深度学习在ENSO预测中的应用研究
doi: 10.13878/j.cnki.dqkxxb.20240921001
方巍1,2,3,4 ， 付海燕1 ， 罗京佳5
1. 南京信息工程大学计算机学院/数字取证教育部工程研究中心,江苏 南京 210044
2. 中国气象科学研究院灾害天气科学与技术全国重点实验室,北京 100081
3. 南京信息工程大学江苏省大气环境与装备技术协同创新中心,江苏 南京 210044
4. 南京气象科技创新研究院中国气象局交通气象重点开放实验室,江苏 南京 210041
5. 南京信息工程大学气象灾害教育部重点实验室/气象灾害预报预警与评估协同创新中心/气候与应用前沿研究院,江苏 南京 210044
基金项目: 国家自然科学基金项目(42475149) ； 灾害天气国家重点实验室开放课题(2024LASW-B19) ； 中国气象局流域强降水重点开放实验室开放研究基金项目(2023BHR-Y14) ； 江苏省研究生科研与实践创新计划项目(KYCX25_1660)
Deep learning for ENSO forecasting: a review
FANG Wei1,2,3,4 ， FU Haiyan1 ， LUO Jingjia5
1. School of Computer Science/Engineering Research Center of Digital Forensic Ministry of Education,Nanjing University of Information Science and Technology,Nanjing 210044 , China
2. State Key Laboratory of Severe Weather Meteorological Science and Technology (LaSw),Chinese Academy of Meteorological Sciences,Beijing 100081 ,China
3. Jiangsu Collaborative Innovation Center of Atmospheric Environment and Equipment Technology (CICAEET),Nanjing University of Information Science and Technology,Nanjing 210044 ,China
4. Key Laboratory of Transportation Meteorology of China Meteorological Administration,Nanjing Joint Institute for Atmospheric Sciences,Nanjing 210041 ,China
5. Key Laboratory of Meteorological Disaster,Ministry of Education (KLME) / Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters (CIC-FEMD) / Institute of Climate Application Research (ICAR),Nanjing University of Information Science and Technology,Nanjing 210044 ,China
摘要
厄尔尼诺-南方涛动(El Niño-Southern Oscillation, ENSO)是自然界气候变化中年际变化最显著的异常信号。ENSO会在全球范围内引发天气和气候异常,由此造成的自然灾害给人类生命和财产安全带来了巨大危害。随着人工智能的发展,ENSO预测方法已从传统方法拓展到了深度学习技术。因此,对ENSO预测进行了较为全面的论述:概述了ENSO相关知识;回顾了传统的预测方法;介绍了深度学习模型在ENSO预测中的应用,分析了它们的优势、局限性以及改进方向;基于当前方法面临的挑战,对未来ENSO预测的发展趋势进行了展望。
Abstract

The El Niño-Southern Oscillation (ENSO) is the most significant interannual climate variability phenomenon, exerting profound influences on global weather patterns and climate anomalies. The associated natural disasters pose severe threats to human lives and property. Traditional ENSO prediction methods primarily include dynamical and statistical approaches. Due to the long-term accumulation of climate data and a well-established theoretical foundation of ENSO dynamics, these methods have been extensively developed. Studies have shown that traditional methods perform well within the first 6 months of forecasting, achieving a correlation coefficient skill (Corr) of up to 0.85. However, prediction accuracy declines over time, with most models struggling to maintain a Corr above 0.5 beyond 12 months. This limitation is largely attributed to the inherent nonlinearity and uncertainty of ENSO events, which challenge the ability of traditional models to improve prediction accuracy and extend forecast lead times. Additionally, computational error accumulation, empirical limitations, and uncertainties in parameter optimization restrict the effectiveness of dynamical models for key long-term ENSO prediction. Likewise, due to the highly nonlinear nature of ENSO onset and evolution, statistical models struggle to capture the complex intrinsic features of ENSO from large datasets, thereby limiting prediction accuracy.

In recent years, deep learning techniques have garnered increasing attention in ENSO forecasting due to their ability to efficiently process complex spatiotemporal data and adaptively learn feature representations. Researchers have explored deep learning approaches for ENSO prediction, achieving promising results. This review provides a comprehensive discussion of ENSO prediction, beginning with an overview of ENSO-related knowledge, including key datasets for ENSO classification and forecasting. It then examines traditional ENSO prediction methods, covering both dynamical and statistical approaches. The review further explores the application of deep learning models in ENSO forecasting, including methods based on convolutional neural networks (CNNs), recurrent neural networks (RNNs), graph neural networks (GNNs), and Transformer models. The advantages, limitations, and development trends of each type approach are summarized.

