深度学习揭示历史人为强迫下ENSO可预报性的增强

《SCIENCE ADVANCES》：Deep learning reveals enhanced ENSO predictability under historical anthropogenic forcing

　　

了解ENSO（El Ni?o–Southern Oscillation，厄尔尼诺-南方涛动）可预报性如何响应气候变化对改进未来气候预估至关重要。本研究将深度学习模型——采用留一法模型策略的卷积神经网络（Convolutional Neural Network, CNN）——应用于耦合模式比较计划第六阶段（Coupled Model Intercomparison Project Phase 6, CMIP6）的历史（historical）与工业化前控制（preindustrial control, piControl）模拟试验。研究发现，相较于工业化前强迫，历史人为强迫下ENSO可预报性统计上增强了14.0±1.8%。该改善与关键海气反馈的变化相关联：在历史强迫下，赤道太平洋温跃层（thermocline, TH）变浅，致使表层海洋对风强迫的敏感性增强，次表层温度对温跃层变化的响应更为敏感，这些过程增强了三维平流反馈与温跃层反馈，共同提升了ENSO可预报性。研究结果凸显了人为强迫在变暖气候背景下塑造ENSO可预报性的重要作用。

研究背景与意义

ENSO（El Ni?o–Southern Oscillation，厄尔尼诺-南方涛动）是起源于热带太平洋的海-气耦合现象，是年际气候变率最重要的驱动因子，其暖(El Ni?o)与冷(La Ni?a)位相通过行星波遥相关改变全球大气环流与天气异常分布，触发世界各地气候极端事件。已有观测与模拟研究表明，受历史人为强迫影响，自1960年代以来ENSO相关的海表温度（Sea Surface Temperature, SST）变率增强，表现为更频繁且更强的El Ni?o与La Ni?a事件，这与赤道太平洋上层海洋层结（stratification）强化、海-气耦合增强及混合层对大气强迫响应放大有关。然而，相较于对ENSO基本特征变化的大量研究，关于历史人为强迫如何影响ENSO可预报性（predictability）的研究十分匮乏。前人基于延迟温跃层（thermocline, TH）响应与充电振子框架（Recharge Oscillator Model, ROM）指出ENSO可预报性与ENSO增长率及延迟温跃层响应相关，较大增长率与较强延迟温跃层响应有助于更高可预报性；亦有研究基于SSP5-8.5情景下CMIP6模式认为未来较强的热力学阻尼（thermodynamical damping）会降低ENSO可预报性，但历史强迫相对于工业化前强迫对ENSO可预报性的具体影响尚不清楚——历史强迫下温跃层反馈可能较强而热力学阻尼较弱，可能得出不同于SSP5-8.5情景的结论。近年来深度学习在ENSO预测中表现优异，可达提前17个月技巧，远超线性逆模型，且计算效率高，为量化ENSO可预报性提供了有力工具。为此，研究人员利用CNN结合留一模式（leave-one-out model）策略，基于31个CMIP6模式的piControl与historical试验，量化历史人为强迫下ENSO可预报性的变化并阐明其物理机制。该论文发表于《Science Advances》。

主要技术方法

研究人员选用31个具备piControl与historical试验各115年的CMIP6模式月平均SST、海平面高度（Sea Surface Height, SSH）、纬向/经向/垂直流速、纬向风应力及净向下热通量资料，剔除Ni?o 3.4区El Ni?o峰值异常的3个模式，部分分析使用19个具备完整海洋变量之模式。ENSO可预报性评估采用卷积神经网络（CNN，3个卷积层+2个最大池化层+全连接层，输入前12个月SST与SSH预测其后24个月Ni?o 3.4指数），以留一法（用其余30个模式数据训练，待测模式做验证与预测）分别预测各模式piControl末期35年与historical 1980–2014年之Ni?o 3.4指数，技巧以距平相关系数（Anomaly Correlation Coefficient, ACC）衡量，春季可预报性障碍（Spring Predictability Barrier, SPB）以ACC衰减率定义，显著性检验用Bootstrap重抽样（>10000次）。充电振子模式（ROM）参数（ENSO增长率R、温跃层反馈F₁、充放反馈F₂、温跃层阻尼ε）由SST距平（SSTA）与海平面高度距平（SSHA）线性回归拟合得到，ROM预测技巧与CNN变化做对比验证。ENSO增长率（即Bjerknes stability index, BJ指数）通过热收支分解为正反馈项——温跃层（TH）反馈、经向平流（Meridional Advective, MA）反馈、垂直平流（Vertical Advective, VA）反馈、纬向平流（Zonal Advective, ZA）反馈，及负反馈项——热力学阻尼（Thermodynamical Damping, TD）与动力阻尼（Dynamical Damping, DD）；各反馈进一步分解为海-气响应系数β（β_h：赤道中央风强迫→东西向SSHA坡度响应；β_ur：→纬向流响应；β_vr：→经向流响应；β_wr：→垂直流响应）与平均态参数，反馈变化贡献用一阶近似分配法计算。温跃层深度变化ΔH与各β_i变化做回归分析。

研究结果

历史强迫下CNN揭示的ENSO可预报性增强（Enhanced ENSO predictability under historical forcing revealed by CNN）

