北师大系统科学学院樊京芳团队提出物理引导机器学习新方法提升ENSO长期可预测性
2026-03-05 07:30阅读：
北师大系统科学学院樊京芳团队提出物理引导机器学习新方法提升ENSO长期可预测性
文章来源：北京师范大学系统科学学院
近日，北京师范大学系统科学学院教授樊京芳团队联合中国科学院大气物理研究所、北京邮电大学等国内外科研机构，在国际学术期刊npj Climate and Atmospheric Science发表题为“Enhancing the predictability limits of ENSO with physics-guided Deep Echo State Networks”的研究论文。该研究提出一种融合气候物理机制与人工智能算法的新型预测框架，为提升厄尔尼诺—南方涛动（ENSO）的长期预测能力提供了新的理论与技术路径。
ENSO是地球气候系统中最重要的年际尺度气候振荡现象之一，其变化能够显著影响全球气候格局，对降水分布、极端天气事件、农业生产以及水资源安全等产生深远影响。长期以来，科学界一直致力于提升ENSO的预测能力，以期为气候风险管理和社会经济决策提供更可靠的科学依据。然而，由于ENSO过程涉及复杂的海气耦合动力学及多尺度非线性反馈，其预测能力往往受到所谓“春季可预测性障碍”等因素限制。传统动力气候模式和统计方法在长期预测方面仍面临诸多挑战，如何突破ENSO预测能力的理论上限成为气候科学领域的重要科学问题。
针对这一问题，研究团队提出了一种物理引导的深度回声状态网络模型（Physics-guided Deep Echo State Network, DESN）。该模型将机器学习技术与关键气候物理变量相结合，在深度递归神经网络结构中引入气候系统的重要物理约束，从而更有效地捕捉ENSO系统中的非线性动力学过程。在模型构建过程中，研究团队以热带太平洋暖水体积（Warm Wa