Nature Machine Intelligence｜UniCM：面向全球气候模态耦合动力学学习的统一预测框架

长期以来，人工智能在气候预测中的应用主要聚焦于特定气候模态（Climate Mode）的独立建模，例如 ENSO（El Niño–Southern Oscillation）预测、IOD（Indian Ocean Dipole）预测等。然而真实气候系统本质上是一个高度耦合的复杂动力系统，不同海盆、不同气候模态之间存在广泛的遥相关（Teleconnection）与跨尺度相互作用。

近日，清华大学联合北京师范大学、德国波茨坦气候影响研究所等单位在《Nature Machine Intelligence》发表题为《Learning the coupled dynamics of global climate modes》的研究工作，提出统一气候模态预测框架 UniCM（Unified Climate Modes Forecasting Framework），实现了全球主要气候模态的联合预测，并将 ENSO 有效预测时长扩展至 19 个月。本文从技术视角对该工作进行解读。

01 为什么现有 AI 气候预测框架存在局限？

当前主流 AI 气候预测模型大多遵循：单一气候模态 + 单任务预测，研究目标通常聚焦于：ENSO、IOD、Atlantic Niño、PDO 等。虽然取得了显著进展，但这些方法隐含一个重要假设：不同气候模态之间可以被近似独立处理。然而从气候动力学角度看，这一假设并不成立。论文指出，全球气候模态实际上构成一个相互耦合的网络系统。例如：ENSO 影响印度洋海温异常、印度洋偶极子反馈西太平洋环流和北太平洋经向模态影响 ENSO 发展。

这些跨海盆相互作用共同塑造全球气候变率。因此问题转化为：是否能够构建一个统一模型，同时学习多个气候模态之间的耦合动力学？

UniCM 正是在这一背景下提出。

02 UniCM 总体框架：从「局部场」到「气候模态」

论文最核心的创新在于提出双分支耦合架构（Dual-Branch Coupled Architecture）。整个模型由两个 Transformer 分支组成：

Branch 1：Globalformer

负责处理全球海气场信息。输入包括：SST（Sea Surface Temperature）SSH（Sea Surface Height）Zonal WindMeridional Wind 等全球网格化变量。该模块关注：Climate State Evolution 即全球连续物理场的时空演化。其作用类似于视觉 Transformer 中的全局编码器。

Branch 2：Modeformer

负责处理气候模态指数序列。包括：ENSO、IOD、TNA、NPMM、SPMM、IOB、SIOD七种典型气候模态。该模块关注：Climate Mode Dynamics 即气候模态之间的耦合关系演化。相比 GlobalformerModeformer 实际上是在学习：f (M_1,M_2,...,M_n) 对应的模态动力学空间。

03 核心创新：Coupling-aware Learning

传统多任务学习通常采用：Shared Backbone.、Independent Head 结构。但 UniCM 并未停留在参数共享层面。作者提出：Coupling-aware Learning Mechanism 即耦合感知学习机制。

其核心思想是：全球海气场演化与气候模态演化同步建模。形式上可以理解为：P (X_t,M_t) 而非：P (X_t) 或 P (M_t) 其中：X 表示全球物理场；M 表示气候模态状态因此模型学习目标从单变量预测升级为联合动力学建模。这也是 UniCM 能够捕捉跨海盆遥相关的重要原因。

04 为什么能够突破 ENSO 预测瓶颈？

论文最引人关注的结果是：ENSO 有效预测提前量达到 19 个月。相比传统统计模型和多数深度学习模型均有明显提升。这一结果的重要意义在于：突破 Spring Predictability Barrier。ENSO 预测领域存在著名难题：Spring Predictability Barrier（SPB）。即每年春季前后：海气耦合信号减弱和预测误差快速放大导致长期预测性能显著下降。

论文实验表明：UniCM 在跨越春季窗口后仍保持稳定预测能力。作者认为原因在于：模型不仅利用 ENSO 局地信息，还利用其他气候模态提供的远程约束信息。这相当于增加了额外的动力学观测维度。

05 从预测走向科学发现

相比预测精度提升，本文另一个值得关注的贡献是可解释性分析。作者利用 Attention 可视化研究模型关注区域。结果发现：在强 ENSO 事件形成前，模型自动关注：北太平洋海温异常区、热带大西洋关键区域、赤道太平洋耦合带这些区域与已有气候理论中的前兆区域高度一致。

这说明：UniCM 学习到的并非纯统计相关性，而是具有一定物理意义的动力学结构。对于 AI for Science 而言，这具有重要意义：AI 不再只是预测工具，而可能成为新的科学发现工具。

06 Teleconnection 重建能力分析

论文进一步分析了模型对遥相关结构的重建能力。结果表明：UniCM 能够较好恢复：ENSO–IOD 联系；ENSO–TNA 联系；ENSO–NPMM 联系等跨海盆遥相关模式。从科学角度看，这意味着模型内部表征已经部分逼近真实气候系统的耦合结构。这一点是传统黑箱预测模型难以达到的。

07 对 AI for Science 的启示

从更广泛视角看，UniCM 的贡献并不仅限于气候预测。其核心思想可以概括为：Learning Dynamics through Coupled Representations 即通过耦合表征学习复杂系统动力学。这一范式有望迁移至：Earth System Modeling；Weather–Climate Coupling；Ecological Network；Biological Systems；Brain Dynamics 等复杂系统研究领域。作者在论文中指出，该框架不仅能够提升预测能力，还能够帮助揭示复杂系统内部潜在规律。

总结

UniCM 的价值并不仅在于将 ENSO 预测提前至 19 个月。更重要的是，它尝试回答了一个长期存在的问题：当多个气候模态共同作用时，AI 是否能够学习其联合动力学规律？

通过 Globalformer、Modeformer 以及 Coupling-aware Learning 机制，UniCM 首次实现全球主要气候模态的统一建模与联合预测。对于气候科学而言，这代表着从「单模态预测」向「系统级气候智能」迈出的重要一步；对于 AI for Science 而言，则展示了利用深度学习发现复杂系统规律的新可能。