UniCM：面向全球氣候模態耦合動力學學習的統一預測框架

作者 | 論文團隊

編輯丨ScienceAI

長期以來，人工智能在氣候預測中的應用主要聚焦于特定氣候模態（Climate Mode）的獨立建模，例如 ENSO（El Ni?o–Southern Oscillation）預測、IOD（Indian Ocean Dipole）預測等。然而真實氣候系統本質上是一個高度耦合的復雜動力系統，不同海盆、不同氣候模態之間存在廣泛的遙相關（Teleconnection）與跨尺度相互作用。

近日，清華大學聯合北京師范大學、德國波茨坦氣候影響研究所等單位在《Nature Machine Intelligence》發表題為《Learning the coupled dynamics of global climate modes》的研究工作，提出統一氣候模態預測框架 UniCM（Unified Climate Modes Forecasting Framework），實現了全球主要氣候模態的聯合預測，并將 ENSO 有效預測時長擴展至 19 個月。本文從技術視角對該工作進行解讀。

論文地址：https://www.nature.com/articles/s42256-026-01245-5

01 為什么現有 AI 氣候預測框架存在局限？

當前主流 AI 氣候預測模型大多遵循：單一氣候模態 + 單任務預測，研究目標通常聚焦于：ENSO、IOD、Atlantic Ni?o、PDO 等。雖然取得了顯著進展，但這些方法隱含一個重要假設：不同氣候模態之間可以被近似獨立處理。然而從氣候動力學角度看，這一假設并不成立。論文指出，全球氣候模態實際上構成一個相互耦合的網絡系統。例如：ENSO 影響印度洋海溫異常、印度洋偶極子反饋西太平洋環流和北太平洋經向模態影響 ENSO 發展。

這些跨海盆相互作用共同塑造全球氣候變率。因此問題轉化為：是否能夠構建一個統一模型，同時學習多個氣候模態之間的耦合動力學？

UniCM 正是在這一背景下提出。

02 UniCM 總體框架：從「局部場」到「氣候模態」

論文最核心的創新在于提出雙分支耦合架構（Dual-Branch Coupled Architecture）。整個模型由兩個 Transformer 分支組成：

Branch 1：Globalformer

負責處理全球海氣場信息。輸入包括：SST（Sea Surface Temperature）SSH（Sea Surface Height）Zonal WindMeridional Wind 等全球網格化變量。該模塊關注：Climate State Evolution 即全球連續物理場的時空演化。其作用類似于視覺 Transformer 中的全局編碼器。

Branch 2：Modeformer

負責處理氣候模態指數序列。包括：ENSO、IOD、TNA、NPMM、SPMM、IOB、SIOD七種典型氣候模態。該模塊關注：Climate Mode Dynamics 即氣候模態之間的耦合關系演化。相比 GlobalformerModeformer 實際上是在學習：f (M_1,M_2,...,M_n) 對應的模態動力學空間。

03 核心創新：Coupling-aware Learning

傳統多任務學習通常采用：Shared Backbone.、Independent Head 結構。但 UniCM 并未停留在參數共享層面。作者提出：Coupling-aware Learning Mechanism 即耦合感知學習機制。

其核心思想是：全球海氣場演化與氣候模態演化同步建模。形式上可以理解為：P (X_t,M_t) 而非：P (X_t) 或 P (M_t) 其中：X 表示全球物理場；M 表示氣候模態狀態因此模型學習目標從單變量預測升級為聯合動力學建模。這也是 UniCM 能夠捕捉跨海盆遙相關的重要原因。

04 為什么能夠突破 ENSO 預測瓶頸？

論文最引人關注的結果是：ENSO 有效預測提前量達到 19 個月。相比傳統統計模型和多數深度學習模型均有明顯提升。這一結果的重要意義在于：突破 Spring Predictability Barrier。ENSO 預測領域存在著名難題：Spring Predictability Barrier（SPB）。即每年春季前后：海氣耦合信號減弱和預測誤差快速放大導致長期預測性能顯著下降。

論文實驗表明：UniCM 在跨越春季窗口后仍保持穩定預測能力。作者認為原因在于：模型不僅利用 ENSO 局地信息，還利用其他氣候模態提供的遠程約束信息。這相當于增加了額外的動力學觀測維度。

05 從預測走向科學發現

相比預測精度提升，本文另一個值得關注的貢獻是可解釋性分析。作者利用 Attention 可視化研究模型關注區域。結果發現：在強 ENSO 事件形成前，模型自動關注：北太平洋海溫異常區、熱帶大西洋關鍵區域、赤道太平洋耦合帶這些區域與已有氣候理論中的前兆區域高度一致。

這說明：UniCM 學習到的并非純統計相關性，而是具有一定物理意義的動力學結構。對于 AI for Science 而言，這具有重要意義：AI 不再只是預測工具，而可能成為新的科學發現工具。

06 Teleconnection 重建能力分析

論文進一步分析了模型對遙相關結構的重建能力。結果表明：UniCM 能夠較好恢復：ENSO–IOD 聯系；ENSO–TNA 聯系；ENSO–NPMM 聯系等跨海盆遙相關模式。從科學角度看，這意味著模型內部表征已經部分逼近真實氣候系統的耦合結構。這一點是傳統黑箱預測模型難以達到的。

07 對 AI for Science 的啟示

從更廣泛視角看，UniCM 的貢獻并不僅限于氣候預測。其核心思想可以概括為：Learning Dynamics through Coupled Representations 即通過耦合表征學習復雜系統動力學。這一范式有望遷移至：Earth System Modeling；Weather–Climate Coupling；Ecological Network；Biological Systems；Brain Dynamics 等復雜系統研究領域。作者在論文中指出，該框架不僅能夠提升預測能力，還能夠幫助揭示復雜系統內部潛在規律。

總結

UniCM 的價值并不僅在于將 ENSO 預測提前至 19 個月。更重要的是，它嘗試回答了一個長期存在的問題：當多個氣候模態共同作用時，AI 是否能夠學習其聯合動力學規律？

通過 Globalformer、Modeformer 以及 Coupling-aware Learning 機制，UniCM 首次實現全球主要氣候模態的統一建模與聯合預測。對于氣候科學而言，這代表著從「單模態預測」向「系統級氣候智能」邁出的重要一步；對于 AI for Science 而言，則展示了利用深度學習發現復雜系統規律的新可能。