地球的气候之间相互影响。太平洋海水温度异常，会通过大气环流、洋流等方式影响印度洋、大西洋的气候状态；而印度洋、大西洋的微小波动，也会反向扰动太平洋，这种跨大洋的远程联动现象被气象学界称为“遥相关”。

1997-1998 年超强厄尔尼诺席卷全球，造成多国暴雨洪灾与持续性干旱；2020-2023 年罕见的“三重拉尼娜”持续了三年之久，打乱了全球降水与气温格局，这两起典型极端事件，都是多气候模态协同作用的结果。

那能不能更早、更准确地预测气候发生？以及同时理解多个气候模式之间的相互影响？

近日，清华大学电子工程系李勇团队联合北京师范大学系统科学学院樊京芳团队、德国波茨坦气候影响研究所等机构，在 Nature Machine Intelligence 发表成果，他们提出了一个名为 UniCM 的 AI 气候预测模型。

论文显示，UniCM 将 ENSO，也就是厄尔尼诺-南方涛动的有效预测时效延长至 19 个月。ENSO 是赤道中东太平洋海温与大气联动的周期性波动，暖海温阶段为厄尔尼诺、冷海温阶段为拉尼娜，会显著影响全球天气与气候。

更重要的是，它并不只是预测厄尔尼诺，而是尝试同时理解太平洋、印度洋和大西洋中多个关键气候模式之间的相互影响。

UniCM 是一款基于 Transformer 改造的统一预测模型，包含 Globalformer 和 Modeformer 两个分支。

图 | UniCM （来源：上述论文）

Globalformer 负责全球海洋和大气的基础物理数据。比如海表温度、海面风应力、温跃层深度，以及上层 300 米海温等；Modeformer 分支负责气候模式本身。比如 ENSO 指数、印度洋偶极子指数等。帮助人们判断某一类气候现象处在什么状态。

在数据训练层面，UniCM 依托全球多套权威气候数据集开展训练与验证，包括 CMIP6 气候模式模拟数据、GODAS、ERA5、ORAS5、SODA 等主流海洋再分析数据。研究团队使用长达 165 年的历史气候数据构建训练集，让模型充分学习不同常态、极端气候场景下的模态联动规律。模型的输入为过去 12 个月的气候数据，输出则是未来连续 24 个月的预测结果，从数据底层保障了中长期气候预测的可靠性。

研究团队将 UniCM 与当前国际主流的 XRO、DESN、CNN、ResoNet 等气候预测模型开展多轮对比测试，覆盖短期、中长期预测，常态气候、极端气候等多种场景。

结果显示，UniCM 将厄尔尼诺的有效预测时间延长到了 19 个月，比前期最强的物理-深度学习混合模型 DESN（16个月）又向前推进了 3 个月。

图 | UniCM 对ENSO 的预测（来源：上述论文）

该模型还成功重现了历史上多种复杂的极端气候，从 1997-1998 年的极端厄尔尼诺，到近代极具挑战性的 2020-2023 年“三重拉尼娜”现象，它都能准确预测其发生、强度和衰退。

其次，“春季障碍”（Spring Predictability Barrier, SPB）是全球气候预测的一大难题。它指气候模式在预测厄尔尼诺/拉尼娜事件时，其技巧和准确率在每年 3 月至 5 月间急剧下降的现象。此阶段海洋与大气耦合最不稳定，导致未来气候趋势预测产生极大的不确定性。但 UniCM 成功克服了这一障碍，在针对春季目标的预测中，提前 14 个月依然保持了高准确率。

对于太平洋经向模态、南印度洋偶极子等研究较少的次要模态，UniCM 也实现了超强的泛化预测能力，平均性能提升超 22%。例如，模型成功将印度洋偶极子（IOD）的有效预测期延长至 7 个月，这为防灾减灾、全球农业多月度前置规划提供了窗口期。

除了预测效果，论文还强调了 UniCM 的可解释性。

很多人对 AI 气候模型有一个担心：它也许预测得准，但我们不知道它为什么准。如果模型只是一个黑箱，那么它对科学发现的帮助就会受到限制。

为此，研究团队分析了 UniCM 内部的注意力机制，试图看看模型在预测时关注了哪些区域，以及哪些气候模式之间的关系。

例如，在没有任何人类预先设定的物理知识的前提下，模型自己发现了“北太平洋经向模式（NPMM）”是引发 1997 年极端厄尔尼诺现象的关键前兆；在预测 1995 年的拉尼娜现象时，模型自动把关注点转移到了热带大西洋盆地，这与已知的科学文献完全吻合。

此外，UniCM 还精准还原了各大洋气候现象先后影响、强弱关联的真实规律，而传统模型不仅夸大了彼此影响的力度，还抓不住这种复杂的联动特点。

论文中也提到了一些局限性，一是像印度洋偶极子这类变化快、受季节影响极大的气候现象，受自然规律制约，很难再大幅延长预测时间；二是该模型现在只擅长预测几个月到两年的气候，还没兼顾几十天的短期波动和十几年的长期气候演变。

接下来研究团队打算继续升级：融合不同时间尺度的气候规律，分析全球变暖会如何改变各大气候现象的相互影响，让 AI 的研究成果能更好助力气候理论探索。

参考链接：

1.https://www.nature.com/articles/d41586-026-01538-0

2.Yuan, Y., Ding, J., Qiu, Z. et al. Learning the coupled dynamics of global climate modes. Nat Mach Intell (2026). https://doi.org/10.1038/s42256-026-01245-5

排版：胡莉花

注：封面/首图由 AI 辅助生成