Am I Confused or Is This Confusing?: Deep Ensembles for ENSO Uncertainty Quantification
Colorado State University（科罗拉多州立大学）；Boston University（波士顿大学）
本文利用深度集成分析ENSO预测性，揭示了在气候变暖背景下，epistemic不确定性与aleatoric不确定性的差异及影响。
2026-03-21 physics.ao-ph
Long-term prediction of ENSO with physics-guided Deep Echo State Networks
School of Physical Science and Technology, Beijing University of Posts and Telecommunications（北京邮电大学物理科学与技术学院）；State Key Laboratory of Earth System Numerical Modeling and Application, Institute of Atmospheric Physics, Chinese Academy of Sciences（中国科学院大气物理研究所地球系统数值模拟与应用国家重点实验室）；School of Systems Science/Institute of Nonequilibrium Systems, Beijing Normal University（北京师范大学系统科学系/非平衡系统研究所）；State Key Laboratory of Information Photonics and Optical Communications, Beijing University of Posts and Telecommunications（北京邮电大学信息光子学与光通信国家重点实验室）；Frontier Science Center for Deep Ocean Multispheres and Earth System (FDOMES) and Physical Oceanography Laboratory, Ocean University of China（中国海洋大学深海多圈层与地球系统前沿科学中心及物理海洋学实验室）；Laoshan Laboratory（崂山实验室）
本文提出一种基于物理引导的深度回声状态网络，实现ENSO长期预测，揭示非线性耦合机制并确定预测时间范围。
2026-01-18 nlin.CD physics.ao-ph
The Effects of El Niño on the Global Weather and Climate
本文研究了水圈的混沌行为及其对全球天气气候的影响。我们给出了海表温度（SST）是不可预测的全球海洋的数学参数。在全球气候模式中，SST变率对全球气候的影响是明显的，这种模式涉及类似于厄尔尼诺-南方涛动（ENSO）的大尺度海洋-大气波动。敏感性（不可预测性）是混沌的核心成分。一些研究表明ENSO可能是混沌的。正是瓦利斯[1]通过将他的模型简化为洛伦兹方程，揭示了ENSO的不可预测性。ENSO和其他全球气候模式的相互作用可能传播混沌。我们讨论了不可预测性作为一个全球性的现象，通过扩展的混沌“水平”和“垂直”在耦合的瓦利斯ENSO模型，洛伦兹系统，平流方程，通过使用理论和数值分析。为了进行理论研究，我们应用我们最近的结果复制的混沌和不可预测的微分方程的解决方案，而数值分析，我们结合结果不可预测的解决方案与数值分析的混沌对流方程。
2018-01-03 math.DS nlin.CD physics.ao-ph
Targeted marine cloud brightening can dampen El Niño
本研究利用澳大利亚野火天然实验验证东南太平洋海洋云增亮可诱发类拉尼娜响应，并发现尽早、持续干预能有效中和1997—1998年及2015—2016年厄尔尼诺事件。
2024-06-12 physics.ao-ph
Empirical evidence for a double step climate change in twentieth century
在这项研究中，我们使用的海表温度（SST），厄尔尼诺南方涛动（ENSO）和太平洋十年振荡（PDO）时间序列的时间段1900-2012年，以调查温度急剧上升的合理表现。结果发现，过去一个世纪广泛观察到的变暖并不是平稳的，而是急剧的。在1925/1926年和1987/1988年期间，这一事实在30 S-60 N纬度区更为明显。我们假设有两个主要的气候制度转变在1925/1926年和1987/1988年。在这些变化期间，温度上升的平均值超过与ENSO、PDO和其他因素有关的自然变率。在每次急剧上升期间，热带/北中分纬度的平均SST上升约0.28/0.36 °C。其它气温异常多由ENSO和PDO解释。这些变化的存在往往被自然变异所掩盖。这一假设使我们能够建立非常简单的线性回归模型，解释上个世纪观测到的30 ° S至60 ° N温度异常的主要特征。此外，该分析还揭示了两个显著的结果。第一个是线性回归系数可以通过采用有限长度的温度时间序列来计算（例如，从1910年到1940年），并很好地再现了从1900年到现在的整个时间序列。第二个是仅使用两个因素（ENSO/PDO和热带/北部中海拔的急剧变化）就能实现良好的繁殖质量。
2013-03-07 physics.ao-ph
Spectral analysis of climate dynamics with operator-theoretic approaches
地球气候系统是一个多尺度、多物理场动力系统的典型例子，具有极大量的活动自由度，在云微物理学中表现出从微米到秒的尺度变化，在海洋动力学中表现出数千公里和数百年的尺度变化。然而，尽管这种动力学的复杂性，气候动力学是已知的表现出连贯的模式的变化。一个主要的例子是厄尔尼诺南方涛动，它是气候系统中年际（3-5年）变化的主要模式。对这一现象和其他重要现象进行客观和有力的定性，是地球系统科学的一项长期挑战，解决这一问题将有助于提高对气候动态的科学认识和预测，并有助于评估其对人类和自然系统的影响。在这里，我们表明，动力系统的谱理论，结合数据科学的技术，提供了一种有效的手段，从高维模式和观测数据中提取气候变率的相干模式，不需要频率预滤波，但恢复多个时间尺度及其相互作用。ENSO的复合材料被证明是改善从传统的指数在动力学的一致性和物理可解释性的结果。此外，还阐明了ENSO与年周期的组合模态在ENSO多样性中的作用。
2021-07-28 math.DS physics.ao-ph
SciExam for ENSO: Can AI Agents Build Climate Models?
