《Environmental Data Science》：CNN-based forecasting of early winter NAO using sea surface temperature
编辑推荐：
北大西洋涛动（North Atlantic Oscillation, NAO）是北大西洋上空大气变率的主导模态，影响着欧洲的气温和降水。虽然NAO对北大西洋海表温度（sea surface temperature, SST）的影响已得到充分认识，但NAO
北大西洋涛动（North Atlantic Oscillation, NAO）是北大西洋上空大气变率的主导模态，影响着欧洲的气温和降水。虽然NAO对北大西洋海表温度（sea surface temperature, SST）的影响已得到充分认识，但NAO同样可受SST异常驱动，只是这种响应被认为较弱且呈非线性。以往研究指出，在早冬（11–12月），厄尔尼诺-南方涛动（El Ni?o-Southern Oscillation, ENSO）事件会对NAO产生调制作用，厄尔尼诺（拉尼娜）事件与NAO正（负）位相相联系，而在晚冬（1–2月）则呈现相反的效应。印度洋SST和北大西洋马蹄形SST异常也被认为是早冬NAO变率的贡献因子。然而，气候模式往往难以捕捉这些SST-NAO遥相关，尤其在早冬。针对这一问题，研究人员建立了一个基于卷积神经网络（convolutional neural network, CNN）的统计框架，利用提前一个月、两个月和三个月的观测SST场预测早冬NAO。以线性模型作为基准，两者均在1940–2023年的ERA5再分析资料上进行训练。敏感性分析解释了CNN的决策过程，揭示该模型重点关注热带太平洋和北大西洋等区域，证实了以往的发现。CNN的性能优于线性模型，凸显了捕捉非线性SST-NAO关系的价值。预测技巧似乎与ENSO相关联，强ENSO事件的技巧高于中性事件。上述发现凸显了深度学习在构建NAO预测中的潜力。
**论文解读：基于卷积神经网络的早冬北大西洋涛动预测**
**一、研究背景与问题提出**
北大西洋涛动（North Atlantic Oscillation, NAO）是北大西洋区域大气环流在10天以上时间尺度的主导模态（Barnston and Livezey, 1987；Feldstein, 2000），表现为海平面气压（sea-level pressure, SLP）的南北偶极型异常，对欧洲、北非乃至北美的气温和降水季节变率产生深远影响，直接关系到能源、农业等社会经济部门（Scaife et al., 2008）。NAO本质上源于大气内部动力过程，但可受多种外强迫因子调制，其中海表温度（sea surface temperature, SST）被认为是能够驱动NAO的重要因子之一，只是这种驱动效应较弱且呈现非线性特征（Kushnir et al., 2002）。
已有研究表明，早冬（11–12月）NAO对SST异常的响应具有多源性和复杂性。首先，北大西洋马蹄形（North Atlantic Horseshoe）三极型SST异常被证实能够影响早冬NAO（Gastineau and Frankignoul, 2015）。其次，作为全球年际变率主导模态的厄尔尼诺-南方涛动（El Ni?o-Southern Oscillation, ENSO）通过遥相关机制调制NAO：早冬厄尔尼诺（拉尼娜）事件倾向于对应NAO正（负）位相，而晚冬（1–2月）关系相反（King et al., 2018；Zhang and Jiang, 2023）。此外，印度洋SST异常也被识别为早冬NAO变率的独立贡献源，印度洋偶极子（Indian Ocean Dipole, IOD）可作为独立于ENSO的强迫因子发挥作用（Hardiman et al., 2020；Abid et al., 2023；Raganato et al., 2025）。
然而，传统的气候模式在捕捉SST-NAO遥相关方面存在明显不足，尤其在早冬时段表现更为突出（Molteni and Brookshaw, 2023）。这一局限性制约了基于动力模式的季节预测系统对NAO及其下游气候影响的预报能力。因此，亟需发展新的方法以更好地表征SST与NAO之间复杂的非线性关联，进而提升NAO的可预报性。
**二、研究目标与重要意义**
针对上述问题，研究人员构建了一个基于卷积神经网络（convolutional neural network, CNN）的统计预测框架，仅利用超前1–3个月的观测SST场作为预测因子，对早冬NAO指数进行预测。该研究的目的并非替代业务预报系统，而是旨在评估SST驱动的NAO可预报性，并深入理解海洋-大气相互作用，特别是ENSO在调制NAO可预报性中的角色。同时，通过将CNN与去除所有非线性激活的线性等效模型进行对比，定量评估非线性方法所带来的技能增益。该研究为探索深度学习在气候预测（涵盖10天至3个月的时间尺度）中的应用潜力提供了新证据，对加深海洋-大气动力学认知具有理论贡献，也为数据驱动方法在气候业务中的应用提供了参考。
