ENSO（厄尔尼诺-南方涛动）现象是地球气候系统中最强的年际气候变异信号。尽管已有多种动力学和统计模型被用于厄尔尼诺多样性的预测和可预测性研究，但由于这些模式的模拟能力弱、积分资源消耗大、计算结果不稳定等原因，上述研究遇到了严重的瓶颈。为了解决这些难题，复旦大学大气与海洋科学系穆穆院士团队将条件非线性最优扰动（CNOP）方法运用到数据驱动的多变量海气耦合ENSO智能预测模型中，探究了两类厄尔尼诺事件的可预报性问题，并用动力数值模式GFDL CM2p1进行的验证。

图1 （a）为增强EP型厄尔尼诺事件强度的最优初始扰动。（b）-（g）为该扰动在AI模型中的演化，每个子图的上层为海表面温度（填色）和表面风场（箭头），下层为海洋热容量（海洋上层300m的平均海温）。

团队首先构建了一个纯数据驱动的多变量海气耦合ENSO智能预报模型，利用该模型的ENSO事件第一类可预测性研究表明，对于EP型厄尔尼诺事件，赤道东太平洋的正海温扰动（图1a）会使得该事件增强，这主要与Bjerknes正反馈机制有关（图1b-g）。该种类型扰动在中等复杂程度模式IOCAS ICM以及全球耦合模式CESM中也曾被发现。

图2 （a）为增强CP型厄尔尼诺事件强度的最优初始扰动。（b）-（g）为该扰动在AI模型中的演化。

对于CP型厄尔尼诺事件而言，赤道中太平洋和赤道外北太平洋的正海温扰动（图2a）会使其增强。随时间的发展（图2b-g），中太正异常不断局地发展增强，赤道外北太平洋扰动依赖Wind-Evaporation-SST反馈机制不断向赤道中太平洋传播，最终导致CP型事件的强度提升。受限于数值模式对CP型厄尔尼诺事件的模拟能力，过去不曾有对该种类型扰动的报道。经动力模式GFDLCM2P1的进一步验证，表明该类型扰动也能够使得动力模式中的CP型厄尔尼诺事件强度增强，且具有类似的时空演化特征。此外，削弱两类厄尔尼诺事件强度的最优初始扰动与图2中扰动模态几乎相反，但发展机制类似。

随着AI气象大模型涌现，本研究是在AI模型中应用CNOP方法研究两类厄尔尼诺事件第一类可预测性问题首次成功尝试。此外，该研究也说明AI模型能够在一定程度上学到数据中的潜在物理机制。同时，该研究思路也可推广到其他天气气候现象的可预测性问题研究中以挖掘最优初始误差，进而通过目标观测或资料同化的方式提升初始场质量，也可利用初始误差信息构造集合预报成员以提供更好的预测不确定性估计。

本研究以“The first kind of predictability problem of El Niño predictions in a multivariate coupled data-driven model”为题发表于《Quarterly Journal of the Royal Meteorological Society》期刊。我系秦博博士后与国家海洋信息中心助理研究员杨泽芸为本文联合第一作者，穆穆院士为通讯作者。研究得到了国家自然科学基金基础科学中心项目（42288101）的资助。

论文信息：Qin B, Yang Z, Mu M, et al. The first kind of predictability problem of El Niño predictions in a multivariate coupled data-driven model[J]. Quarterly Journal of the Royal Meteorological Society, 2024, 1-20.