ENSO预测、可预报性与气候影响
本主题围绕 ENSO 的预测方法、春季可预报性障碍以及 El Niño 对全球气候网络的局地化影响，串联复杂度指标、气候网络与物理引导机器学习等代表性研究。
ENSO 是全球气候系统中最重要的年际尺度模态之一。它不仅影响热带太平洋海气耦合过程，也通过遥相关作用影响全球极端天气、降水和生态社会系统风险。
课题组在 ENSO 研究中关注两个互补问题：一是如何突破传统预测中的春季可预报性障碍，二是如何识别 El Niño 对全球不同区域气候网络的非均匀影响。
代表性成果
物理引导深度回声状态网络提升 ENSO 可预报性
Enhancing the predictability limits of ENSO with physics-guided deep echo state networks 将扩展 recharge oscillator 框架中的可解释气候模态与深度回声状态网络结合，显示 Niño3.4 预测在 16-20 个月提前期仍可保持有效技巧，并用子模型实验分析暖水体积与跨盆地模态耦合对长提前期可预报性的贡献。
- 作者：Zejing Zhang、Jun Meng、Zhongpu Qiu、Wansuo Duan、Jian Gao、Zixiang Yan、Jinghua Xiao、Xiaosong Chen、Wenju Cai、Jürgen Kurths、Shlomo Havlin、Jingfang Fan
- 期刊年份：npj Climate and Atmospheric Science，2026
- 论文链接：npj Climate and Atmospheric Science
- 相关成果页：利用物理引导的深度回声状态网络提升ENSO的可预测性极限
春季可预报性障碍前的 El Niño 强度预测
Complexity-based approach for El Niño magnitude forecasting before the spring predictability barrier 使用复杂度指标刻画 Niño3.4 区域系统状态，并在春季可预报性障碍之前预测 El Niño 事件强度。
- 作者：Jun Meng、Jingfang Fan、Josef Ludescher、Ankit Agarwal、Xiaosong Chen、Armin Bunde、Jürgen Kurths、Hans Joachim Schellnhuber
- 期刊年份：PNAS，2020
- 论文链接：PNAS
- 相关成果页：标准化系统样本熵线性预报模型
El Niño 影响的局地化网络结构
Network analysis reveals strongly localized impacts of El Niño 通过气候网络分析发现，El Niño 的影响并不是在全球均匀展开，而是在特定区域表现出强局地化结构。
- 作者：Jingfang Fan、Jun Meng、Yosef Ashkenazy、Shlomo Havlin、Hans Joachim Schellnhuber
- 期刊年份：PNAS，2017
- 论文链接：PNAS
主题意义
这一主题将预测方法与机制识别放在同一框架下：复杂度指标和机器学习模型服务于提前预测，气候网络分析则帮助解释 ENSO 影响如何在空间上组织和传播。