The Ohio State University（俄亥俄州立大学）；Yale University（耶鲁大学）；University of California, San Diego（加利福尼亚大学圣迭戈分校）；Stanford University（斯坦福大学）；Princeton University（普林斯顿大学）
提出SciExam for ENSO基准，让AI智能体基于真实观测在六小时内构建ENSO低阶随机模型，并通过隐藏评分器评估。十二个系统中六个超越已发表模型，较强模型结构与冷暖不对称性的公开争论相容，表明智能体能在无已知答案下构建有竞争力的科学模型。
2026-10-22 cs.AI cs.LG physics.ao-ph
ENSO and the Temperature of the North Equatorial Counter Current: An Ensemble Study
National Oceanography Centre, Southampton（英国南安普敦国家海洋中心）
利用CESM气候模型集合研究，证实北赤道逆流温度影响中太平洋深对流、哈德莱环流、南方涛动及赤道风，与ERA5再分析数据一致。
2026-06-15 physics.ao-ph
A Simple Intermediate Coupled MJO-ENSO Model: Multiscale Interactions and ENSO Complexity
本文构建了一个整合季节内、年际和年代际过程的简单中间型耦合 MJO-ENSO 模型，以刻画双向反馈对 ENSO 空间多样性、时间演变和强度变化的调制作用，并重现了关键观测特征。
2025-07-18 math.DS physics.ao-ph
The Shifts Hypothesis - an alternative view of global climate change
在这项研究中，我们使用了1950-2013年的HadCRUT 4温度异常，以研究近期变暖的特性。我们的目标是分离短期ENSO变化产生的变化，并期待在时间和空间上的动态剩余温度异常。为此，我们从每个HadCRUT 4网格框中减去ENSO指数的线性影响。我们发现，剩余的全球温度动态看起来像阶梯函数：1950-1987年，1988-1997年和1998-2013年三个准稳定期的线性趋势接近于零，几乎所有的变暖都发生在1987/1988年和1997/1998年的两个转变期间。所有这些使我们能够对最近的变暖提出一个新的假说--转移假说。它解释了最近变暖的结构如下：在1987/1988和1997/1998年的转变期间，全球温度的平均值迅速上升，与ENSO，PDO和许多其他地方因素相关的自然变率发生。根据IPCC的强迫-响应范式，从所有因素中清除的变暖过程（WP）应该是连续的变暖（在所考虑的时间间隔上可能接近线性）。这一思想与所得到的阶梯函数是不一致的。只有当补偿因子的组合与每个准稳定期（1950-1987、1988-1997和1998-2013）的人为温室气体（GHG）强迫接近时，这种阶梯函数才能用目前的IPCC强迫-响应范式来解释。这似乎不太可能。另一种更简单的解释是，存在着气专委气候模式中没有提出的某种调节机制（如全球恒温器）。这一机制应保持全球温度在1950-1987年，1988-199…
2014-06-23 physics.ao-ph
On the Impact of ENSO Cycles and Climate Change on Telescope Sites in Northern Chile
本文分析ESO智利北部台站的气温、水汽密度与视宁度，发现近十年升温显著，并揭示ENSO阶段对干燥度及近红外观测条件的影响，可用于优化长期观测调度。
2023-09-26 astro-ph.EP astro-ph.IM physics.ao-ph
Extended-range statistical ENSO prediction through operator-theoretic techniques for nonlinear dynamics
由于厄尔尼诺-南方涛动（ENSO）现象在气候动力学中的重要作用及其对全球社会经济的影响，该现象的预测一直是一个活跃的研究课题。在过去几十年中，人们开发了许多预测厄尔尼诺/南方涛动的模型，其中，通过线性动力学近似厄尔尼诺/南方涛动演变的统计模型受到了极大的关注，因为它们简单，而且在短时间内可与第一原理模型相媲美。然而，由于高度非线性和混乱的动态（特别是在厄尔尼诺/南方涛动开始期间），这种模式在半年以上的长期预测方面的技能有限。为了解决这个问题，我们采用了一种基于模拟预测的非参数统计方法，称为核模拟预测（KAF），它通过使用非线性核方法进行机器学习和高维数据集的降维来避免对底层动态的假设。通过与动力系统的Koopman算子理论的严格联系，KAF在预测初始化时给出噪声和可能不完整的数据，作为有条件的预期，对未来ENSO状态作出统计上最佳的预测。在这里，使用工业时代的印度洋-太平洋海面温度（SST）作为训练数据，该方法被证明可以成功地预测1998-2017年验证期内的Nino 3.4指数，提前10个月，这相当于比基准线性逆模型（LIM）增加3-7个月，同时显着提高了ENSO的可预测性“春季障碍”。综合气候模式（CCSM 4）的1300年控制集成的分析进一步表明，KAF提供的增强的可预测性保持在潜在的更长的引线，延长到24个月，而在基准LIM的18个月。
