图1 基于Transformer的ENSO预测模型架构图

图2 利用该模型预测2015-16年超强厄尔尼诺事件的例子

　　在国家自然科学基金项目（批准号：42030410）等资助下，南京信息工程大学张荣华团队在利用人工智能预测ENSO多变量三维场研究方面取得进展。相关研究成果以“基于自注意力神经网络模型以模拟海气多变量三维场和成功预测ENSO（A self-attention-based neural network for three-dimensional multivariate modeling and its skillful ENSO predictions）”为题，于2023年3月8日在线发表在《科学进展》（Science Advances）杂志。论文链接：https://www.science.org/doi/abs/10.1126/sciadv.adf2827。

　　近年来，人工智能（AI）技术已在天气预报和气候预测等应用领域取得了重大进展，但目前这些数据驱动的神经网络模型对海洋动力与热力状态等的表征、模拟和预测应用相对较少，如大多是对单点时间序列或单变量场进行预测的，难以表征多变量时空演变及其内在的关联，其结果的应用性非常有限。目前对海洋多变量三维（3D）场时空演变的表征和跨年度预测仍存在着很大的挑战。

　　针对上述问题，该团队基于Transformer构架，率先成功构建了由数据驱动的多变量3D场的热带太平洋海气耦合系统预测模型（简称为3D-Geoformer，图1a），并将其成功应用于厄尔尼诺与南方涛动（ENSO）相关的三维上层海洋温度场（上层海洋150m中分为7层）及海表风应力场的跨年度时空预测试验。该模型克服了传统神经网络算法（如循环神经网络（RNN））中串行计算和梯度易消失等劣势，通过设计特定的时空多头注意力机制模块（图1c），能有效提取格点序列时间依赖特征和多变量空间非局地相关性，更合理表征多变量数据的3D时空演变特征及其内在的动力学关系，最终成功实现了对热带太平洋海气多变量三维场的长时间演变的准确预测（图2；如 区海温异常的有效预测时长超过18个月）。

　　该研究基于Transformer架构和独特设计的时空注意力模块构建了海气相互作用模型并成功用于ENSO跨年度预测研究，首次实现了对海洋场从单一变量、单点时间序列的预测到多变量、三维立体场预测的跨越，为海洋和海气相互作用模拟和预测提供了一个新的有效工具，展示出广阔的开发应用前景，也为促进人工智能技术在气候变化研究中的应用提供了科学和应用价值。