**三、关键技术方法**
研究数据来自ERA5逐小时再分析资料（Hersbach et al., 2023），时间跨度为1940–2023年。SLP数据用于定义NAO指数，空间范围为20°N–70°N、100°W–40°E，经双线性插值粗化至2°×2°网格以减少过拟合风险；早冬（11–12月）SLP日异常减去气候态后施加10天中心滑动平均以滤除高频变率。NAO指数定义为上述SLP异常场经验正交函数（Empirical Orthogonal Function, EOF）分析的第一标准化主成分（PC1），解释方差22.4%。SST数据空间范围为15°S–70°N，保留更精细的1°×1°分辨率以捕捉海洋锋和涡旋等小尺度结构可能的预测信息，采用29天中心滑动平均以保留月际至年际尺度的信号。
CNN模型由三个卷积模块构成，每个模块包含沿经度方向的循环填充（circular padding）、批归一化（batch normalization）和ReLU激活函数，卷积核大小分别为5×3、3×3和3×3，经多次下采样后将空间维度从85×360压缩至17×59，展平后经全连接回归头输出单一实数即NAO指数预测值，共含262,225个可训练参数。以留一交叉验证（leave-one-out cross-validation, LOOCV）进行训练与验证，每个年份依次作为验证集，其余年为训练集，以确保所有年份均参与验证。超参数利用前10年（1940–1949年）调优，不参与技能评估。采用基于梯度的显著性映射方法进行敏感性分析，计算预测NAO指数对每个SST格点的梯度，乘以其绝对输入值后生成归因图，并通过单样本单尾t检验（经伪发现率校正）识别统计显著区域。
**四、主要研究结果**
**3.1 CNN与线性模型对比**
在1950–2023年的验证期内，仅基于SST输入的CNN预测系统显示了显著的NAO预测技巧，归一化均方根误差（normalized RMSE, nRMSE）为0.88，皮尔逊相关系数达0.50（95%置信水平显著）。相比之下，线性基准模型的nRMSE为0.92，相关系数为0.44，两者均具统计显著性，但CNN明显更优。值得注意的是，线性模型能较好预测振幅更大的NAO值，这可能是因为CNN中的ReLU激活将负值置零、最大池化仅保留局部最大值，从而压缩了极端事件的振幅。对于2019/20年强正IOD事件后的强正NAO以及1997/98年强厄尔尼诺事件，两个模型均预测不佳，推测原因在于此类极端事件在训练数据中代表性不足。
敏感性分析热图（针对9个预测良好的正NAO年和9个负NAO年）表明，无论相位如何，赤道太平洋（与ENSO相关）及北太平洋延伸区（如黑潮-亲潮延伸区和日本海）是模型决策最敏感的区域；北大西洋SST（尤其是北大西洋洋流区域和哈德逊湾海冰边缘附近）也发挥重要作用。印度洋仅在苏门答腊西海岸外显示有限敏感性且主要出现在正NAO年。对于负NAO年，归因强度整体较弱，尤其热带太平洋的敏感性明显降低，反映出模型对负相位的响应相对不足。
**3.2 年际变率与ENSO**
根据Ni?o3.4指数（5°S–5°N, 170°W–120°W区域面积加权平均SST异常）将年份分为中等/强ENSO年（|异常|≥1.0°C，22年）和弱/中性ENSO年（52年）。在中等/强ENSO年，CNN的nRMSE为0.86、相关系数为0.57，均优于全时段平均水平；线性模型也提升至0.91和0.47。在弱/中性ENSO年，CNN的nRMSE为0.90、相关系数为0.46，线性模型为0.93和0.43，两者均低于全时段平均水平。上述结果表明ENSO强度对模型预测技巧具有调制作用，且CNN对该调制的响应比线性模型更为显著。
**五、讨论与结论**
讨论部分指出，本研究发现2001年之后（除2015年异常强厄尔尼诺事件外）几乎没有预测良好的个例，这可能与1990年代末以来北大西洋多年代际变率（Atlantic Multidecadal Variability, AMV）进入正位相有关，AMV作为背景状态可能调制了ENSO-NAO遥相关（Chen et al., 2025）。模型倾向于低估NAO变率的离散度，未来可将标准均方误差损失函数替换为基于分位数的回归框架，以更好地捕捉条件分布的尾部特征，实现更真实的变率表征。
研究结论如下：①基于CNN的简单神经网络能够捕捉SST异常与NAO变率之间复杂的非线性关系，在中期至次季节时间尺度上预测早冬NAO，这些SST-NAO联系在气候模式中可能被低估（Scaife et al., 2014）；②通过可解释AI技术，模型的决策过程可指向具有物理意义的SST关键区域，其中热带太平洋对CNN决策的影响最为显著；③CNN预测技巧依赖于ENSO条件，中等和强ENSO年的技巧显著高于弱或中性ENSO年。这些发现肯定了深度学习在构建NAO预测中的潜力，并为理解海洋-大气非线性耦合提供了新的视角和工具。