2019-12-11 physics.ao-ph physics.data-an
Correlations of the first and second derivatives of atmospheric CO2 with global surface temperature and the El Nino-Southern Oscillation respectively
要了解当前的全球气候，需要了解地球大气温度和厄尔尼诺-南方涛动（ENSO）的趋势，ENSO是热带太平洋温暖海水的一种典型大规模分布，也是逐年气候变化的主要模式（Holbrook等人，2009年）。然而，尽管付出了很多努力，当前气候模式的平均预测在统计上与观测到的21世纪全球地面温度趋势存在显著差异（Fyfe 2013），并且未能反映21世纪年平均全球温度没有上升的统计学显著证据（Fyfe 2013，Kobaly 2013）。模型还提供了对未来厄尔尼诺/南方涛动变率的各种预测，有些显示出增加，有些显示出减少，有些则没有变化（Guiyardi等人，2012年; Bellenger，2013年）。在这里，我们提出的相关性，其中包括当前的时代，并没有这些缺点。相关性如下。首先，它已被证明（郭1990年，王W。等人，2013年），大气CO2水平的变化率（表示为一阶导数）具有时间趋势特征，其在统计上与全球地面温度的变化率显著相似。其次，我们在这里表明，这种变化的速度-大气中二氧化碳水平的二阶导数-统计上显着相关的厄尔尼诺-南方涛动显示的单独签名。第三，我们表明，二阶导数大气CO2导致ENSO，一阶导数CO2和温度。综上所述，上述三点为大气CO2作为全球气候驱动因素的关键作用提供了进一步的证据。这些结果也有助于更准确地预测未来全球气候。
2014-02-25 physics.ao-ph
Climate network and complexity based El Niño forecast for 2022
厄尔尼诺南方涛动（ENSO）是全球气候年际变化的最重要驱动因素，可在全球各地引发极端天气事件和灾害。最近，我们制定了两种办法来及早预报厄尔尼诺现象。基于气候网络的方法可以提前一年预测厄尔尼诺事件的发生。基于复杂性的方法还可以预测前一日历年即将发生的厄尔尼诺现象的规模。在这里，我们传达了这两种方法对2022年的预测。
2022-03-30 physics.ao-ph
A Stochastic Conceptual Model for the Coupled ENSO and MJO
University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
研究ENSO与MJO耦合，开发随机概念模型，采用三箱表示海洋、低阶傅里叶描述大气，纳入年代际过程，引入状态依赖噪声，成功再现相关统计及相互作用。
2026-07-24 math.DS physics.ao-ph
Annually Modulated Pacific Subtropical Highs Pace the ENSO Cycle: A Hierarchical Framework from Earth Rotation to Atmosphere-Ocean Dynamics
Chinese Academy of Meteorological Sciences（中国气象局气象科学研究院）
该研究揭示年调制的太平洋副热带高压通过地球自转的次年振荡调控ENSO循环，其指数可提前14-17个月确定ENSO事件相位，明确了ENSO触发、维持及终止的层级机制。
2026-08-12 physics.ao-ph
Differential imprints of distinct ENSO flavors in global patterns of very low and high seasonal precipitation
近年来，厄尔尼诺的两种不同类型--东太平洋（EP）和中太平洋（CP）/莫多基（Modoki）厄尔尼诺对全球气候变率的影响得到了广泛的研究。这些研究大多使用线性多元统计或复合分析。特别是前者假定在厄尔尼诺-南方涛动（ENSO）的不同阶段适用同样类型的线性统计相关性，这似乎不一定是一个合理的假设。在这里，我们统计评估了全球大部分陆地表面非常高或非常低的季节性降水量之间同时发生的可能性，以及厄尔尼诺和拉尼娜的各自EP和CP类型的存在。通过采用事件巧合分析，我们发现了这两种口味在全球不同地区的非常低和非常高的季节性降水模式上的差异印记，这可能会严重影响农业和生物质生产或公共卫生等。我们特别发现，EP期间表现出统计上显着的事件符合率与水文气象异常在较大的空间尺度，而稀疏的模式出现随着CP期间。我们的统计分析证实了以前报道的EP期间的相互关系，并揭示了额外的不同区域的模式非常高/低的季节性降水，如增加降雨在中亚地区的CP期间，我们所知道的还没有报道到目前为止。我们的研究结果表明，彻底区分厄尔尼诺和拉尼娜两种各自的风格可能是至关重要的，以了解出现强烈的区域水文气象异常，并预测其相关的生态和社会经济影响。