Despite the promising advancements in deep learning for ENSO prediction, several key challenges remain: 1) The “black-box” nature of deep learning models limits the physical interpretability of predictions. Although efforts have been made to integrate physical knowledge with deep learning, research on model interpretability remains incomplete. 2) The limited time span of ENSO observational data and the rarity of extreme ENSO events result in constrained training samples. Additionally, discrepancies between simulated and observed data pose challenges, necessitating further exploration of multivariate information to enhance model performance. 3) The ongoing rapid changes in global climate may alter ENSO characteristics, making deep learning models trained on historical data susceptible to reduced reliability. Incorporating climate change impacts into deep learning models is essential for improving forecast robustness.

厄尔尼诺-南方涛动（El Niño-Southern Oscillation，ENSO）是赤道太平洋地区海洋和大气之间的相互作用现象。ENSO与多种极端天气气候密切相关，严重阻碍了生态和农业生产发展，对人类社会和自然界造成损失（万云霞等，2023; 任宏利等，2024）。因此，对ENSO的准确预测具有十分重要的现实意义。
ENSO预测的传统方法主要包括统计模型和动力模式，国内外研究人员已经使用传统方法对ENSO进行了充分的预测试验。结果表明，传统方法在前6 mon的预测中表现较好，相关系数（correlation coefficient，Corr）可达到0.85（Johnson et al.，2019）。但随着预测时效的增加，Corr逐渐下降，在12 mon以后，大多数模型的Corr难以维持在0.5以上。这主要是由于ENSO事件固有的非线性和不确定性（Capotondi et al.，2015），使得传统模型在提高预测准确性和延长预测时效方面仍面临重大挑战（王会军等，2024）。
深度学习通过多层神经网络学习数据模式，能够自动提取特征并进行高效学习。与传统方法相比，深度学习的优势在于其强大的数据处理能力和自适应学习特征表示的能力。因此，非常适合处理大规模、高维度的气象数据（杨绚等，2022）。近年来，各类深度学习模型在ENSO预测中展现出显著优势，大多数模型在12~18 mon的预测中，Corr可保持在0.5以上（Ye et al.，2022）。
本文主要介绍了ENSO预测的研究进展，包括传统方法和新兴的深度学习技术在ENSO预测中的应用，探讨了当前面临的挑战和未来的发展方向。
1 ENSO类型与预测数据集
不同类型的ENSO对同一地区的气候影响差异较大（图1）。为了更好地对ENSO进行研究，根据海表温度异常（sea surface temperature anomaly，SSTA）中心在太平洋中的位置对其进行了分类。其中，第1种类型为在赤道东太平洋局部增暖，随后向西扩展的东部型（eastern-Pacific，EP）厄尔尼诺事件; 第2种类型为在赤道中太平洋出现大范围增暖并向东扩展的中部型（central-Pacific，CP）厄尔尼诺事件; 第3种类型为太平洋东部以及中部海表温度（sea surface temperature，SST）都发生异常的混合型厄尔尼诺事件（Zhang et al.，2019）。
图1ENSO分类示意（单位：℃；引自Zhang et al.（2019））:（a）东部型厄尔尼诺;（b）中部型厄尔尼诺;（c）混合型厄尔尼诺
Fig.1Schematic diagram of ENSO classification (units:℃；Zhang et al. (2019) ) : (a) EP El Niño; (b) CP El Niño; (c) MIX El Niño