研究人员以CNN预测Ni?o 3.4指数的ACC作为ENSO可预报性指标，对比31个CMIP6模式historical与piControl试验。结果显示：83.9%（26/31）的模式在historical强迫下预测技巧（1–24个月超前平均ACC）提高，多模式平均ACC提升14.0%，经Bootstrap检验在95%置信水平显著；结果对不同超前时段范围和不同模式筛选策略（含优选15个表现较好模式）均稳健。此外，两种定义的春季可预报性障碍（SPB）强度在historical强迫下减弱，分别有64.5%和74.2%的模式显示SPB降低，多模式平均SPB强度分别下降10.2%和17.6%，均达95%显著性水平。这表明历史人为强迫不仅提升ENSO整体可预报性，也缓解了春季可预报性障碍。

用充电振子模式（ROM）理解ENSO可预报性变化（Understanding ENSO predictability with ROM）

为探明物理机制，研究人员用ROM框架拟合各模式SSTA与SSHA以估计参数R、F₁、F₂、ε并做ROM预测。虽ROM绝对技巧低于CNN，但31个模式ROM技巧变化量（historical?piControl）与CNN技巧变化量显著正相关，说明ROM可诊断ENSO可预报性变化的物理成因。控制实验表明ROM四参数中，仅ENSO增长率R在historical强迫下系统性增大——多模式平均R增加59.1%，83.9%（26/31）模式R升高；F₁、F₂、ε无跨模式一致变化。ROM使用各自参数做预测时historical始终高于piControl技巧；即便用piControl估计的R去预测historical真值（imperfect model experiment），historical仍显示较高技巧，符合skill-persistence rule（系统持续性增强可提升预报技巧即使存在模式缺陷）。由此确认：历史强迫下ENSO增长率R的增大是ENSO可预报性增强的主导因子。

历史强迫下ENSO可预报性增强的物理诠释（Physical interpretation of strengthened ENSO predictability under historical forcing）

基于热收支的Bjerknes（BJ）稳定性指数分解，historical强迫下BJ指数较piControl平均增约69.4%，89.5%（17/19）模式一致升高。historical强迫下四个正反馈（TH、MA、ZA、VA）均增强，两个负反馈（TD、DD）亦增强，但ENSO增长率（BJ指数）升高主要由正反馈驱动。各正反馈对BJ指数增幅之贡献占比为：温跃层（TH）反馈41.1±6.6%，经向平流（MA）反馈28.2±6.0%，纬向平流（ZA）反馈9.0±2.5%，垂直平流（VA）反馈6.2±1.5%。TH反馈增强主要源于赤道中央风→东西向SSHA坡度响应系数β_h之增大（占TH反馈变化46.4±3.1%）；MA、ZA、VA反馈增强分别主要源于经向流对风响应β_vr、纬向流对风响应β_ur、垂直流对风响应β_wr之增大（各占对应反馈>45%）。物理上，历史强迫使赤道太平洋上层海温增暖快于次表层→上层层结增强、赤道温跃层（TH depth, H）变浅（shoaling of the thermocline）；在减重力层框架下，风应力作用于变薄的上层，单位深度动量增大→海洋对大气风强迫敏感性（β_i, i=h,ur,vr,wr）随温跃层变浅而增大（Δβ_i∝?ΔH），CMIP6多模式证实温跃层变浅越显著之模式对应β_i增幅越大。ENSO增长率R增大直接导致ENSO变率（amplitude）放大，更大信号-噪声比使ENSO事件更易被预测，模式间R变化量与ENSO振幅变化量正相关。综上，历史人为强迫→赤道太平洋上层层结增强+温跃层变浅→海洋对风强迫敏感性（β_i）增大→TH/MA/ZA/VA正反馈增强→ENSO增长率R升高→ENSO振幅增大+可预报性（ACC提升、SPB减弱）增强。

讨论与结论（Discussion，结论部分翻译）

本研究利用CNN模型结合留一模式策略，识别出历史人为强迫下ENSO可预报性存在稳健增强。促成此增强的关键海-气过程归纳如下：历史温室气体强迫下，热带太平洋上层海温增暖快于次表层（伴随之表面淡化亦起作用），导致平均温跃层系统性变浅、赤道上层海洋层结增强；变浅之温跃层放大了表层混合层对风强迫之敏感性，这种正反馈之增强致使ENSO增长率升高，抬升ENSO振幅，最终增加ENSO可预报性。本研究虽聚焦工业化前与历史时期差异，结果亦可置于既往SSP5-8.5情景研究框架理解：关键区别在于参照气候基准——相对于piControl，historical与SSP5-8.5均显现ENSO可预报性增强，反映相对于工业化前气候动力（平流相关）反馈增强；而以往以historical为基准评估SSP5-8.5的研究强调表面增暖伴随之强热力学阻尼可降低可预报性（尽管动力增强持续存在）。本文重复分析SSP5-8.5发现相对于piControl其可预报性仍增强但模式一致性（61.3%）低于historical试验（83.9%），表明可预报性响应随强迫增强连续演变。ENSO变率在变暖气候中已知会变化，从增强到减弱可预报性之转变可能反映动力增长与热力学阻尼之平衡移动，确定热力学过程何时及何种强迫条件下占主导需进一步研究。结果同时证明基于深度学习之气候模拟器可作为高效框架探究气候可预报性，规避传统耦合模式大样本预报之高昂计算成本；多CNN再预报实验之稳健行为结合物理理解推进了对地球系统的认知。从ENSO可预报性视角，结果表明演变之背景气候状态调制可预报性，有助于更全面理解变暖气候下的ENSO。