全球气候异常事件正在深刻影响农业生产、水资源调度、能源管理和防灾减灾。

长期以来，厄尔尼诺（ENSO）、印度洋偶极子（IOD）等关键气候模态通常被单独预测，但真实气候系统是由多个海洋—大气模态相互作用形成的复杂耦合网络。

如何从系统层面理解和预测这些相互关联的气候变化过程，一直是气候科学和人工智能领域的重要挑战。

就在最近，清华大学电子工程系李勇教授团队联合北京师范大学研究人员，在国际顶级期刊《Nature Machine Intelligence》发表论文《Learning the coupled dynamics of global climate modes》，提出全球气候模态统一预测模型（UniCM）。

该工作首次从 " 全球耦合气候系统 " 视角出发，统一学习多个气候模态之间的复杂动力学关系，实现了对全球气候模态的协同预测，并为 AI 驱动的气候科学发现提供了新的研究范式。

为什么提出 UniCM 统一预测框架

近年来，以 Pangu-Weather、GraphCast 等为代表的 AI 天气预报模型取得突破性进展，在短期天气预测方面达到甚至超越传统数值模式水平。

然而，对于未来数月至数年的气候变化预测，科学界仍面临巨大挑战。

气候系统中的 ENSO、IOD、TNA、NPMM 等模态并非孤立存在，而是通过遥相关和跨洋盆能量交换形成复杂的全球耦合网络，共同影响全球季风系统、干旱洪涝事件、海洋热浪以及极端天气发生。

现有气候预测方法大多聚焦于单一模态预测，或者仅研究少数模态之间的关系，难以充分刻画全球气候系统中跨区域、跨尺度的复杂耦合机制。

许多隐藏在多模态相互作用中的可预测信息因此被忽略。

针对这一问题，研究团队提出 UniCM 统一预测框架，将多个关键气候模态纳入同一模型进行联合学习，同时建模局地物理场演化与全球气候模态耦合关系，实现从 " 单模态预测 " 向 " 全球气候系统预测 " 的跨越。

UniCM 有哪些亮点

技术亮点一：构建全球气候模态统一预测框架。

UniCM 首次将 ENSO、IOD、IOB、SIOD、NPMM、SPMM 和 TNA 等七类关键气候模态统一纳入同一预测框架，从全球气候系统整体视角学习海洋—大气耦合动力学。

这一设计突破了传统模型 " 一个模态一个模型 " 的研究范式，使模型能够直接学习不同气候模态之间长期存在的复杂非线性交互关系。

技术亮点二：双分支 Transformer 架构—— UniCM 核心采用 " 双分支、多视角 Transformer 架构 "。

（1）Globalformer：自下而上的物理场建模

Globalformer 负责学习海表温度（SST）、风应力、温跃层深度以及海洋上层温度等关键物理变量的时空演化规律，捕获气候模态形成的底层物理过程。

（2）Modeformer：自上而下的模态耦合建模

Modeformer 负责学习多个气候模态之间的时间演化规律和非线性交互关系，构建全球气候系统的高层状态表达。

技术亮点三：创新跨视角耦合机制。

UniCM 最核心的创新在于提出 "Mode-to-Patch Guidance（模态引导机制）"。

团队将 Modeformer 学习到的全球气候系统状态反馈至 Globalformer，用高层气候模态信息指导底层物理场预测。

该机制实现了：

物理场生成气候模态；

气候模态反向调控物理场；

建立跨尺度双向反馈学习机制。

从而能够有效捕获传统模型难以显式描述的长期耦合动力学关系。

实验结果

结果一：ENSO 预测能力达到国际领先水平。

在 GODAS、ORAS5、SODA 等多个再分析数据集测试中，UniCM 在 24 个月预测窗口内整体优于 XRO、CNN、ResoNet 和 DESN 等代表性模型。

其中：

ENSO 有效预测提前期由现有模型的 15 – 16 个月提升至 19 个月；

预测误差降低 14.1% – 17.9%；

在 12 个月预测时仍保持 0.78 以上 ACC 水平。

结果二：突破 " 春季可预报性障碍 "。

ENSO 预测长期存在著名的 "Spring Predictability Barrier（春季可预报性障碍）"。

UniCM 在跨越春季预测时仍能保持 ACC＞0.5 长达 14 个月，而现有模型通常只能维持 9 – 12 个月。

结果三：实现全球七类气候模态统一预测。

除 ENSO 外，UniCM 还对 IOD、IOB、SIOD、TNA、NPMM 和 SPMM 等多个关键气候模态取得领先预测效果。

研究发现：

IOD 有效预测时长达到约 7 个月；

多个非 ENSO 模态预测能力平均提升超过 20%；

模型能够准确重建气候模态间真实的滞后相关结构。

结果四：AI 首次揭示气候模态耦合前兆。

通过分析模型内部注意力机制，研究团队发现 UniCM 能够自动识别重大 ENSO 事件发生前的重要前兆区域及关键模态间交互关系。

例如：

自动发现 NPMM 是 1997 年强厄尔尼诺的重要先导信号；

识别 TNA 在极端气候事件中的关键作用；

揭示极端事件发生前模态间耦合强度显著增强。

项目价值

UniCM 的意义不仅在于提高气候预测精度，更重要的是提出了一种面向复杂地球系统的新型 AI 建模范式。

该研究证明，气候系统的长期可预测性并非仅来源于单一气候现象，而是蕴藏于多个气候模态之间复杂的耦合关系之中。通过统一学习这些耦合动力学，UniCM 为长期气候预测、极端天气预警以及地球系统科学研究提供了新的技术路径。

未来，该框架有望进一步应用于可再生能源调度、农业生产管理、渔业资源预测、防灾减灾以及全球气候变化研究等领域，并推动 AI 从 " 预测工具 " 向 " 科学发现工具 " 转变。

UniCM 背后的研究团队

这篇论文的通讯作者为李勇教授，他是清华大学电子工程系的长聘教授、博士生导师，教育部长江学者。

他长期从事人工智能、数据科学、复杂系统与社会计算等交叉学科研究，主持了多个国家重点研发计划和国家自然科学基金重点项目。

在科研成果方面，李勇教授在人工智能和数据科学方向积累了丰富研究成果，在 Nature、Nature Computational Science、Nature Machine Intelligence、Nature Human Behaviour、Nature Cities 等综合性期刊，以及 ACM KDD、NeurIPS、ICLR、WWW 等国际会议上发表了大量高水平论文，累计引用超过四万多次，并拥有多项授权专利。

他曾入选全球高被引科学家、国家万人计划青年拔尖人才，获得教育部科技进步一等奖、IEEE ComSoc 亚太杰出青年学者奖、吴文俊人工智能优秀青年奖等多项荣誉，同时也担任多个国际会议筹委会成员和国际期刊编委。

一键三连「点赞」「转发」「小心心」

欢迎在评论区留下你的想法！

—  完  —

我们正在招聘一名眼疾手快、关注 AI 的学术编辑实习生 

感兴趣的小伙伴欢迎关注  了解详情

点亮星标

科技前沿进展每日见