近日，海洋科学学院张荣华教授团队在厄尔尼诺-南方涛动（ENSO）预测领域取得重要突破，相关成果“Integrating an CNOP analysis into a deep learning model to identify optimal initial errors for 2020–2022 La Niña prediction“发表于国际期刊《Climate Dynamics》。论文第一作者为海洋科学学院教师陶灵江，通讯作者为张荣华教授和中国科学院大气所段晩锁研究员，合作者包括海洋科学学院周路博士和李调叶硕士。

全球增暖背景下，ENSO变的复杂多样，持续多年的拉尼娜事件频繁发生，对全球短期气候变率产生深远影响。因此，探究此类极端拉尼娜事件的演变机理及其可预报性，已成为当前气候动力学领域亟待解决的关键科学问题。与传统动力模式类似，纯数据驱动模型同样受初始场误差的制约，导致其预报精度难以进一步提升，这一核心瓶颈即为气候预测中的“第一可预报性问题”。

针对这一挑战，研究团队首次针对团队所开发的3D-geoformer模型，引入了CNOP方法，以探究2020-2022年连续三年拉尼娜事件的可预报性特征和预报误差来源。该研究识别出了两类具有三维结构的最优初始误差：热带中东太平洋上层为正异常的POIE和负异常的NOIE（图1）。这些误差能够触发强烈的Bjerknes反馈机制（海气耦合正反馈），形成类似"蝴蝶效应"的误差增长过程。团队通过目标观测模拟实验证实，在CNOP识别的关键敏感区强化观测，能够最大程度抑制误差增长，理论上可使拉尼娜预报误差降低幅度最高达80%（图2）。团队突破了传统CNOP方法对梯度计算（伴随模型）的依赖，提出了新的CNOP计算方法（图3），通过大样本扰动和迭代优化计算，巧妙绕过梯度计算，亦能够精准地获取CNOP最优解。尤为重要的是，该方法具备良好的模式移植性，能够快速适配各类气候模式，实现CNOP的高效求解。

以上成果不仅阐明了纯数据驱动ENSO预报模型对初始场条件的依赖机制，而且首次从定量角度验证了数据驱动模型与动力模型所界定的ENSO敏感区具有同源性，为两类模型的融合应用以及ENSO预报改进提供了关键理论支撑。该研究得到国家自然科学基金、江苏省创新研究团队等项目支持

图1造成拉尼娜预报误差最大发展的两类初始海温误差三维结构

图2敏感区加密观测后对预报的改进效果

图3基于大样本的CNOP迭代优化算法用于探究2020-2022拉尼娜可预报性

论文信息：

Tao, L. J.,Zhang, R. -H.*, Duan, W. S.*, Zhou, L., & Li, T. Y. (2025). Integrating an CNOP analysis with a data-driven transformer model to identify optimal initial errors for 2020-2022 La Niña prediction. Climate Dynamics, 64,doi: 10.1007/s00382-025-07986-0

陶灵江，博士，毕业于中国科学院大气物理研究所，研究方向为热带大尺度海气相互作用，重点关注ENSO多样性动力学及可预报性。先后主持和参与博士后面上项目、全重实验室开放课题、国家重点研发计划和国家自然科学基金等多个科研项目，累计发表SCI论文近30篇，专著1部。担任《Journalof Climate》、《ClimateDynamics》、《Geophysical Research Letters》等多个国际期刊审稿人。