ENSO是全球年际尺度气候变率的支配模态，是具有时间不规则性和空间多样性的复杂海气相互作用现象。大气与海洋科学研究者们基于对ENSO的长期观测与理论研究，已发展了一系列不同复杂程度的ENSO数值模式，用于研究ENSO的物理机制、可预报性以及气候预报。这些模式包含最简单的低阶理论模型（如延迟振子、充放电振子），中等复杂程度模式（ICM，如经典的Zebiak-Cane模式、中科院海洋所ICM），乃至高度复杂的耦合环流模式（CGCM），共同构成了层次丰富的ENSO模式金字塔。不同复杂程度的ENSO模式各具优势和缺陷，低阶理论模型可以生成符合观测统计特征的海温距平时间序列，但无法显式刻画ENSO的空间结构和精细的物理过程。中等复杂程度模式在刻画ENSO物理过程与计算效率之间取得了平衡，广泛用于理论研究和业务预报。但其对物理参数十分敏感，在长期运行中容易出现对ENSO时空特征的严重模拟偏差，尤其难以复现ENSO的空间多样性。CGCM基于物理第一性原理，尽可能地包含了各种天气气候变率及对应的物理过程，在物理守恒律的约束下可以长期稳定运行。但CGCM受限于气候平均态的模拟偏差，在刻画ENSO的时空复杂性时，其模拟结果与观测之间仍存在显著的差异和不确定性。在参与最新的耦合模式比较计划第六阶段（CMIP6）的CGCM中，相当多的模式成员甚至难以复现ENSO的基本周期与振幅。

在具体的模式发展过程中，对模式参数的调制通常要比建立模式本身花费更久的时间。更值得注意的是，更复杂物理过程的引入会对模式调参造成更大的困难和障碍。以新兴的深度神经网络物理参数化方案为例，它们可以嵌入到数值模式的动力框架中帮助精确刻画特定的物理过程，但对模拟ENSO这一复杂自然系统的影响仍然难以准确控制。能否利用现有不同复杂程度ENSO模式的优势，将它们统一在一个框架中，突破单个模式的调参困境，进而实现对ENSO的高效逼真数值模拟? 对此，我系穆穆院士团队的直博生王金宇同学（第一期“卓博计划”学员），在穆穆院士、方向辉副教授、威斯康星大学数学系陈南教授、我系博士后秦博的指导下，持续探索攻关，创新性地提出了多核模拟框架（Multi-Core Modeling Framework），为ENSO乃至气候模拟提供了新思路。在该框架下，一个全新的ENSO数值模式得以建立，称为双核模式（Dual-Core Model; DCM）。DCM以资料同化的方式整合了一个仅考虑赤道ENSO动力学的低阶理论模型（Chen and Fang 2023; CF23）和一个由王金宇自主新开发的中等复杂程度距平模式（Equatorial Neural Baroclinic Ocean-determined Model; ENBOM，缩写取“El Niño爆发”之意）。其中ENBOM又包含了一个基于Transformer架构、由海表高度距平映射次表层海温距平的非线性深度神经网络参数化模块。CF23和ENBOM分别担任DCM的“内核”和“外核”，两者均不可或缺。通过引入CF23内核，ENBOM外核在模拟ENSO时间复杂性的模式偏差被显著校正，从而使得DCM准确再现了观测中ENSO的非高斯时间序列统计特征。与此同时，ENBOM外核又同化了CF23内核提供的实时“伪观测”海表温度距平指数，准确模拟了与ENSO海气相互作用相关的物理场空间结构，保持了关键海洋反馈过程的物理平衡。DCM的模拟结果与当前在ENSO模拟领域最具代表性的两大CGCM(CESM2和GFDL-CM4) 进行了对比分析，被证明具有相当的竞争力，特别是海表温度和次表层海温距平的概率密度分布和次表层海温的空间结构。DCM的高效计算特性可用于快速生成长时间的ENSO模拟数据集，有效弥补观测资料的有限性和CGCM模拟资料的偏差，助力机器学习模型的预训练。

