地球的表象之间互相影响。太平洋海水温度极端，和会过大气环流、洋流等样式影响印度洋、大欧好意思的表象现象；而印度洋、大欧好意思的细小波动，也会反向扰动太平洋，这种跨大洋的费力联动场面被景观学界称为“遥关联”。
1997-1998 年超强厄尔尼诺席卷各人，酿成多国暴雨洪灾与不息性干旱；2020-2023 年荒废的“三重拉尼娜”不息了三年之久，打乱了各人降水与气温形状，这两起典型顶点事件，齐是多表象模态协同作用的收尾。
那能弗成更早、更准确地瞻望表象发生？以及同期意会多个表象模式之间的互相影响？
近日，清华大学电子工程系李勇团队纠合北京师范大学系统科学学院樊京芳团队、德国波茨坦表象影响征询所等机构，在 Nature Machine Intelligence 发表效果，他们冷漠了一个名为 UniCM 的 AI 表象瞻望模子。
论文明白，UniCM 将 ENSO，也即是厄尔尼诺-南边涛动的有用瞻望时效蔓延至 19 个月。ENSO 是赤说念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，会权贵影响各人天气与表象。
江南体育(JNsports)官网app下载更进击的是，它并不仅仅瞻望厄尔尼诺，而是尝试同期意会太平洋、印度洋和大欧好意思中多个关节表象模式之间的互相影响。
UniCM 是一款基于 Transformer 翻新的妥洽瞻望模子，包含 Globalformer 和 Modeformer 两个分支。
图 | UniCM （开头：上述论文）
Globalformer 厚爱各人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，以及表层 300 米海温等；Modeformer 分支厚爱表象模式自己。比如 ENSO 指数、印度洋偶极子指数等。匡助东说念主们判断某一类表象场面处在什么现象。
在数据查验层面，UniCM 依托大稠密套泰斗表象数据集开展查验与考证，包括 CMIP6 表象模式模拟数据、GODAS、ERA5、ORAS5、SODA 等主流海洋再分析数据。征询团队使用长达 165 年的历史表象数据构建查验集，让模子充分学习不同常态、顶点表象场景下的模态联动限定。模子的输入为昔时 12 个月的表象数据，2026世界杯比赛买输赢中国官网输出则是畴昔连气儿 24 个月的瞻望收尾，从数据底层保险了中恒久表象瞻望的可靠性。
征询团队将 UniCM 与面前外洋主流的 XRO、DESN、CNN、ResoNet 等表象瞻望模子开展多轮对比测试，遮盖短期、中恒久瞻望，常态表象、顶点表象等多种场景。
收尾明白，UniCM 将厄尔尼诺的有用瞻望时候蔓延到了 19 个月，比前期最强的物理-深度学习羼杂模子 DESN（16个月）又上前鼓励了 3 个月。
图 | UniCM 对ENSO 的瞻望（开头：上述论文）
该模子还到手重现了历史上多种复杂的顶点表象，从 1997-1998 年的顶点厄尔尼诺，到近代极具挑战性的 2020-2023 年“三重拉尼娜”场面，2026世界杯实时比分它齐能准确瞻望其发生、强度和零落。
其次，“春季回绝”（Spring Predictability Barrier， SPB）是各人表象瞻望的一浩劫题。它指表象模式在瞻望厄尔尼诺/拉尼娜事件时，其本领和准确率在每年 3 月至 5 月间急剧下落的场面。此阶段海洋与大气耦合最不沉着，导致畴昔表象趋势瞻望产生极大的不笃定性。但 UniCM 到手克服了这一回绝，在针对春季野心的瞻望中，提前 14 个月还是保持了高准确率。
关于太平洋经向模态、南印度洋偶极子等征询较少的次要模态，UniCM 也罢了了超强的泛化瞻望才智，平均性能擢升超 22%。举例，模子到手将印度洋偶极子（IOD）的有用瞻望期蔓延至 7 个月，这为防灾减灾、各人农业多月度前置讨论提供了窗口期。
除了瞻望效果，论文还强调了 UniCM 的可解说性。
许多东说念主对 AI 表象模子有一个缅念念：它也许瞻望得准，但咱们不知说念它为什么准。淌若模子仅仅一个黑箱，那么它对科学发现的匡助就会受到边界。
为此，征询团队分析了 UniCM 里面的堤防力机制，试图望望模子在瞻望时关怀了哪些区域，以及哪些表象模式之间的关联。
举例，在莫得任何东说念主类事先设定的物理学问的前提下，模子我方发现了“北太平洋经向模式（NPMM）”是激勉 1997 年顶点厄尔尼诺场面的关节前兆；在瞻望 1995 年的拉尼娜场面时，模子自动把关怀点升沉到了热带大欧好意思盆地，这与已知的科学文件满盈吻合。
此外，UniCM 还精确规复了各大洋表象场面先后影响、强弱关联的确凿限定，而传统模子不仅夸大了相互影响的力度，还持不住这种复杂的联动特色。
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、受季节影响极大的表象场面，受当然限定制约，很难再大幅蔓延瞻望时候；二是该模子当今只擅长瞻望几个月到两年的表象，还没兼顾几十天的短期波动和十几年的恒久表象演变。
接下来征询团队缱绻不绝升级：交融不同时间圭表的表象限定，分析各人变暖会怎样更正各大表象场面的互相影响，让 AI 的征询效果能更好助力表象表面探索。
参考领悟：
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 扶植生成2026世界杯欧赔