2021-01-08 physics.ao-ph
Interpretable Cross-Sphere Multiscale Deep Learning Predicts ENSO Skilfully Beyond 2 Years
Harbin Engineering University（哈尔滨工程大学）；Ocean University of China（中国海洋大学）；Fudan University（复旦大学）
本文提出物理编码的可解释神经网络PTSTnet，通过融合动力过程与跨尺度时空学习，实现超过24个月的高性能ENSO预测并揭示海气误差传播机制。
2025-07-25 cs.LG physics.ao-ph
Quantifying the Predictability of ENSO Complexity Using a Statistically Accurate Multiscale Stochastic Model and Information Theory
本文提出基于信息论框架结合多尺度随机模型评估ENSO复杂性的可预测性，发现不同ENSO事件可预测性极限差异显著，并揭示了气候变化对海温可预测性的影响。
2022-07-31 physics.ao-ph stat.AP
Nonequilibrium oscillations, probability angular momentum, and the climate system
虽然平衡态统计力学的玻尔兹曼-吉布斯框架在许多领域都取得了成功，但它显然不足以描述许多远离平衡态的有趣自然现象。实现这一目标最简单的一步是更好地理解非平衡稳态（NESS）。在这里，我们专注于NESS的一个显著特征，持续的概率流，以及它们在我们气候系统中的表现。我们考虑稳态气候系统的自然变率，它可以近似为一个NESS。这些电流必须形成闭合回路，这在时间反转下是奇怪的，提供了热平衡和NESS系统之间的关键区别。寻找这种电流回路的表现形式，自然会把我们引向概率、角动量和观测量空间中的振荡的概念。具体地说，我们将把这个概念与某些随时间变化的关联函数的非对称部分联系起来。应用这种方法，我们提出，这些电流回路产生首选的自然气候变率的时空模式，采取气候震荡的形式，如厄尔尼诺南方涛动（ENSO）和马登-朱利安振荡（MJO）。在气候指数的空间中，我们观察到持续的电流，并为这些电流定义了一个新的诊断：概率角动量。利用观测到的ENSO和MJO气候时间序列，我们计算了概率角动量的平均值和分布。这些结果与线性高斯模型的分析结果吻合得很好。我们建议，除了是一个新的量化的气候震荡跨模式和观测，概率角动量提供了一个有意义的表征NESS中的所有统计系统。
2019-10-01 cond-mat.stat-mech physics.ao-ph
A Simple Multiscale Intermediate Coupled Stochastic Model for El Niño Diversity and Complexity
厄尔尼诺-南方涛动（ENSO）是热带地区最显著的气候年际变率，具有多样的时空格局特征。本文建立了一个简单的多尺度中间耦合随机模式，以捕捉ENSO事件的多样性和复杂性。该模式从确定性和线性耦合的年际大气，海洋和海面温度（SST）系统。它可以产生两个不同的主导线性解，分别代表东太平洋（EP）和中太平洋（CP）厄尔尼诺现象。除了采用一个随机模式来描述季节内风爆发外，还发展了另一个简单的随机过程来描述背景沃克环流的年代际变化。后者以一种简单的非线性方式将两个主导模式联系起来，并促进了EP和CP事件的强度和发生频率的调制。最后，采用三次非线性阻尼参数化次表层温度与温跃层深度的关系。该模式成功地再现了不同类型厄尔尼诺-南方涛动事件的时空动力学演化。它还精确地恢复了赤道太平洋所有三个Niño区（3，3.4和4）的SST异常的强非高斯概率密度函数，季节锁相，功率谱和时间自相关函数。此外，模式模拟的各种厄尔尼诺-南方涛动事件的海温距平的合成和厄尔尼诺事件的赤道太平洋海温极值的强度-位置二元分布与观测结果非常相似。
2022-06-14 physics.ao-ph
On the archetypal `flavours', indices and teleconnections of ENSO revealed by global sea surface temperatures
本文提出用 archetypal analysis 分析全球去趋势海表温度异常，以层级方式识别 ENSO 类型、相位及遥相关，并验证其优于多种机器学习相位识别方法。
2024-06-12 physics.ao-ph physics.data-an
Convolutional GRU Network for Seasonal Prediction of the El Niño-Southern Oscillation
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
