人工智能（AI）近年来快速发展，在天气预报、气候预测等领域取得了接近甚至超越传统数值模式的预报能力。随着AI模型在地球系统科学中的广泛应用，如何理解模型预测所依据的关键物理过程，并进一步利用AI模型挖掘新的科学规律，已成为人工智能赋能地球系统科学发展的重要研究方向。

条件非线性最优扰动（Conditional Nonlinear Optimal Perturbation，CNOP）理论是国际上开展天气、气候可预报性研究的重要理论工具，在识别影响重大天气、气候事件发展的关键敏感区域和揭示非线性误差增长机制方面取得了广泛成功。与此同时，当前AI模型普遍基于深度学习框架构建，其自动求导功能使CNOP的求解能够高效实现，为将可预报性理论拓展到AI模型研究提供了新的技术途径。

然而，目前人工智能模型可解释性研究仍主要依赖基于梯度的分析方法。由于梯度方法本质上采用局地线性近似，难以刻画天气气候系统复杂的非线性演变过程，因此迫切需要发展能够反映系统非线性特征的新型分析方法。基于此，复旦大学大气与海洋科学系穆穆院士团队将CNOP理论引入AI模型分析，提出了一种面向地球系统AI预测模型的非线性可解释性新方法。该方法以有限幅度最优扰动的非线性增长为基础，通过求解受物理约束的非线性优化问题，识别最容易被系统非线性放大的关键敏感区域，从而揭示影响AI预测结果的核心初始信息。相比传统梯度方法，CNOP方法能够更加准确地刻画天气气候系统中的非线性演变过程，为理解AI模型学习到的物理规律提供了新的研究思路。

研究团队分别以伏羲（FuXi）模型中的台风路径预测和ENSO-MC模型中的厄尔尼诺强度预测为典型案例，在不同时间和空间尺度上系统验证了该方法的可解释能力，并揭示了AI模型学习到的重要非线性物理过程。对于强非线性的台风2106“烟花”和2211“轩岚诺”，梯度方法主要捕捉局地线性敏感性，能够识别部分线性引导作用，但难以刻画复杂非线性相互作用。CNOP则能识别由系统非线性演化所决定的关键敏感区域，从而揭示更加符合物理规律的预测依据。例如，在“烟花”台风中CNOP识别出了菲律宾海越赤道气流北涌以及西风槽前南风引导等关键物理过程（图1(a)）；在“轩岚诺”台风中则识别出双台风互旋吞并导致系统非线性爆发式增长的关键敏感区域（图1(b)）；在弱非线性的2302“玛娃”台风个例中，CNOP和梯度方法识别出了相似的敏感区域(图1(c)、(f)),表明在近线性条件下，两种方法具有相近的解释能力。

对于东太平洋型厄尔尼诺事件，CNOP方法成功捕捉到东太平洋温跃层反馈等强非线性过程，而梯度方法则主要关注由线性过程主导的中太平洋纬向平流反馈（图2(a)、(c)）；对于中太平洋型厄尔尼诺事件，梯度方法仅识别出北太平洋的敏感区，而CNOP方法进一步发现了南太平洋混合层相互作用所对应的重要敏感区域，揭示了南、北半球共同作用于中太平洋ENSO发展的非线性反馈机制（图2(b)、(d)）。研究表明，人工智能模型不仅能够学习天气气候系统的统计特征，还能够学习其中真实存在的非线性动力过程和物理规律。基于这一认识，AI模型有望从单纯的预测工具发展成为挖掘地球系统科学规律的新平台，是实现从AI for Forecast向AI for Science的重要转变。

图1. CNOP方法和梯度方法识别的不同台风事件的敏感区（阴影区域）。绿框为仅由基于梯度方法所识别到的敏感区，蓝框为仅有CNOP方法所识别到的敏感区，等值线为初始时刻的500hPa位势高度场。

图2. CNOP方法和梯度方法识别的不同ENSO事件的敏感区（阴影区域）。绿框为仅由基于梯度方法所识别到的敏感区，蓝框为仅有CNOP方法所识别到的敏感区。

进一步的试验结果表明，在多个台风和ENSO事件中，CNOP识别出的敏感区域受到扰动后能够产生更大的预报误差，而去除这些区域中的误差则能够带来更加显著的预报改进，整体解释能力和物理一致性均优于梯度可解释方法。这说明新方法能够更加准确地识别决定AI预测误差增长的关键区域，为人工智能模型可信解释提供了有力支撑。

该研究不仅为人工智能天气气候模型的可信解释提供了新的理论框架，也为目标观测设计、资料同化优化以及智能预报系统建设提供了新的科学依据。未来，随着真实资料同化误差结构的引入和多模型交叉验证的开展，该方法有望进一步推动人工智能从“预测工具”向“科学发现工具”转变，为深入认识复杂地球系统动力学过程和发展新一代智能预报理论提供新的研究范式。

本研究以“A nonlinear explainable method for data-driven forecasting models in Earth system science”为题发表于npj Climate and Atmospheric Science期刊，复旦大学博士生、国家海洋环境预报中心工程师郭安博宇为论文第一作者。论文作者还包括复旦大学穆穆院士，同济大学助理教授秦博（通讯作者）、复旦大学博士生浦景晨，李昊研究员（通讯作者）。研究得到了国家自然科学基金（42288101, 42505148, 42405147）、上海市教育委员会人工智能促进科研范式改革赋能学科跃升计划项目（24KXZNB01）和博士后创新人才支持计划（BX20230071）的资助。

论文信息：Guo, A., Mu, M., Qin, B. et al. A nonlinear explainable method for data-driven forecasting models in Earth system science. npj Clim Atmos Sci (2026). https://doi.org/10.1038/s41612-026-01464-y