DCM的成功建立在科学意义上说明了不同复杂程度、不同物理架构的数值模式可以协调统一，而非孤立存在甚至互相矛盾。简单模式和复杂模式可以分别专注于发展各自的物理优势，之后即可在多核模拟框架下有机整合，达成对自然现象的高效模拟。DCM的源代码已公开（包含必要的多斜压模求解器），在工程意义上提供了模块化、清晰可读、可控可扩展的ENSO建模框架，可供广大ENSO研究者参考使用，为研究ENSO系统的可预报性提供了一个性能优良的数值试验平台。此外，由同济大学袁时金教授团队开发的Fortran-Torch-Adapter（FTA）为建立智能数值模式提供了便利的工具。

相关成果经同行评审后发表在npj Climate and Atmospheric Science期刊。王金宇为第一作者，方向辉副教授和陈南教授为共同通讯作者。DCM的源代码可在以下链接获取：https://github.com/BrunoQin/DCM。Fortran-Torch-Adapter的下载与安装详见：https://github.com/luc99hen/FTA。

论文信息：Wang, J., Fang, X., Chen, N., Qin, B., Mu, M. & Ji, C. A dual-core model for ENSO diversity: unifying model hierarchies for realistic simulations. npj Clim Atmos Sci 8, 269 (2025). https://doi.org/10.1038/s41612-025-01164-z

图1. (模式架构) 双核模型DCM示意图：(a) 一维低阶理论模型CF23；(b) 二维中等复杂程度模式ENBOM，同化来自CF23的海表温度距平“伪观测”指数。TAUA表示响应CF23模型中Niño3和Niño4海表温度距平指数的风应力距平；(c) 基于海表高度异常（SSHA）的次表层海温异常（TSUBA）深度神经参数化方案。

图2.（时间序列统计特征）功率谱密度（PSD；a,d,g,j；单位：(°C)²/年⁻¹）、季节标准差（SeaStd；b,e,h,k；单位：°C）和概率密度函数（PDF；c,f,i,l）对比图，展示了GODAS（1981-2020）、CF23（0041-1000）、DCM（0041-1000）、CESM2-piControl（0241-1200）和GFDL-CM4-piControl（0251-0650）中Niño4区平均海表温度距平（SSTA-N4）、Niño3区平均海表温度距平（SSTA-N3）、Niño4区平均次表层海温距平（TSUBA-N4）及Niño3区平均次表层海温距平（TSUBA-N3）的统计特征。实线表示持续40年非重叠时段的集合平均值；同色虚线表示对应95%置信水平的红噪声集合平均值；粉色阴影区表示DCM对应值的1个标准差范围。第三列图例的数值表示观测数据与模型的概率密度函数之间的总变差距离（越低越接近观测）。

图3.（物理场空间结构）ENSO事件成熟位相期间（11-12-1月）合成的海表温度距平（SSTA，填色）与纬向风应力距平（TAUXA，等值线）空间结构，分别展示于a1-e1（东部型厄尔尼诺EP）、a2-e2（中部型厄尔尼诺CP）、a3-e3（拉尼娜LN）；海表高度距平（SSHA，等值线）与次表层温度距平（TSUBA，填色）的空间结构，分别展示于a4-e4（EP）、a5-e5（CP）、a6-e6（LN）。灰色星号表示前3行5°N-5°S平均海温距平（SSTA中心）及后3行次表层海温距平（TSUBA中心）的绝对最大值位置。副标题数值（从左至右）表示模拟与观测对应物理场的空间相关系数。

图4.（海洋反馈物理机制）GODAS观测(a,c,e,g)与DCM模拟(b,d,f,h)在ENSO事件发展与衰减阶段的合成热收支分析：红柱、绿柱、蓝柱分别表示东部型厄尔尼诺、中部型厄尔尼诺、拉尼娜事件在发展年后半年(7-12月)和衰减年前半年(1-6月)的Niño 3(N3)与Niño 4(N4)区域时空平均数值。误差棒表示基于双边t检验的95%置信区间。