提出一种改进的卷积门控循环单元（ConvGRU）网络，利用编码器-解码器结构预测ENSO区域海表温度，显著提升Niño 3.4指数预测性能，优于现有统计和循环神经网络方法。
2023-06-18 cs.LG physics.ao-ph physics.data-an
Using Deep Learning to Identify Initial Error Sensitivity for Interpretable ENSO Forecasts
National Oceanic and Atmospheric Administration（美国国家海洋和大气管理局）；Cooperative Institute for Research in Environmental Sciences, University of Colorado Boulder（科罗拉多大学博尔德分校环境科学合作研究所）；European Centre for Medium Range Weather Forecasts (ECMWF)（欧洲中期天气预报中心）
本研究提出结合深度学习与模型模拟相似预报的优化方法，通过卷积神经网络估计状态相关权重提升ENSO预报精度，同时揭示初始误差敏感区域及物理机制，为各类气候现象预报提供新思路。
2024-10-07 cs.LG physics.ao-ph
Disentangling different types of El Niño episodes by evolving climate network analysis
复杂网络理论提供了一个强大的工具箱，用于研究各种科学学科中多个时间序列之间的统计相互关系的结构。在这项工作中，我们应用最近提出的气候网络的方法来表征地球气候系统的再分析数据的基础上不断变化的相关结构的表面空气温度。我们提供了一个详细的研究几个全球气候网络特征的时间变化。基于对红色气候网络的简单概念性看法（即，网络的边缘数非常少），我们对我们不断演变的气候网络特征进行了透彻的解释，这使得最近认识到的不同类型的厄尔尼诺事件之间存在功能性差异。我们的分析提供了对地球气候系统的深刻见解，特别是其对强烈火山爆发和厄尔尼诺南方涛动（ENSO）不同阶段的大规模影响的全球反应。
2013-10-21 physics.ao-ph physics.data-an
Network-based Approach and Climate Change Benefits for Forecasting the Amount of Indian Monsoon Rainfall
印度夏季风降水对印度农业产量和经济有着决定性的影响。与正常季节降雨量的极端偏差可能导致严重的干旱或洪水，影响印度的粮食生产和安全。尽管发展了复杂的统计和动力气候模式，长期和可靠的预测ISMR仍然是一个具有挑战性的问题。为了实现这一目标，本文以全球近地面气温场为基础，构建了一系列动力气候和物理气候网络。我们发现，有向和加权气候网络的一些特性可以作为有效的长期预测ISMR预测。所开发的预测方法通过使用上一个日历年的数据，提前5个月的提前期产生0.5的预测技能。我们的ISMR预测技巧与目前最先进的模型相当，然而，有相当短的时间（即，一个月内）。我们讨论了潜在的机制，我们的预测，并将其与网络延迟ENSO和ENSO季风连接。此外，我们的方法可以预测全印度的降雨量，以及预测不同的印度同质区域的降雨量，这是至关重要的农业在印度。我们发现，全球变暖影响气候网络，通过加强跨赤道遥相关西南大西洋，西部的印度洋，北亚太地区的降水在印度的显着影响。我们在中纬度南大西洋发现了一个热点区域，这是我们预测的基础。值得注意的是，该地区显著的变暖趋势提高了预测能力。
2020-04-14 cond-mat.stat-mech physics.ao-ph physics.geo-ph
Global teleconnectivity structures of the El Niño-Southern Oscillation and large volcanic eruptions -- An evolving network perspective
最近的工作提供了充分的证据，表明在多星期和几年之间的时间尺度上的全球气候动态会受到内部（气候）和外部（非气候）扰动的偶发性的严重影响。在这里，我们的目标是提高我们的理解，如何区域到本地中断的“正常”状态的全球表面空气温度场影响相应的全球遥相关性结构。具体而言，我们提出了一种方法来量化遥相关性的基础上的功能气候网络分析的不同特点。随后，我们应用这一框架来研究厄尔尼诺-南方涛动（ENSO）的不同阶段，以及自20世纪中叶以来的三个最大的火山爆发的影响占主导地位的时空协同变化模式的日常地面气温。我们的研究结果证实了ENSO的全球效应的存在，导致全球温度场的层次组织的阶段性崩溃。这与强遥相关的出现有关。在更大的区域范围内，在大规模火山爆发后也发现了类似的影响。两者合计，由此产生的网络连接的时间依赖性模式允许跟踪两种类型的气候破坏的主导影响的空间范围。我们讨论这些意见和一般方面的大气环流之间可能的联系。
2017-11-10 physics.ao-ph physics.data-an