深度学习ENSO预测模型常用数据集包括第五次耦合模式比较计划（Coupled Model Intercomparison Project Phase5，CMIP5）、第六次耦合模式比较计划（Coupled Model Intercomparison Project Phase6，CMIP6）、全球海洋数据同化系统（Global Ocean Data Assimilation System，GODAS）、简单海洋数据同化系统（Simple Ocean Data Assimilation）、扩展重建海表温度数据集第5版（Extended Reconstructed Sea Surface Temperature version 5，ERSSTv5）、哈德莱中心海冰和海表温度数据集（Hadley Centre Sea Ice and Sea Surface Temperature，HadiSST）等（表1）。
其中，CMIP5和CMIP6属于模拟数据，包含了多个国际研究机构的气候模式输出，能够提供长期的历史气候变化信息。GODAS和SODA属于再分析数据，通过数据同化方法，将观测资料与数值模式相结合，能够提供时空连续的海洋状态估计。ERSSTv5和HadiSST属于重建数据，通过对历史观测记录的收集、质量控制和插值处理，提供了可靠的海表温度长期变化信息。
由于再分析和重建数据的数据量少，而模拟数据提供了大量的模拟样本和完整的物理变量场，能够满足深度学习模型对训练数据量的要求，所以一般使用CMIP5、CMIP6加上再分析数据集来训练模型。
2 基于传统方法的ENSO预测
传统的ENSO预测模型主要分为统计模型和动力模式两大类（Wang et al.，2023）。统计模型基于历史观测数据，通过建立预测因子与预测量之间的统计关系来实现预测。常用的方法包括典型相关分析（canonical correlation analysis，CCA; Fekadu，2015）、奇异谱分析（singular spectrum analysis，SSA; Biabanaki et al.，2014）等。这些统计方法在短期预测中显示出一定的预测技巧。但由于ENSO事件的发生和演变具有显著的非线性特征，使得统计模型难以准确捕捉ENSO事件的复杂动力过程，预测效果受到明显限制。
动力学方法基于物理方程，通过数值模拟海气系统的演变来实现预测。最早的业务化动力预测系统是美国国家环境预报中心（National Centers for Environmental Prediction，NCEP）的气候预报系统（Climate Forecast System，CFS）模式。该模式在6个提前月预测中对Niño3.4区域SST的预测Corr可达0.75（Saha et al.，2006）。经过持续改进，发展成为目前广泛使用的CFSv2系统，对Niño3.4区域SST的预测Corr在6 mon内可达0.8以上（Saha et al.，2014）。欧洲中期天气预报中心（European Centre for Medium-Range Weather Forecasts，ECMWF）开发了第4代季节预报系统（System 4），并进一步升级为现在的SEAS5系统。SEAS5通过改进物理过程参数化方案，使ENSO预测的有效期延长至12 mon以上，在6 mon预报中对Niño3.4指数的预测Corr可达0.85以上（Johnson et al.，2019），对ENSO事件的类型和强度预测也具有较好的区分能力，被认为是目前全球最先进的季节预测系统之一。
表1ENSO预测常用数据集介绍
Table1Description of commonly used datasets for ENSO predictions
然而，由于海气系统的复杂性，动力模式中许多关键参数的确定仍依赖经验认知，参数优化存在较大的不确定性（杨淑贤等，2022）。此外，计算复杂度随分辨率提高呈指数增长（宋振亚等，2019），严重制约了动力模式在长期预测中的应用。
3 基于深度学习的ENSO预测
深度学习方法能很好地为复杂的高维数据构建端到端的映射，在分析预测ENSO事件方面超越了最先进的动力预报系统（Ham et al.，2021）。
3.1 使用卷积神经网络预测ENSO
卷积神经网络（convolutional neural networks，CNN）的主要框架如图2所示。卷积层能够捕捉SST等气候数据的复杂空间分布特征，对于理解ENSO现象中的非线性动态过程至关重要。此外，相比于传统的动力模式，CNN不需要复杂的物理方程，可以更直接地从数据中学习ENSO的演变规律。因此，CNN在ENSO预测领域已取得了显著的成果（Ham et al.，2019）。
Ham et al.（2019）首次将深度学习方法用于ENSO预测，使用了模拟数据进行模型预训练，之后通过迁移学习在再分析数据上进行微调。结果表明，在预测时间为17 mon时，该模型对于Niño3.4指数预测的Corr高于0.5，而当时最好的动力模式的Corr只有0.37，由此可以看出深度学习模型对ENSO预测具有巨大的潜力。
