海洋厄尔尼诺-南方涛动(El Niño-Southern Oscillation, ENSO)是全球气候变化的显著信号，产生于热带太平洋，进而通过遥相关的方式影响全球的大气环流，引起全球各地的干旱、洪水、热浪和其他极端天气事件。实现更准确、更长前置月的ENSO有效预测有助于规划和调整长期政策，更好应对气候变化带来的挑战。传统的动力学ENSO预测模型通过物理方程模拟大气和海洋的相互作用，能够实现前置10个月左右的有效预测。近年来，随着观测技术的快速发展，人们收集到的海洋气象数据呈爆炸式增长。深度学习作为一种数据驱动的自动特征学习方法，通过对这些海洋气象数据进行分析，在ENSO预测问题上取得了很大进展，将有效预测月提升至前置16个月左右。

但是，目前基于深度学习的ENSO预测方法仍然存在若干问题，其一，在编码方面，现有方法普遍将深度学习方法直接迁移到ENSO预测问题上，对ENSO现象本身特征的建模不够充分，这些特征包括但不限于日历月--季节特征、时空近距离-远距离相互依赖特征；其二，在解码方面，现有方法在递归式解码过程中，模型当前时刻的预测输出会继续作为下一时刻的输入特征使用，相邻时刻的信息传递存在浅层依赖问题，容易导致长期预测的累积误差严重，长期预测效果较差。本文从这两个问题入手展开面向厄尔尼诺现象的海洋环境时空序列预测方法研究，旨在提高ENSO预测精度。主要贡献和创新点如下：

（1）针对现有深度学习ENSO预测方法对海洋环境时空序列时间特征建模不充分的问题，本文提出了时间感知的海洋环境时空序列两阶段模型TSST。阶段1设计全局时间编码捕获序列的日历月季节模式，通过与时空自注意力的ConvLSTM 网络相结合，充分挖掘海洋环境变量的时空依赖特征；阶段2基于卷积神经网络，将上述产生的未来时刻的海洋环境时空序列映射为待预测的ENSO指数。实验证明，所提出的模型将ENSO现象的预测月有效提升至前置24个月，并且在一定程度上缓解了 ENSO预测的春季预报障碍。

（2）针对传统递归解码由于相邻时刻浅层依赖导致预测误差累积，影响ENSO现象指数长期预测的问题，本文提出了分层递归的ENSO现象指数序列预测模型CENSO。首先，采用时空LSTM对未来时刻海洋环境时空变量进行初级预测；其后，设计级联递归预测策略，进一步融合同一时间步的浅层传递信息和前一时间步的深层传递信息；最后，针对Niño区计算相应的ENSO现象指数序列。实验证明，所提出的模型将前置24个月的相关系数整体提高3个百分点，同时，进一步缓解了ENSO 预测中春季预报障碍问题。