Modelling the coupling between ocean and atmosphere; the global signature of the El Niño/La Niña Southern Oscillation
卫星和地面观测被用来探索被称为厄尔尼诺/拉尼娜南方涛动（ENSO）现象的海洋-大气复合联系，该现象与极端天气事件密切相关（如热浪、龙卷风、洪水和干旱）、流行病的发生率（例如疟疾）、严重的珊瑚白化等。ENSO时间演变取决于耦合的海洋/大气系统之间的能量交换。它的周期平均约为四年，但有相当大的调制它从几个来源，这是尚未完全理解。本文的目的是提供一个更好的洞察全球签名的ENSO演变考虑连续的自然相互作用发生在海洋和大气之间，和人为的影响。所获得的结果可用于阐明海洋-大气相互作用的更精确的高级模型的发展，从而改进气候变化预测。
2017-08-21 nlin.CD physics.ao-ph
A Liang-Kleeman Causality Analysis based on Linear Inverse Modeling
本研究融合Liang-Kleeman信息流与线性逆建模，提出支持两类噪声、自/互因果的复杂随机系统因果分析方法，经ENSO与IOD关系验证，可更全面解析气候系统因果机制。
2024-09-10 cs.NA math.NA physics.ao-ph
Entropic learning enables skilful forecasts of ENSO phase at up to two years lead time
本文提出基于元学习策略的eSPA集成模型，利用卫星观测数据预测ENSO相位，在避免过拟合和未来信息泄漏的前提下，以极低计算成本实现了长达24个月的样本外预测技巧，成功预报了多次厄尔尼诺与拉尼娜事件。
2025-04-01 physics.ao-ph physics.comp-ph
Leveraging GNN to Enhance MEF Method in Predicting ENSO
Shiraz University of Technology（设拉子理工大学）；Sharif University of Technology（谢里夫理工大学）；Jacksonville University（杰克逊维尔大学）；University of Zanjan（赞詹大学）
本研究提出基于图神经网络的方法，通过构建集合成员相似性图并聚类选择优化子集，改进MEF模型对ENSO的长期预报，提升稳定性与技巧。
2025-08-26 cs.AI physics.ao-ph
The Sampling Method for Optimal Precursors of ENSO Events
本研究基于统计机器学习技术，提出适用于ZC模型的CNOP最优前兆采样算法，无需伴随模型、可并行计算，在样本量大幅减少时仍能捕捉关键特征，效率优于传统方法。
2023-08-26 math.OC nlin.CD physics.ao-ph
On the attribution of weather events to climate change using a fit to extreme value distributions
本文检验WWA基于极值分布拟合和GMST依赖的事件归因方法，发现内部气候变率与数据不足会造成虚假或不可靠归因。
2025-02-18 physics.ao-ph
Distillation of CNN Ensemble Results for Enhanced Long-Term Prediction of the ENSO Phenomenon
Shiraz University of Technology（设拉子理工大学）；University of Zanjan（赞詹大学）；Jacksonville University（杰克逊维尔大学）；Shahid Chamran University of Ahvaz（阿瓦士沙希德·查姆兰大学）
本研究通过后验评估证明ENSO预测集成中存在高技能成员子集，并利用CNN蒸馏方法识别Top-5成员，显著提升长期预测相关性和降低RMSE，尤其在关键过渡期效果最佳。
2025-09-07 cs.AI cs.CE physics.ao-ph
SamudrACE: Fast and Accurate Coupled Climate Modeling with 3D Ocean and Atmosphere Emulators
SamudrACE通过3D海洋和大气模拟器实现快速准确的耦合气候建模，能够模拟数百年长的高分辨率气候现象。
2026-02-27 cs.LG physics.ao-ph
Coupled Ocean-Atmosphere Dynamics in a Machine Learning Earth System Model
Princeton University（普林斯顿大学）；NVIDIA（英伟达）；University of Washington（华盛顿大学）
本文提出高分辨率 AI/ML 耦合地球系统模型 Ola，分别建模海洋与大气动力学，能再现热带波及真实 ENSO 特征，并在 ENSO 预测上优于 SPEAR。
2024-06-12 cs.LG physics.ao-ph