由于Ham et al.（2019）根据不同的季节和预测时长为CNN模型指定的输入是相互独立的，所以模型无法学习ENSO随季节变化的特征。于是，Ham et al.（2021）提出了一个全季节卷积神经网络（all season CNN，A_CNN）。该模型在预测Niño3.4指数的同时还预测输入变量的月份，以此来学习ENSO随季节变化的特征。虽然A_CNN在长期预测中表现欠佳，但其显著缓解了春季预报障碍。
考虑到ENSO的不同预测时间的时空依赖性存在差异，Ye et al.（2021）提出了一种异构并行CNN来预测ENSO。该模型采用并行预测来取代迭代过程，有效克服了误差累积。此外，通过自适应选择异构神经网络架构，使得模型在长期预测中表现出更好的性能。
虽然CNN模型在ENSO预测方面取得了开创性的成果。但是CNN的基本结构并未充分考虑ENSO事件的时间演变关系，从而限制了CNN模型在该领域中的进一步发展。由于循环神经网络（recurrent neural network，RNN）模型成功弥补了这一缺陷，所以越来越多的研究人员开始使用RNN对ENSO进行预测。
3.2 使用循环神经网络预测ENSO
RNN结构如图3所示。其中RNN单元的输入，不仅包含输入层的输出，还包括前一时刻隐藏层的输出，因此，该网络能够捕捉时间序列中的动态特性和上下文信息。
然而由于梯度消失和梯度爆炸等问题，所以RNN在处理长序列时难以达到很好的性能。因此，研究人员通过在RNN模型中引入门控机制，得到了结构如图4所示的长短期记忆网络（long short-term memory，LSTM），LSTM能够在一定程度上解决梯度消失和梯度爆炸等问题，从而能够更高效地处理长序列问题（Sherstinsky，2020）。
图2CNN模型主要架构
Fig.2Schematic representation of the main framework of the CNN model
图3RNN模型架构图
Fig.3Architecture of RNN model
图4LSTM模型架构图
Fig.4Architecture of LSTM model
Huang et al.（2019）对比了LSTM与线性回归模型（linear regression，LR）在ENSO预测中的表现，结果表明，当输入数据包含丰富的非线性信息时，LSTM的预测效果优于LR。Ibebuchi and Richman（2024）利用自编码器对热带太平洋的SST进行编码，识别出太平洋中ENSO预测的关键作用中心，并将其作为LSTM的输入来预测Niño3.4指数。试验结果表明，该模型在提前12 mon的预测中Corr高达0.94。
虽然LSTM通过提供多个控制门来获得长期记忆，但是却忽略了ENSO的空间相关性。为了缓解这一问题，Shi et al.（2015）提出了卷积长短期记忆网络（convolutional long short-term memory，ConvLSTM），通过在全连接LSTM的输入到状态和状态到状态的时空转换中加入卷积结构，使得模型能够同时处理数据的时间和空间特性。
He et al.（2019）开发了一种基于ConvLSTM的模型，通过预测整个热带太平洋地区的SST来预测ENSO。试验结果表明，该模型在4~12 mon的预测提前期内优于LSTM。
3.3 使用图神经网络预测ENSO
大多数模型能够很好地处理欧几里得数据，如文本、图像等。但是，现实世界存在着许多复杂的非欧几里得数据，这类数据难以用张量表示，为了把这类数据运用到神经网络中，图神经网络（graph neural network，GNN）应运而生。GNN利用节点的邻居来更新节点的状态，从而获得既包含邻居节点信息又考虑图拓扑结构特征的状态。基础GNN模型的表达式如式（1）和（2）所示。
H=F(H,X),
(1)
O=GH,XN。
(2)
其中:H表示节点的状态; X表示边的特征; XN表示所有节点的特征; F（）表示转换函数; G（）表示输出函数; O表示输出。
为了将ENSO先验知识纳入深度学习模型，Mu et al.（2021）根据ENSO关键机制的重要协同作用，选取了6个变量（SST，水平方向风，垂直方向风，雨，云，水蒸气）来构建一个基于图的多变量海气耦合器（air-sea coupler，ASC），强调了多个变量之间的能量交换。在此基础之上，利用ConvLSTM提取时空特征的能力，构建了ENSO-ASC模型。结果表明，该模型可以提供18~20 mon的可靠预测。为了探索全球SST之间的遥相关关系，Mu et al.（2022）构建了ENSO-GTC（global spatial-temporal teleconnection coupler）模型。在GTC中，太平洋、印度洋和大西洋被划分成若干个小区块，以这些小块之间存在的联系来构建动态图。其中，相邻关系是通过先验知识人为构建的，而非相邻关系是通过深度学习方法从这3个大洋的地球科学数据中学习得到的。在GTC的基础上，利用深度学习模型构建ENSO-GTC来模拟全球海温变化和ENSO事件。在预测时间为20 mon时，该模型对于Niño3.4指数预测的Corr高于0.6。
3.4 基于Transformer预测ENSO
Transformer模型的自注意力机制使其能够同时关注序列中的所有位置信息，有效地捕获ENSO现象的全局特征及其长期依赖性。这种机制的并行处理能力也显著提升了模型训练的效率。Transformer的结构如图5所示。
