研究主题

气候预测

ENSO 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。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。

专题成果

标准化系统样本熵线性预报模型

基于 NorSysSampEn 的 2026 年 El Niño 峰值 ONI 线性预报方法，结合 ERA5/ONI 数据、预处理流程、参数搜索与模型构建过程，给出对应的预报结果与不确定性表达。

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

基于 ORAS5 再分析资料与物理引导深度回声状态网络（DESN）的 ENSO 实时预报方法，结合气候模态指数构建、去季节与去趋势处理、集合训练与成员筛选流程，给出 2026-2027 年 Niño3.4 预测结果。

热带季风降水可实现长达 10 个月的超前预测

该研究证实热带季风降水具备长达 10 个月的可预报时效，拓展了季风气候年际尺度预测的理论上限，为跨季节长期气候预测提供关键依据。

基于复杂度分析的厄尔尼诺强度预测方法 —— 跨越春季可预报屏障

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。