Evaluation of the Real-time El Niño Forecasts by the Climate Network Approach between 2011 and Present
Justus Liebig University Giessen（吉森大学）；Potsdam Institute for Climate Impact Research (PIK)（波茨坦气候影响研究所）；International Institute for Applied Systems Analysis (IIASA)（国际应用系统分析研究所）
本文评估了气候网络方法在2011至2022年间对厄尔尼诺的实时预报，发现其能提前约1年准确预测事件发生且误报极低，并指出结合其他方法可进一步改进预报细节。
2024-02-08 physics.ao-ph
Machine learning of committor functions for predicting high impact climate events
气候界越来越关心如何结合使用模型和观测数据来改进对高影响气候事件的预测，例如厄尔尼诺-南方涛动或极端事件。在本文中，我们解释说，在一个动态的上下文中，预测未来事件的相关量是一个提交函数。我们解释这个概率概念的主要数学性质。本文计算并讨论了El-Ni{\displaystyle {\fnNi}o}的Jin和Timmerman模型的提交函数。我们的第一个结论是，人们应该一般性地区分具有内在可预测性或内在不可预测性的状态。这种可预测性的概念是明显不同于确定性的不可预测性，因为混沌动力学和指数敏感性的初始条件。这项工作的第二个目的是比较从数据中推断提交者函数，无论是通过直接方法还是通过使用神经网络的机器学习方法。我们讨论了这项研究的后果，为未来的应用程序更复杂的数据集。
2019-11-05 nlin.CD physics.ao-ph physics.comp-ph
Statistical Response of ENSO Complexity to Initial Condition and Model Parameter Perturbations
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
本文利用信息论研究ENSO事件对初始条件和模型参数扰动的统计响应，发现不同状态变量在不同时间尺度上对扰动方向有不同影响，且外部随机扰动主导方差响应，Gaussian近似在计算统计响应时有效且准确。
2026-06-27 physics.ao-ph stat.AP
Complexity based approach for El Nino magnitude forecasting before the "spring predictability barrier"
厄尔尼诺南方涛动（ENSO）是最显著的年际气候现象之一。早期和可靠的ENSO预测仍然是一个重要的目标，因为它对经济，社会和生态系统的严重影响。尽管近几十年来发展了各种动力学和统计预测模型，但“春季可预测性障碍”（SPB）仍然是长期（超过6个月）提前期预测的一个巨大挑战。为了克服这一障碍，在这里，我们开发了一个分析工具，系统样本熵（SysSampEn），来衡量的复杂性（无序）的系统组成的温度异常时间序列在Nino 3.4区域。当应用此工具到几个近地面气温和海表温度数据集，我们发现，在所有的数据集之间存在着很强的正相关性厄尔尼诺和前一个日历年的SysSampEn（复杂性）的大小。我们表明，这种相关性允许预测厄尔尼诺的大小，预测范围为1年，准确度高（即，单个数据集预测平均值的均方根误差$=0.23^\circ C$）。对于正在进行的2018年厄尔尼诺事件，我们的方法预测了一个弱厄尔尼诺，震级为$1.11\pm 0.23^\circ C$。这里提出的框架不仅有利于长期预测的厄尔尼诺幅度，但也可以潜在地被用来作为衡量其他自然或工程复杂系统的复杂性。
2019-09-09 physics.ao-ph
Untangling Climate's Complexity: Methodological Insights
本文回顾了理解气候复杂性的跨学科方法论，通过两个案例研究揭示气候变量间的动态关联，为气候政策制定提供洞见。
2024-05-28 physics.ao-ph physics.comp-ph physics.data-an
CNN-based forecasting of early winter NAO using sea surface temperature
UMR LOCEAN, IPSL, Sorbonne Université, IRD, CNRS, MNHN（洛里昂海洋与气候研究所，法国国家科学研究中心，索邦大学）；Environnements et Paléoenvironnements Océaniques et Continentaux (EPOC), Université de Bordeaux（波尔多大学）
本文提出基于卷积神经网络的模型，利用提前一个月、两个月和三个月的海表温度数据预测早冬NAO，通过敏感性分析验证模型非线性关系的有效性，显示深度学习在中短期NAO预测中的潜力。
