近日，中国科学院海洋研究所李晓峰研究团队研究开发了一种深度学习模型-时空金字塔网络（STPNet），并探讨了海表盐度（SSS）在提高厄尔尼诺-南方涛动（ENSO）预测中的作用。该模型成功将ENSO的预测提前到24个月，并在解决春季可预测性障碍（SPB）问题上取得了显著进展。成果近日发表于国际学术期刊npj Climate and Atmospheric Science （IF 8.5）。
传统的ENSO预测大多依赖海表温度（SST）数据。然而，随着近年来卫星观测技术的发展，海表盐度数据的可获得性逐渐增加。研究表明，SSS通过影响海洋层化结构和热量再分配，对ENSO的发展和强度有着重要影响。具体而言，该研究揭示了SST对于短期预测（小于一年）的关键作用，而SSS则在中长期预测（超过6个月）中占据重要地位。
研究团队应用深度学习技术，结合多尺度金字塔结构和时空特征提取模块，开发了STPNet模型。STPNet模型在2000年至2021年期间，成功延长了ENSO的有效预测时长，并显著降低了春季可预测性障碍的影响。
该研究的另一大亮点是其算法的可解释性。通过基于梯度反向传播的显著性图方法，研究人员能够评估SST和SSS在ENSO预测中的相对重要性。这一方法不仅有助于揭示深度学习模型的内部机制，也为理解ENSO的发展过程提供了全新的视角。研究结果表明，在中长期预测中，SSS的贡献显著增强，特别是在中央太平洋区域，SSS的变化是预测未来ENSO事件的关键。并揭示了ENSO事件的全球时空变化特征，强调了不同海盆之间、热带与非热带区域之间的相互作用对ENSO预测的重要性。
该项研究为未来ENSO预测模型的发展提供了新的方向。随着更多卫星SSS数据的获取，以及对SSS与ENSO关系的进一步探索，预计该模型将在实际操作中展示出更强的应用潜力。研究团队还计划在未来的工作中加入海洋次表层温度和盐度数据，以进一步提升ENSO预测的准确性。
本文第一作者是中国科学院海洋研究所博士研究生王浩宇，通讯作者为李晓峰研究员，其他合作者包括Duke大学胡世能助理教授和海洋所官聪副研究员。由中国科学院战略性先导科技专项等多项基金资助，相关成果下载网页：
Wang, H., Hu, S., Guan, C. Li, X., The role of sea surface salinity in ENSO forecasting in the 21st century. npj Clim Atmos Sci 7, 206 (2024). https://doi.org/10.1038/s41612-024-00763-6
