https://mp.weixin.qq.com/s/Dq8yIHXjisxuMrTvICxe7A
EarthAi 2025年07月24日
可解释深度学习新模型有效提升ENSO预测能力 Toward long-range ENSO prediction with an explainable deep learning model Qi Chen, Yinghao Cui, Guobin Hong, Karumuri Ashok, Yuchun Pu, Xiaogu Zheng, Xuanze Zhang, Wei Zhong, Peng Zhan & Zhonglei Wang
近期，南方科技大学海洋科学与工程系展鹏团队与厦门大学经济学院统计学与数据科学系等多单位合作，在厄尔尼诺-南方涛动（ENSO）长期预测领域取得新进展，该研究创新性地提出了CTEFNet模型，将卷积神经网络（CNN）与Transformer高效融合，根据物理过程引入多种海气变量，实现了对ENSO事件长达20个月的有效预测，显著改善了“春季预报障碍”，有效预测能力优于当前主流动力和深度学习模型。
图一CTEFNet模型的结构示意图
图二 CTEFNet与主流动力模型和深度学习模型对Niño 3.4指数预测效果对比，阴影部分为深度学习模型的95%置信区间。
更值得一提的是，该团队还提出了基于神经网络非线性梯度的敏感性分析方法。通过这一方法，他们成功揭示了ENSO发生发展的关键物理前兆信号，并定量展现了大西洋、印度洋与太平洋之间的潜在相互作用。这一发现为理解ENSO的复杂物理机制提供了新的视角，也为诊断深度学习模型的可解释性提供了创新方案，为神经网络对物理过程的解析开辟了新的思路。
图三敏感性分析结果图。a：敏感性分析的时间段，红色表示预测目标期，灰色表示12个月的输入期。b–e：多个厄尔尼诺事件的平均敏感性分析结果，仅保留在95%置信水平上具有统计显著性的格点，展示不同预测因子在各月份的贡献。
该研究成果不仅显著提升了ENSO有效预测的时效，还为复杂气候事件的可解释人工智能建模开辟了新思路，有助于加深我们对气候系统机理的认知，进而提升灾害早期预警能力，为全球气候研究和应对气候变化提供了有力支持。
| 
发表于 2025-7-24 15:12:45
