近日，中国科学院海洋研究所海洋数值模拟和气候预测课题组与南京信息工程大学张荣华教授合作，在国际地学自然指数（Nature Index）期刊《Geophysical Research Letters》在线发表最新研究成果，报道了基于Transformer深度学习模型（3D-Geoformer）对2021年二次变冷（多重拉尼娜）的成功预测。  

　　热带太平洋刚刚结束了2020-2022年连续三年的持续性拉尼娜现象，这对全球的天气和气候产生重要影响。很多模式可以较好地预测出发生在2020年的拉尼娜事件，这是因为在2019年发生了厄尔尼诺事件，其从正位相向负位相的转变作为ENSO自然循环的一部分，其预测相对直接容易，可预报性比较高。然而，对于紧随2020年拉尼娜事件之后的2021年二次变冷，利用很多动力耦合模式的预测出现了困难，尤其是对发生于2021年年中的海表温度演变的转向点的预测。对这一持续性拉尼娜事件的预测困难性对基于物理过程的耦合模式提出了巨大的挑战，亟需增强对多年拉尼娜形成过程和机理的认知，并在模式中合理表征；同时，寻找有效方法以提高ENSO实时预测技巧。  

　　随着人工智能在气候科学研究应用的快速发展，数据驱动的神经网络模型为ENSO预测提供了一个创新的方法。研究团队利用数据驱动的基于时空注意力机制的Transformer深度学习模型（3D-Geoformer），通过采用滚动预测的方式（类似于动力耦合模式）进行ENSO预测。结果表明，3D-Geoformer能成功预测出2020年拉尼娜事件和2021年二次变冷事件，包括表层风场和上层海洋三维温度场的协同演变，特别是2021年年中赤道东太平洋次表层海温负异常的再次出现和相应的海表温度演变的转折点。  

基于纯数据驱动的3D-Geoformer框架示意图（该3D-Geoformer用于ENSO相关研究）

　　研究团队还利用基于深度学习的3D-Geoformer进行了一系列敏感性试验，通过在预测因子中考虑调节风场强迫和次表层热力效应对SST的影响来综合解释了其成功预测的原因。基于动力框架的中国科学院海洋研究所中间型海气耦合模式（IOCAS ICM）与纯数据驱动的深度学习的3D-Geofomer是两类由完全不同方式构建的模式，对二者预测结果进行比较发现，二者均对2021年二次变冷及相关过程演变呈现出良好的性能。这再次表明无论是动力耦合模式还是数据驱动的深度学习模式，都要充分考虑温跃层反馈在ENSO预测中的重要作用，该工作也进一步展示了3D-Geoformer作为一个ENSO预测创新平台的普适性和有用性。  

　　该成果由中国科学院海洋研究所高川副研究员和周路博士研究生为共同第一作者、南京信息工程大学张荣华教授为通讯作者合作完成。研究得到了国家自然科学基金和中国科学院战略性先导科技专项等项目的联合资助。  

　　论文信息： 

　　Gao, C., Zhou, L., & Zhang, R.-H. (2023). A transformer-based deep learning model for successful predictions of the 2021 second-year La Ni？a condition. Geophysical Research Letters, 50(12), e2023GL104034. https://doi.org/10.1029/2023GL104034