Ye et al.（2022）结合了CNN抓取潜在特征的能力和Transformer捕捉全局上下文的能力，设计了ENSOTR模型。结果表明，ENSOTR实现了对ENSO提前17 mon的有效预测。杜先君和李河（2023）设计了集成GCN-Transformer（GCNTR）模型，运用了Transformer对于全局特征聚焦的能力，以及GCN提取图数据的能力来实现ENSO的精确预测。结果表明，GCNTR实现了对ENSO提前20 mon的有效预测。Lü et al.（2024）提出了一种基于CNN和Transformer的深度学习模型——ResoNet，来充分捕捉局部SSTA以及跨大洋的远距离海盆间相互作用。该模型使用装袋算法来减少训练的不稳定性从而降低过拟合的风险。此外，根据积分梯度法，发现ResoNet对于Niño3.4指数的预测是基于多种合理的物理机制的，在一定程度上减少了对于深度学习方法的质疑。
图5Transformer结构图
Fig.5Structural overview of the Transformer model
Song et al.（2023）通过设计一种有效的注意力机制来模拟SST和海洋热含量的时空变化，并在位置嵌入中加入时间信息以考虑季节性因素，进而将其集成到特征学习过程中。在此基础之上，为了更好地进行长期预测，还提出了一种有效的循环预测策略，即利用之前的准确预测作为先验知识来提高长期预测的可靠性。试验结果表明，该模型可以提供长达18 mon的有效预测。
Zhou and Zhang（2023）设计了一种基于自注意力的神经网络模型（3D-Geoformer），用于预测三维海洋上层温度异常和风应力异常。试验表明，3D-Geoformer能够遵循Bjerknes反馈机理，在一定程度上揭示了上层海洋温度演化过程以及海-气耦合动力学。Mu et al.（2024）将ENSO预测物理过程引入深度学习模型，来增强模型的可解释性。此外，设计了一个时空特征提取器，来有效捕捉ENSO事件的时空依赖性。试验结果表明，该模型对Niño3.4指数的有效预测时间长达22 mon，准确再现了过去10年赤道太平洋SSTA的空间演变。利用注意力图全面分析了各种物理过程在ENSO事件的起始、发展和衰减阶段的不同主导作用。结果表明，该模型对于ENSO的预测与ENSO理论具有一致性。
图6比较了GCNTR、ENSOTR、CNN和Transformer在GODAS（1984—2017年）上对于Niño3.4指数预测的Corr。
图6部分具有代表性的ENSO预测方法的预测技巧比较
Fig.6Comparison of forecasting skill among representative ENSO prediction methods
3.5 其他深度学习方法
除了使用上述深度学习模型预测ENSO事件以外，还使用了贝叶斯神经网络（Bayesian neural network，BNN）以及一些组合方法等。
传统神经网络因参数固定且训练样本有限，极易产生过拟合现象。然而BNN因其权重参数的随机性以及仅对参数分布进行拟合，能够有效缓解这一问题（Zhou et al.，2023）。另外，BNN不仅可以提供预测结果，还能反映预测过程中的不确定性因素。Rasouli et al.（2012）比较了使用预测因子包括Niño3.4指数的BNN、支持向量回归、高斯过程和多元线性回归预报某地区的日流量的效果，发现BNN模型略优于其他模型。
Yan et al.（2020）提出了集合经验模态分解-时序卷积网络混合方法，将变化剧烈的Niño3.4指数和南方涛动指数（Southern Oscillation Index，SOI）分解为相对平缓的子分量，然后利用时序卷积网络模块对各子分量进行预报，并将预报结果合并得到最终的ENSO预测。结果表明，最差SOI预测结果与实际值的Corr为0.64。Zhou and Zhang（2022）将POP和CNN-LSTM结合，设计了POP-Net。试验表明，通过POP预处理可以增强与ENSO相关的信号，同时滤除无关噪声。
表2总结了ENSO预测方法的优缺点以及发展趋势。
表2ENSO预测方法的优缺点总结以及发展趋势
Table2Summary of the strengths, limitations, and future development trends of ENSO prediction methods
4 挑战与未来趋势
深度学习方法多种多样，且各具特点。虽然由于其卓越的性能，已在ENSO预测领域得到广泛应用，但是仍然存在一些问题有待进一步解决。
1）深度学习模型固有的黑箱性质往往导致ENSO预测模型缺乏物理可解释性，从而引发研究者对其有效性的质疑。为了克服这一挑战，研究人员已经开始探索将物理知识与深度学习模型相结合的方法。尽管这些工作已经取得了一定的进展，但对ENSO深度学习预测模型的可解释性研究仍然处于初级阶段，需要进一步探索。
2）深度学习模型的性能很大程度上依赖于训练数据的数量。由于ENSO观测数据时间跨度短且属于极端事件，导致可用的训练样本有限，影响深度学习方法的预测精度。虽然一些研究使用模拟数据进行训练，但模拟数据与实际观测之间存在显著差异。因此，需要探索如何合理利用多变量信息，充分挖掘变量间的关系来提升模型性能。
