近日，海洋所李晓峰研究团队研究开发了一种深度学习模型-时空金字塔网络（STPNet），并探讨了海表盐度（SSS）在提高厄尔尼诺-南方涛动（ENSO）预测中的作用。该模型成功将ENSO的预测提前到24个月，并在解决春季可预测性障碍（SPB）问题上取得了显著进展。成果近日发表于国际学术期刊npj Climate and Atmospheric Science （IF 8.5）。

传统的ENSO预测大多依赖海表温度（SST）数据。然而，随着近年来卫星观测技术的发展，海表盐度数据的可获得性逐渐增加。研究表明，SSS通过影响海洋层化结构和热量再分配，对ENSO的发展和强度有着重要影响。具体而言，该研究揭示了SST对于短期预测（小于一年）的关键作用，而SSS则在中长期预测（超过6个月）中占据重要地位。

研究团队应用深度学习技术，结合多尺度金字塔结构和时空特征提取模块，开发了STPNet模型。STPNet模型在2000年至2021年期间，成功延长了ENSO的有效预测时长，并显著降低了春季可预测性障碍的影响。 

上图为STPNet架构，下图为该模型在SST和SST/SSS为输入时的不同表现，以及同经典CNN、ResCNN模型的比较

该研究的另一大亮点是其算法的可解释性。通过基于梯度反向传播的显著性图方法，研究人员能够评估SST和SSS在ENSO预测中的相对重要性。这一方法不仅有助于揭示深度学习模型的内部机制，也为理解ENSO的发展过程提供了全新的视角。研究结果表明，在中长期预测中，SSS的贡献显著增强，特别是在中央太平洋区域，SSS的变化是预测未来ENSO事件的关键。并揭示了ENSO事件的全球时空变化特征，强调了不同海盆之间、热带与非热带区域之间的相互作用对ENSO预测的重要性。 

图(a)显示 ENSO 相关的 SST 信号在南纬 10 度和北纬 10 度之间的平均随提前预报时间的变化。图(b)显示ENSO相关 SST 信号在所有经度平均随提前预报时间的变化。。图(c) ENSO 相关 SSS 信号与图 a 相同。图(d) ENSO 相关 SSS 信号与 b 图相同。图(e)2002-2021年期间，STPNet利用不同海盆和(f)不同纬度带的 SST 和 SSS 作为输入，观测STPNet模型预报能力的变化。 

该项研究为未来ENSO预测模型的发展提供了新的方向。随着更多卫星SSS数据的获取，以及对SSS与ENSO关系的进一步探索，预计该模型将在实际操作中展示出更强的应用潜力。研究团队还计划在未来的工作中加入海洋次表层温度和盐度数据，以进一步提升ENSO预测的准确性。

本文第一作者是中国科学院海洋研究所博士研究生王浩宇，通讯作者为李晓峰研究员，其他合作者包括Duke大学胡世能助理教授和海洋所官聪副研究员。由中国科学院战略性先导科技专项等多项基金资助，相关成果下载网页： 

Wang, H., Hu, S., Guan, C. Li, X., The role of sea surface salinity in ENSO forecasting in the 21st century. npj Clim Atmos Sci 7, 206 (2024). https://doi.org/10.1038/s41612-024-00763-6