2026-09-15 physics.ao-ph
Very early warning signal for El Niño in 2020 with a 4 in 5 likelihood
厄尔尼诺南方涛动（ENSO）是气候多变性的最重要驱动因素，可在全球各地引发极端天气事件和灾害。最近，我们开发了一种网络方法，可以提前一年预测厄尔尼诺事件。自2012年以来，这种不涉及任何拟合参数的网络方法正确预测了2012年，2013年和2017年的厄尔尼诺事件以及2014年开始并于2016年结束的大型厄尔尼诺事件的发生。我们的模型还正确地预测了2018年最后一次厄尔尼诺事件的发生。2019年9月，该模型显示厄尔尼诺在2020年回归的概率为80%。
2020-02-18 physics.ao-ph
Very early warning of a moderate-to-strong El Niño in 2023
厄尔尼诺南方涛动（ENSO）是全球气候逐年变化的最大驱动力，可导致世界各地极端天气状况和灾害。在这里，我们回顾了我们最近开发的两种不同的厄尔尼诺早期预测方法：基于气候网络的方法可以预测大约1年前厄尔尼诺事件的发生，而基于复杂性的方法还可以估计前一年即将发生的厄尔尼诺事件的大小。对于2023年，这两种方法都预测厄尔尼诺事件的发生，综合发生概率约为89%。基于复杂性的方法预测一个中等到强烈的厄尔尼诺现象，其幅度为$1.49\pm0.37$ °C。由于厄尔尼诺事件暂时增加了全球温度，我们预计即将到来的厄尔尼诺将使全球温度增加约+0.2°C，可能使2024年成为自仪器观测开始以来最热的一年。由于厄尔尼诺现象的影响，+1.5°C的目标（与工业化前水平相比）可能在2024年暂时被突破。
2023-01-25 physics.ao-ph
Using Network Theory and Machine Learning to predict El Niño
目前对厄尔尼诺南方涛动暖期的预测能力在滞后6个月之后就大大降低。在本文中，我们的目标是提高这种预测技能，滞后长达一年。这种新方法将经典的自回归积分移动平均技术与现代机器学习方法（通过人工神经网络）相结合。在这样一个神经网络的属性是来自气候网络的拓扑特性，并进行了测试，Zebiak-Cane型模式和观测。对于未来六个月的预测，混合模式的结果比美国国家环境预测中心（NCEP）的CFSv 2集合预测更好。此外，12个月的提前期预测结果与较短的提前期预测结果具有类似的技能。
2018-08-10 physics.ao-ph
Forecasting the El Niño type well before the spring predictability barrier
厄尔尼诺南方涛动（ENSO）是全球气候年际变化的最重要驱动因素，可在全球各地引发极端天气事件和灾害。根据最大变暖的区域，厄尔尼诺事件可以分为两种类型，东太平洋（EP）和中太平洋（CP）事件。厄尔尼诺现象的类型对其影响有重大影响，甚至可能导致全球同一地区的干旱或潮湿状况。本文指出，赤道西太平洋和中太平洋海表温度距平（SSTA）的纬向差异$ΔT_{WP-CP}$对厄尔尼诺的类型有早期指示作用：当年底$ΔT_{WP-CP}$为正值时，次年的事件可能是EP事件，否则为CP事件。从1950年到现在，3/4的EP预测和所有CP预测都是正确的。当结合这种方法与以前介绍的气候网络的方法，我们得到可靠的预测的开始和类型的事件：在提前约一年的时间，2/3的EP预测和所有CP预测在有关期间是正确的。综合模型的预测能力大大高于目前的业务类型预测，平均提前时间约为1个月，应允许早期缓解措施。
2022-12-28 physics.ao-ph
Eigen Microstates and Their Evolution of Global Ozone at Different Geopotential Heights
由于平流层臭氧对气候变化的严重影响及其作为地球全球环流示踪剂的重要作用，对平流层臭氧的研究受到了广泛关注。对流层臭氧作为一种主要的大气污染物，不仅危害人类健康，而且影响植被的生长。然而，仍然缺乏一个理论框架来充分描述臭氧的变化。为了了解臭氧的时空变化，我们引入本征微观状态方法来分析1979-01-01和2020-06-30之间的全球臭氧质量混合比（OMMR）在37个压力层。我们发现，不同位势高度的本征微态可以捕捉到不同的气候现象和模态。在没有去季节化的情况下，第一特征微观状态捕捉到了季节效应，并揭示了年内周期的相位随位势高度的变化。相反，在去季节化之后，来自整体趋势、ENSO、QBO和对流层顶气压的集体模式由前几个显著的本征微观状态识别。本文提出的理论框架也可应用于其他复杂的地球系统。
2021-07-02 nlin.AO physics.ao-ph
Near-real-time monitoring of global ocean carbon sink
该研究利用机器学习与数据科学技术构建集成框架，对2022年1月至2023年7月全球海洋碳汇进行月度网格化近实时监测，并提供数据集、可视化平台和面向政策制定者的执行报告。
2023-12-04 physics.ao-ph physics.geo-ph
