Tsinghua University proposes UniCM for unified modeling of multiple climate modes, enhancing climate prediction accuracy.

文章作者、來源：36Kr

【導讀】清華團隊提出 UniCM 模型，透過統一框架學習多個氣候模態的相互作用，幫助 AI 更好地理解全球氣候系統的複雜關係。這一突破不僅提升了氣候預測的準確性與時效，還讓 AI 成為探索氣候機制的工具，對防災、農業等領域有重要價值。

提到氣候預測，人們最熟悉的往往是厄爾尼諾（ENSO）。

然而，全球氣候並非由單一氣候現象決定。除了ENSO之外，印度洋偶極子（IOD）、熱帶北大西洋模態（TNA）、北太平洋經向模態（NPMM）等多個氣候模態共同存在，並透過跨洋盆遙相關和海氣相互作用形成一個動態耦合的全球系統。

長期以來，大多數預測方法主要關注單個氣候模態，或僅研究少數模態之間的關係，難以刻畫全球氣候系統中複雜的非線性交互過程。UniCM 則將多個關鍵氣候模態納入同一個統一框架進行建模，把全球海洋—大氣系統視為一個相互作用的整體。

近日，清華大學電子工程系李勇教授團隊在《Nature Machine Intelligence》發表題為《Learning the coupled dynamics of global climate modes》的研究論文，提出全球氣候模態統一預測模型 UniCM（Unified Climate Model）。

論文連結：https://www.nature.com/articles/s42256-026-01245-5

研究團隊發現，氣候系統的可預測性不僅來自單個氣候現象本身，更來自多個氣候模態之間長期存在的耦合關係。通過學習這些耦合動力學，UniCM釋放出傳統方法難以利用的「湧現可預報性」（Emergent Predictability）。

該研究突破了傳統氣候預測「單一模態、分別預測」的思路，首次從全球耦合系統的視角，統一學習多個海洋—大氣氣候模態之間的複雜動力學關係，為長期氣候預測、極端氣候事件預警以及AI驅動的氣候科學發現提供了新的研究範式。

研究背景

近年來，人工智慧在天氣預報領域取得了快速發展。多種 AI 模型已能在數天到數週尺度上實現高精度天氣預測。

然而，氣候預測關注的是更長時間尺度的問題：未來幾個月、幾年甚至更長時間內，全球氣候系統將如何演化？哪些區域可能出現乾旱、洪澇、熱浪等極端事件？這些問題涉及多個海洋和大氣系統之間複雜的跨尺度相互作用。

現有方法通常將氣候模態視為相互獨立的對象，而真實世界中的氣候系統卻是一個高度耦合的複雜網絡。如何讓 AI 不僅「會預測」，還能幫助科學家理解這些模態之間的長期耦合關係，成為 AI for Science 領域的重要挑戰。

「雙視角」統一氣候模型

為解決這一問題，研究團隊設計了 UniCM 雙分支架構。

模型包含兩個核心模組：

1. Globalformer：學習局地物理場演化

Globalformer 負責處理海表溫度（SST）、風應力、溫躍層深度以及上層海洋溫度等關鍵物理變量，從細粒度氣候場中學習氣候系統的時空演化規律。

2. Modeformer：學習氣候模態之間的關係

Modeformer 專注於 ENSO、IOD、TNA、NPMM、SPMM、IOB 和 SIOD 等七種重要氣候模態，學習它們之間的非線性交互與共同演化過程。

更重要的是，UniCM 建立了雙向耦合機制：一方面，局地物理場產生大尺度氣候模態；另一方面，形成後的氣候模態又反過來影響局地物理場的未來演化。研究團隊將這種機制稱為「mode-to-patch guidance」，即利用大尺度氣候狀態指導局地預測，實現從局部到整體、再從整體反饋局部的閉環建模。

研究結果顯示，ENSO預測能力達到國際領先水平

ENSO 被認為是全球最重要的氣候模態之一，也是長期氣候預測領域最具挑戰性的任務。

研究結果顯示，在1980—2023年的觀測數據檢驗中，UniCM在24個月預測窗口內持續優於多種代表性基線模型。該模型能將ENSO的有效預測提前期延長至19個月，而此前先進模型通常僅能達到15至16個月左右。

同時，在長期困擾氣候預測領域的「春季可預報性障礙」問題上，UniCM 也展現出明顯優勢。模型在跨越北半球春季時仍能保持較高預測技巧，將有效預測能力延長至約 14 個月。

此外，UniCM 成功再現了 1997—1998 年的超級厄爾尼諾事件以及 2020—2023 年連續三年的「三重拉尼娜」事件，準確捕捉了這些歷史極端事件的發生、發展和衰減過程。

首次實現全球多氣候模態統一預測

UniCM 不僅擅長預測 ENSO，還能在同一框架下同時預測七類重要氣候模態，包括 ENSO、IOD、IOB、SIOD、SPMM、NPMM 和 TNA。

結果表明，該模型在多個氣候模態上的預測能力均優於現有代表性方法。其中，對部分較難預測的非ENSO模態，平均預測技巧提升超過22%；IOD的有效預測提前期達到約7個月。

更重要的是，UniCM 能夠準確重建不同氣候模態之間真實存在的滯後相關關係。例如，它成功再現了 NPMM 領先 ENSO 約 4 個月的物理聯繫，以及多個跨洋盆氣候模態之間的耦合結構。

This indicates that the model has learned physical coupling mechanisms genuinely present in the global climate system, rather than mere statistical correlations.