厄尔尼诺–南方涛动（ENSO）是地球气候系统中年际变率最强的短期气候现象，它的发生严重影响我国乃至全球众多国家和地区的天气气候异常，造成巨大灾害。因此，准确预报ENSO一直是气候预测的核心使命。然而，海气耦合系统的非线性复杂性始终制约着ENSO预测水平的提高，特别是“春季可预报性障碍”的影响更是成为长期以来难以逾越的壁垒，导致传统数值模式的预报能力陷入瓶颈，难以满足日益增长的防灾减灾需求。

图1 论文信息

针对这一预报瓶颈，中国科学院大气物理研究所地球系统数值模拟与应用全国重点实验室孟君副研究员和段晚锁研究员，联合北京邮电大学、北京师范大学、中国海洋大学、德国波茨坦气候影响研究所、以及以色列巴伊兰大学的有关学者，创新性地提出了一种基于物理引导的深度回声状态网络ENSO预测模型（DESN），该模型将机器学习算法与关键气候物理机制深度融合，显著延长了ENSO的预报时效，为突破ENSO预测时效的理论上限提供了新的技术范式。

新模型的核心突破在于其“物理引导”特性。研究团队在构建深度递归神经网络时，跳出传统纯数据驱动模型的局限，主动引入气候系统的核心物理约束，将热带太平洋暖水体积（Warm Water Volume, WWV）等关键海气耦合指标作为物理先验信息注入模型，使得模型不只是对历史数据的简单拟合，而是能够准确捕捉太平洋、印度洋和大西洋等洋盆间的相互作用链条，从而从根本上提升了模型对ENSO演变的表征能力，使其突破了传统模式的时效瓶颈，具备了长时效准确预测ENSO事件的能力，为气候预测领域的发展开辟了新路径。

大量预测试验表明，该模型大大减弱了春季预报障碍的影响，将ENSO的有效预报时效延长至16–20个月，大大提高了ENSO的长时效预报性能。利用该模型，通过非线性误差分析，该研究还科学估算出ENSO系统的可预测上限可达30个月左右，而三大洋气候模态的相互作用在维持系统记忆及稳定预测轨迹方面起到了关键作用。这一成果不仅展示了复杂系统科学与人工智能融合在地球系统预测中的巨大潜力，也为构建下一代AI驱动的气候预测系统及提升极端气候事件的预警能力提供了科学基础。

该研究结果以“Enhancing the predictability limits of ENSO with physics-guided Deep Echo State Networks”为题发表在《npj Climate and Atmospheric Science》上，论文第一作者为北京邮电大学硕士研究生张泽泾，樊京芳教授与中科院大气物理研究所孟君副研究员、北京邮电大学肖井华教授为共同通讯作者。本研究得到国家自然科学基金（42575057, T2525011, 42450183, 12275020, 12135003, 12205025, 42461144209, 62333002），国家重点研发计划（2025YFF0517304、2025YFF0517203）以及中央高校基本科研业务费的资助。

图2 物理引导的深度回声状态网络模型结构

【论文信息】

Zejing Zhang, Jun Meng, Zhongpu Qiu, Wansuo Duan, Jian Gao, Zixiang Yan, Jinghua Xiao, Xiaosong Chen, Wenju Cai, Jürgen Kurths, Shlomo Havlin & Jingfang Fan. Enhancing the predictability limits of ENSO with physics-guided deep echo state networks. npj Climate and Atmospheric Science (2026). https://doi.org/10.1038/s41612-026-01360-5