3）深度学习模型主要依赖于历史气候数据来发现和学习ENSO的规律性。然而，当前全球气候正处于快速变化之中，这种变化可能会改变ENSO的表现形式和发生频率，从而使得深度学习模型在预测未来ENSO事件时面临挑战。因此，研究人员应该探索如何将气候变化影响纳入模型中，以提高ENSO预测的可靠性和鲁棒性。
5 结论
ENSO主要发生在热带太平洋地区，影响着全球的气候、生态、农业等。根据近10年相关研究成果，介绍了ENSO的主要知识，并对基于深度学习方法的ENSO预测进行了分析和总结。具体来说，介绍了ENSO事件的分类以及用于ENSO预测的数据集，概述了ENSO预测传统方法，分析总结了各种深度学习方法在ENSO预测中的应用，主要包括卷积神经网络、循环神经网络、长短期记忆网络、卷积长短期记忆网络、图神经网络、注意力模型以及其他深度学习方法。现阶段，在使用深度学习方法分析预测ENSO方面已经取得了不错的进展，但预测的精度和时长仍有待提高。最后，从深度学习方法预测ENSO事件的现存挑战出发，对未来ENSO预测的发展趋势进行了展望。
图1ENSO分类示意（单位：℃；引自Zhang et al.（2019））:（a）东部型厄尔尼诺;（b）中部型厄尔尼诺;（c）混合型厄尔尼诺
Fig.1Schematic diagram of ENSO classification (units:℃；Zhang et al. (2019) ) : (a) EP El Niño; (b) CP El Niño; (c) MIX El Niño
图2CNN模型主要架构
Fig.2Schematic representation of the main framework of the CNN model
图3RNN模型架构图
Fig.3Architecture of RNN model
图4LSTM模型架构图
Fig.4Architecture of LSTM model
图5Transformer结构图
Fig.5Structural overview of the Transformer model
图6部分具有代表性的ENSO预测方法的预测技巧比较
Fig.6Comparison of forecasting skill among representative ENSO prediction methods
表1ENSO预测常用数据集介绍
Table1Description of commonly used datasets for ENSO predictions
表2ENSO预测方法的优缺点总结以及发展趋势
Table2Summary of the strengths, limitations, and future development trends of ENSO prediction methods
Biabanaki M, Eslamian S S, Koupai J A, et al., 2014. A principal components/singular spectrum analysis approach to ENSO and PDO influences on rainfall in western Iran[J]. Hydrol Res, 45(2): 250-262. DOI: 10. 2166/nh. 2013. 166.
Capotondi A, Wittenberg A T, Newman M, et al., 2015. Understanding ENSO diversity[J]. Bull Amer Meteor Soc, 96(6): 921-938. DOI: 10. 1175/bams-d-13-00117. 1.
杜先君, 李河, 2023. 基于集成GCN-Transformer网络的ENSO预测模型[J]. 海洋学报, 45(12): 156-165. Du X J, Li H, 2023. ENSO prediction model based on integrated GCN-Transformer network[J]. Haiyang Xuebao, 45(12): 156-165. DOI: 10. 12284/hyxb2023155. (in Chinese).
Fekadu K, 2015. Ethiopian seasonal rainfall variability and prediction using canonical correlation analysis (CCA)[J]. Earth Sci, 4(3): 112. DOI: 10. 11648/j. earth. 20150403. 14.
Ham Y G, Kim J H, Luo J J, 2019. Deep learning for multi-year ENSO forecasts[J]. Nature, 573(7775): 568-572. DOI: 10. 1038/s41586-019-1559-7.
