近日，北京师范大学系统科学学院教授樊京芳团队联合中国科学院大气物理研究所、北京邮电大学等国内外科研机构，在国际学术期刊npj Climate and Atmospheric Science发表题为“Enhancing the predictability limits of ENSO with physics-guided Deep Echo State Networks”的研究论文。该研究提出一种融合气候物理机制与人工智能算法的新型预测框架，为提升厄尔尼诺—南方涛动（ENSO）的长期预测能力提供了新的理论与技术路径。 

ENSO是地球气候系统中最重要的年际尺度气候振荡现象之一，其变化能够显著影响全球气候格局，对降水分布、极端天气事件、农业生产以及水资源安全等产生深远影响。长期以来，科学界一直致力于提升ENSO的预测能力，以期为气候风险管理和社会经济决策提供更可靠的科学依据。然而，由于ENSO过程涉及复杂的海气耦合动力学及多尺度非线性反馈，其预测能力往往受到所谓“春季可预测性障碍”等因素限制。传统动力气候模式和统计方法在长期预测方面仍面临诸多挑战，如何突破ENSO预测能力的理论上限成为气候科学领域的重要科学问题。 

针对这一问题，研究团队提出了一种物理引导的深度回声状态网络模型（Physics-guided Deep Echo State Network, DESN）。该模型将机器学习技术与关键气候物理变量相结合，在深度递归神经网络结构中引入气候系统的重要物理约束，从而更有效地捕捉ENSO系统中的非线性动力学过程。在模型构建过程中，研究团队以热带太平洋暖水体积（Warm Water Volume）等关键海气耦合指标为核心物理先验信息，同时综合考虑来自太平洋、印度洋和大西洋的多种气候模态相互作用。通过这种跨海盆耦合信息的引入，模型能够更全面地表征ENSO系统的多尺度动力学结构。 

物理引导的深度回声状态网络模型结构

研究结果表明，该方法能够显著提升ENSO的长期预测能力。模型预测结果显示，ENSO的有效预测时间尺度可以延长至约16—20个月。进一步通过非线性误差增长分析，研究团队估算出ENSO系统的实际可预测极限约为30个月。研究还发现，太平洋、印度洋和大西洋之间的跨海盆气候相互作用在维持ENSO的系统记忆和稳定预测轨迹方面发挥着关键作用。这一发现为理解ENSO的长期可预测性提供了新的物理视角，也表明多海盆气候耦合过程在全球气候系统中的重要作用。 

该研究展示了复杂系统科学与人工智能方法在地球系统预测中的巨大潜力。通过将机器学习模型与气候系统物理机制相结合，研究团队不仅提升了预测能力，也为揭示气候系统中的关键动力学过程提供了新的研究工具。相关成果为未来发展人工智能驱动的气候预测系统、提升极端气候事件的提前预警能力，以及服务全球气候风险管理提供了重要科学基础。 

樊京芳与中科院大气物理研究所副研究员孟君、北京邮电大学教授肖井华为共同通讯作者。本研究得到国家自然科学基金（42575057, T2525011, 42450183, 12275020, 12135003, 12205025, 42461144209, 62333002），国家重点研发计划（2025YFF0517304、2025YFF0517203）以及中央高校基本科研业务费的资助。