清华提出全球气候模态统一预测模型，可提前19个月预测厄尔尼诺

地球上的气候，从来就不是一个“各扫门前雪”的系统。太平洋海水温度一旦异常，大气环流和洋流就会立刻把这种“不和谐”传递给印度洋和大西洋；反过来，后两者哪怕只是微小的波动，也可能扰动太平洋的平衡。这种跨大洋的远程联动，气象学界称之为“遥相关”。

回顾历史，1997-1998年的超强厄尔尼诺让多国陷入了暴雨洪灾和持续性干旱的交替折磨，而2020年到2024年罕见的“三重拉尼娜”又持续了三年之久，彻底打乱了全球的降水和气温格局。这两起典型案例背后，都指向同一个事实：极端气候事件，往往是多个气候模态协同作用的结果。

那么，一个很自然的问题就来了——有没有办法更早、更准确地预判气候走向？并且，能否同时理解多个气候模式之间错综复杂的相互影响？

近日，清华大学电子工程系李勇团队联合北京师范大学系统科学学院樊京芳团队、德国波茨坦气候影响研究所等机构，在Nature Machine Intelligence上发表了一项成果。他们提出了一个名为UniCM的AI气候预测模型，试图回答上述问题。

根据论文，UniCM将ENSO（厄尔尼诺-南方涛动）的有效预测时效延长到了19个月。ENSO是赤道中东太平洋海温与大气联动的周期性波动：暖海温阶段是厄尔尼诺，冷海温阶段是拉尼娜，它对全球天气与气候的影响，几乎无人能忽视。

但这款模型的意义远不止于预测厄尔尼诺。它的真正亮点在于，尝试同时理解太平洋、印度洋和大西洋中多个关键气候模式之间的相互影响。这就不再是“单打独斗”的预测，而是对全球气候联动机制的建模。

从结构上看，UniCM是一款基于Transformer改造的统一预测模型，包含两个分支——Globalformer和Modeformer。

图 | UniCM （来源：上述论文）

Globalformer负责处理全球海洋和大气的基础物理数据，比如海表温度、海面风应力、温跃层深度，以及上层300米海温等。而Modeformer分支则负责处理气候模式本身——比如ENSO指数、印度洋偶极子指数等，帮助判断某一类气候现象当前处于什么状态。

在数据训练层面，UniCM依托了多套权威气候数据集，包括CMIP6气候模式模拟数据，以及GODAS、ERA5、ORAS5、SODA等主流海洋再分析数据。研究团队使用长达165年的历史气候数据构建训练集，让模型充分学习不同常态与极端气候场景下的模态联动规律。输入是过去12个月的气候数据，输出则是未来连续24个月的预测结果——这种设计从底层保障了中长期气候预测的可靠性。

为了验证模型的性能，团队将UniCM与当前国际主流的XRO、DESN、CNN、ResoNet等模型进行了多轮对比测试，覆盖了短期和中长期预测、常态与极端气候等多种场景。

结果相当亮眼：UniCM将厄尔尼诺的有效预测时间延长到了19个月，比此前最强的物理-深度学习混合模型DESN（16个月）又向前推进了3个月。

图 | UniCM 对ENSO 的预测（来源：上述论文）

模型还成功重现了历史上多种复杂的极端气候——从1997-1998年的极端厄尔尼诺，到近代极具挑战性的2020-2024年“三重拉尼娜”现象，都能准确预测其发生、强度和衰退过程。

此外，它还克服了全球气候预测的一个老大难问题——“春季障碍”。所谓“春季障碍”，是指气候模式在预测厄尔尼诺/拉尼娜事件时，其技巧和准确率在每年3月至5月间会急剧下降。这个阶段海洋与大气耦合最不稳定，预测的不确定性也最大。但UniCM在针对春季目标的预测中，竟然提前14个月依然保持了高准确率。

对于太平洋经向模态、南印度洋偶极子等研究较少的次要模态，UniCM也展现出了超强的泛化预测能力，平均性能提升超过22%。例如，模型成功将印度洋偶极子的有效预测期延长至7个月——这为防灾减灾、全球农业的多月前置规划提供了宝贵的窗口期。

预测做得好是一回事，但能否让人相信，又是另一回事。

很多人对AI气候模型有这样一个担心：它也许预测得准，但我们不知道它为什么准。如果模型只是一个黑箱，那它对科学发现的助力就会大打折扣。

为此，研究团队深入分析了UniCM内部的注意力机制，试图窥探模型在预测时关注了哪些区域，以及哪些气候模式之间的关系。结果很有意思：在没有任何人类预先设定的物理知识的前提下，模型自己发现“北太平洋经向模式”是引发1997年极端厄尔尼诺现象的关键前兆；而在预测1995年的拉尼娜现象时，模型自动把关注点转移到了热带大西洋盆地——这一发现与已知的科学文献完全吻合。

此外，UniCM还精准还原了各大洋气候现象先后影响、强弱关联的真实规律，而传统模型不仅夸大了彼此影响的力度，还很难抓住这种复杂的联动特点。

当然，论文中也坦承了一些局限性。比如，像印度洋偶极子这类变化快、受季节影响极大的气候现象，受自然规律制约，很难再大幅延长预测时间。再比如，该模型目前只擅长预测几个月到两年内的气候演变，尚未兼顾几十天的短期波动和十几年的长期变化。

研究团队表示，接下来打算继续升级：融合不同时间尺度的气候规律，同时分析全球变暖会如何改变各大气候现象的相互影响，让AI的研究成果能更好地助力气候理论探索。

1.https://www.nature.com/articles/d41586-026-01538-0

2.Yuan, Y., Ding, J., Qiu, Z. et al. Learning the coupled dynamics of global climate modes. Nat Mach Intell (2026). https://doi.org/10.1038/s42256-026-01245-5