Ham Y G, Kim J H, Kim E S, et al., 2021. Unified deep learning model for El Niño/Southern Oscillation forecasts by incorporating seasonality in climate data[J]. Sci Bull, 66(13): 1358-1366. DOI: 10. 1016/j. scib. 2021. 03. 009.
He D D, Lin P F, Liu H L, et al., 2019. DLENSO: a deep learning ENSO forecasting model[C]//PRICAI 2019: Trends in Artificial Intelligence, 2019. Cham: Springer International Publishing: 12-23. DOI: 10. 1007/978-3-030-29911-8_2.
Huang A, Vega-Westhoff B, Sriver R L, 2019. Analyzing El Niño-Southern Oscillation predictability using long-short-term-memory models[J]. Earth Space Sci, 6(2): 212-221. DOI: 10. 1029/2018EA000423.
Ibebuchi C C, Richman M B, 2024. Deep learning with autoencoders and LSTM for ENSO forecasting[J]. Climate Dyn, 62(6): 5683-5697. DOI: 10. 1007/s00382-024-07180-8.
Johnson S J, Stockdale T N, Ferranti L, et al., 2019. SEAS5: the new ECMWF seasonal forecast system[J]. Geosci Model Dev, 12(3): 1087-1117. DOI: 10. 5194/gmd-12-1087-2019.
Lü P M, Tang T, Ling F H, et al., 2024. ResoNet: robust and explainable ENSO forecasts with hybrid convolution and transformer networks[J]. Adv Atmos Sci, 41(7): 1289-1298. DOI: 10. 1007/s00376-024-3316-6.
Mu B, Qin B, Yuan S J, 2021. ENSO-ASC 1. 0. 0: ENSO deep learning forecast model with a multivariate air-sea coupler[J]. Geosci Model Dev, 14(11): 6977-6999. DOI: 10. 5194/gmd-14-6977-2021.
Mu B, Qin B, Yuan S J, 2022. ENSO-GTC: ENSO deep learning forecast model with a global spatial-temporal teleconnection coupler[J]. J Adv Model Earth Syst, 14(12): e2022MS003132. DOI: 10. 1029/2022MS003132.
Mu B, Cui Y H, Yuan S J, et al., 2024. Incorporating heat budget dynamics in a Transformer-based deep learning model for skillful ENSO prediction[J]. npj Clim Atmos Sci, 7: 208. DOI: 10. 1038/s41612-024-00741-y.
Rasouli K, Hsieh W W, Cannon A J, 2012. Daily streamflow forecasting by machine learning methods with weather and climate inputs[J]. J Hydrol, 414: 284-293. DOI: 10. 1016/j. jhydrol. 2011. 10. 039.
任宏利, 刘芊仪, 刘明竑, 等. 2024. 基于时空综合分型的El Niño事件对中国东部降水的影响差异[J]. 大气科学学报, 47(4): 521-532. Ren H L, Liu Q Y, Liu M H, et al., 2024. Different impacts of two types of El Niño events on precipitation in eastern China based on spatiotemporal diversity[J]. Trans Atmos Sci, 47: 521-532. DOI: 10. 13878/j. cnki. dqkxxb. 20240319001. (in Chinese).
Saha S, Nadiga S, Thiaw C, et al., 2006. The NCEP climate forecast system[J]. J Climate, 19(15): 3483-3517. DOI: 10. 1175/jcli3812. 1.
Saha S, Moorthi S, Wu X R, et al., 2014. The NCEP climate forecast system version 2[J]. J Climate, 27(6): 2185-2208. DOI: 10. 1175/jcli-d-12-00823. 1.
Sherstinsky A, 2020. Fundamentals of recurrent neural network (RNN) and long short-term memory (LSTM) network[J]. Phys D Nonlinear Phenom, 404: 132306. DOI: 10. 1016/j. physd. 2019. 132306.
Shi X J, Chen Z R, Wang H, et al., 2015. Convolutional LSTM network: a machine learningapproach for precipitation nowcasting[C]//Advances in Neural Information ProcessingSystems. Montreal, Canada.
Song D, Su X Q, Li W H, et al., 2023. Spatial-temporal transformer network for multi-year ENSO prediction[J]. Front Mar Sci, 10: 1143499. DOI: 10. 3389/fmars. 2023. 1143499. 宋振亚, 刘卫国, 刘鑫, 等, 2019. 海量数据驱动下的高分辨率海洋数值模式发展与展望[J]. 海洋科学进展, 37(2): 161-170.
