近日，中国科学院海洋研究所李晓峰研究团队与美国哥伦比亚大学研究团队合作，在ENSO对南极海冰可预测性影响研究方面取得重要进展。利用海洋所研究团队开发的深度学习模型SIPNet，量化了ENSO不同位相对南极海冰线性和非线性可预测性的跨时间尺度影响，并揭示了其物理机制。这一研究成果发表在《npj Climate and Atmospheric Science》。
南极海冰范围在2014年达到记录最高值19.76万平方公里后，2015/2016年急剧下降，并在2023年夏季月均海冰范围降至1.91万平方公里的记录最低点。这一剧烈变化反映了南极海-冰-气系统内部变率的增强和不稳定性的增加，使得准确预测海冰变得更加重要和紧迫。然而，尽管ENSO作为气候系统中最显著的年际变率信号，其对南极海冰变化的遥相关已被广泛研究，但对海冰可预测性的影响仍少有涉及，在一定程度上限制了南极海冰预测模型的发展。
针对该问题，研究团队利用深度学习模型SIPNet及其线性版本，分析了El Ni?o和La Ni?a事件在不同超前时间对南极各海域海冰线性及非线性可预测性的影响。研究发现，ENSO对南极海冰次季节可预测性具有跨时间尺度的影响。在超前3周内，海冰的可预测性主要由海冰异常本身的持续性决定，ENSO影响不显著。随着超前时间的增加，海冰持续性的贡献迅速减弱，而ENSO的影响逐渐增强，并在超前4周后占据主导地位，且El Ni?o事件对海冰可预测性的总体影响大于La Ni?a事件。El Ni?o事件主要增强海冰线性可预测性，在超前8周时，使阿蒙森-别林斯高晋海、罗斯海和印度洋扇区的海冰可预测性分别提高了25.6%、19.6%和30.4%；La Ni?a事件则主要增强非线性可预测性，提高了罗斯海的整体海冰可预测性。然而，两类事件均显著降低了西太平洋扇区的海冰可预测性。ENSO通过遥相关作用对南极气候产生影响，生成更大且持续性更强的海冰异常，为可预测性提供额外信息，而SIPNet能够有效捕捉并表达这些可预测信号。本研究加深了对南极海冰可预测性的理解，并为海冰预测模型的改进提供了科学依据，对提升极地气候预测能力具有较好的参考价值。
论文第一作者为中国科学院海洋研究所王云鹤副研究员，通讯作者为李晓峰研究员和美国哥伦比亚大学Xiaojun Yuan教授，合作作者包括任沂斌副研究员和美国哥伦比亚大学Arnold L. Gordon教授。研究得到了国家自然科学基金青年项目的资助。
论文信息：
Yunhe Wang,?Xiaojun Yuan*,?Yibin Ren,?Xiaofeng Li*,?and Arnold L. Gordon. ENSO's Impact on Linear and Nonlinear Predictability of Antarctic Sea Ice. npj Climate and Atmospheric Science,?2025,?8(1):?77. https://doi.org/10.1038/s41612-025-00962-9
