利用CMIP6多模型百年模拟数据训练Transformer架构，通过分离海洋变量与大气强迫信号，结合多步预测策略，实现了66个海洋变量（包括温度、盐度、海流等）从海表到1000米深度的协同预测。

关键技术包括：1）构建多变量编码-融合-解码框架处理128×360网格的全球数据；2）采用6个月间隔的滚动预测减少误差累积；3）利用10成员集合建模量化不确定性。研究结果显示，ORCA-DL在12个月提前期对Ni?o3.4指数的预测相关系数达0.75，显著优于NUIST-CFS1.2等7个数值模型，并能准确捕捉20°C等温线深度(d₂₀)的波动。在物理一致性方面，模型再现了σ₀密度场（参考压力0 dbar）的垂向分布，热带太平洋海表温度(SST)的均方根误差降低30%。

【RESULTS】

1. 1.

   物理一致性验证：DJF季节的南极绕极流等主要洋流模拟误差小于0.5°C，深层水团温盐特性与GODAS再分析数据的层间相关系数>0.9。

2. 2.

   季节-年际预测：对2015/2016超强厄尔尼诺事件的24个月提前量预测成功，热带太平洋300米层温度异常相关系数较传统模型提高40%。

3. 3.

   极端事件捕捉：基于上层300米热含量定义的MHWs预测技能评分(SEDI)在7个热点区域超越SINTEX-F模式，对2010-2018年北大西洋热浪事件检出率达92%。

4. 4.

   年代际潜力：10年连续模拟中全球SST趋势与观测的相关系数保持0.6以上，但对北大西洋年代际振荡(AMO)的预测仍存在冷偏差。

【讨论与展望】

该研究首次证明数据驱动模型能稳定模拟十年尺度的海洋动力学过程，其成功源于三个创新：1）通过CMIP6多模型集成学习抵消个体偏差；2）Transformer架构有效捕捉三维空间关联；3）引入lead time作为输入隐含学习季节周期。局限性在于当前模型未显式包含CO₂强迫，未来可通过引入辐射强迫变量提升气候变化情景下的预测能力。这项突破不仅将ENSO预测时效延长至20个月，更为构建下一代"数字孪生海洋"提供了关键技术路径。