Song Z Y, Liu W G, Liu X, et al., 2019. Research progress and perspective of the key technologies for ocean numerical model driven by the mass data[J]. Adv Mar Sci, 37(2): 161-170. DOI: 10. 3969/j. issn. 1671-6647. 2019. 02. 001. (in Chinese).
万云霞, 晏红明, 金燕, 等, 2023. 两次不同ENSO背景下云南冬季极端冷事件的成因分析[J]. 大气科学学报, 46(4): 575-586. Wan Y X, Yan H M, Jin Y, et al., 2023. Causes of two extremely cold events in Yunnan during different ENSO events[J]. Trans Atmos Sci, 46(4): 575-586. DOI: 10. 13878/j. cnki. dqkxxb. 20220614001. (in Chinese).
Wang G G, Cheng H L, Zhang Y M, et al., 2023. ENSO analysis and prediction using deep learning: a review[J]. Neurocomputing, 520: 216-229. DOI: 10. 1016/j. neucom. 2022. 11. 078.
王会军, 戴永久, 杨崧, 等, 2024. 气候系统预测: 基础创新和集成应用[J]. 大气科学学报, 47(2): 161-172. Wang H J, Dai Y J, Yang S, et al., 2024. Climate system prediction: fundamental innovations and integrated applications[J]. Trans Atmos Sci, 47(2): 161-172. DOI: 10. 13878/j. cnki. dqkxxb. 20240303007. (in Chinese).
Yan J N, Mu L, Wang L Z, et al., 2020. Temporal convolutional networks for the advance prediction of ENSO[J]. Sci Rep, 10(1): 8055. DOI: 10. 1038/s41598-020-65070-5.
杨淑贤, 零丰华, 应武杉, 等, 2022. 人工智能技术气候预测应用简介[J]. 大气科学学报, 45(5): 641-659. Yang S X, Ling F H, Ying W S, et al., 2022. A brief overview of the application of artificial intelligence to climate prediction[J]. Trans Atmos Sci, 45(5): 641-659. DOI: 10. 13878/j. cnki. dqkxxb. 20210623003. (in Chinese).
杨绚, 代刊, 朱跃建, 2022. 深度学习技术在智能网格天气预报中的应用进展与挑战[J]. 气象学报, 80(5): 649-667. Yang X, Dai K, Zhu Y J, 2022. Progress and challenges of deep learning techniques in intelligent grid weather forecasting[J]. Acta Meteor Sinica, 80(5): 649-667. DOI: 10. 11676/qxxb2022. 051. (in Chinese).
Ye M, Nie J, Liu A N, et al., 2021. Multi-year ENSO forecasts using parallel convolutional neural networks with heterogeneous architecture[J]. Front Mar Sci, 8: 717184. DOI: 10. 3389/fmars. 2021. 717184.
Ye F, Hu J, Huang T Q, et al., 2022. Transformer for EI Niño-Southern Oscillation prediction[J]. IEEE Geosci Remote Sens Lett, 19: 1003305. DOI: 10. 1109/LGRS. 2021. 3100485.
Zhang Z Y, Ren B H, Zheng J Q, 2019. A unified complex index to characterize two types of ENSO simultaneously[J]. Sci Rep, 9(1): 8373. DOI: 10. 1038/s41598-019-44617-1.
Zhou B Y, Li Y P, Ding Y K, et al., 2023. An input-output-based Bayesian neural network method for analyzing carbon reduction potential: a case study of Guangdong Province[J]. J Clean Prod, 389: 135986. DOI: 10. 1016/j. jclepro. 2023. 135986.
Zhou L, Zhang R H, 2022. A hybrid neural network model for ENSO prediction in combination with principal oscillation pattern analyses[J]. Adv Atmos Sci, 39(6): 889-902. DOI: 10. 1007/s00376-021-1368-4.
Zhou L, Zhang R H, 2023. A self-attention-based neural network for three-dimensional multivariate modeling and its skillful ENSO predictions[J]. Sci Adv, 9(10): eadf2827. DOI: 10. 1126/sciadv. adf2827.

地址：江苏南京宁六路219号南京信息工程大学    邮编：210044

联系电话：025-58731158    E-mail：xbbjb@nuist.edu.cn    

大气科学学报 ® 2026 版权所有  技术支持：北京勤云科技发展有限公司