厄尔尼诺-南方涛动（El Niño-Southern Oscillation, ENSO）是热带太平洋海气耦合系统中最显著的年际气候变率信号，通过大气桥和海洋过程对全球气候和社会经济产生深远影响，因此，精确模拟和预测ENSO一直是物理海洋学和气候学等的前沿课题。目前，国际上已经开发了许多动力和统计模式以用于模拟和预测ENSO事件，包括基于地球流体动力学方程组建立的中间型海气耦合模式（Intermediate Coupled Model, ICM）等。这类基于物理驱动的动力模式能够显式描述海气相互作用，是研究ENSO物理机制的核心工具。在实际运行过程中，其大气模块往往借助统计方法构建，例如奇异值分解（Singular Value Decomposition, SVD）等。然而，统计大气模块只能表征海表温度异常（Sea Surface Temperature Anomaly, SSTA）与风应力异常之间的线性关系；没有充分利用观测数据，难以进行变量间的非线性拟合。此外，ICM的线性大气模块通常是使用月平均数据来构建的（即表征了月平均态的海气相互作用状态），运行时需要通过时间插值实现与海洋模块的逐日耦合，无法表征高频的海气相互作用。

近年来，人工智能（Artificial Intelligence, AI）在气候研究领域展现出广阔的应用前景，深度学习（Deep Learning, DL）模型可以在大量观测数据中直接提炼出物理量之间的复杂映射关系，逐渐成为预测ENSO等气候信号的重要替代工具。除了直接使用AI模型模拟和预测ENSO事件外，将基于数据驱动的DL模型与基于物理驱动的动力模式相融合的建模方法也是备受关注的技术路径。这种“数据驱动+物理机制”的融合建模技术兼具两类方法的优势，不仅能够体现AI模型的非线性拟合能力，还具备耦合模式的显式物理机制，为ENSO研究提供了新的范式。

由此，本文构建了替代统计大气模块的DL模型，并将其与ICM的动力海洋模式相耦合，实现了数据驱动模型与物理驱动模式的有机融合，为ENSO的模拟和预测等提供了一个重要的研究范式，主要工作包括以下三个方面：

（1）基于U-Net框架构建了“数据驱动+物理机制”的新型海气耦合模式：ICM-UNet，率先实现了数据驱动模型与物理驱动模式的融合建模。该研究发展了一个用于表征热带太平洋SSTA与风应力异常之间非线性关系的U-Net模型，并用其替代原ICM中基于SVD分析构建的统计大气模块，形成一个新的中间型耦合模式，即ICM-UNet。在单独海洋试验中，利用基于数据驱动的大气模型得到的风应力异常场驱动ICM的海洋部分（Intermediate Ocean Model, IOM），表明能合理模拟典型的El Niño事件，证明了DL模型可以作为海气耦合模式的关键组成部分。在海气耦合试验中，ICM-UNet的模拟成功再现了热带太平洋与ENSO相关的海洋和大气变量的年际振荡，特别是SSTA具有合理的时空变化特征，阐明了在ENSO研究中将数据驱动模型与物理驱动模式进行直接融合的可行性。这种建模技术既具备了较强的非线性拟合能力，又继承了动力模式的物理机制，为DL模型与数值模式间的混合建模提供了一种新方法。

（2）考虑到使用月平均数据构建的U-Net模型难以反映日际等高频海气相互作用的潜在影响，且在运行过程中需要通过时间插值实现逐日海气耦合。借助U-Net框架和特定模块构建了能够表征热带太平洋高频海气相互作用的DL模型，并发展了融合模式：ICM-RCUNet，实现了与动力模式的逐日耦合。具体地，该项研究优化了之前的U-Net模型，在其中引入了残差卷积和卷积注意力模块（Res-CBAM block），并将多天时间窗口的SST序列信息作为模型的输入场，得到了能够表征SSTA累积效应的DL模型。针对SST时间窗口所开展的敏感性试验表明，当输入序列长度为3天时，大气模型能够更精确地表征热带太平洋风应力异常的时空演变。此外，单独海洋试验的模拟结果能够成功捕捉典型ENSO事件的演变特征，这些结果证明在动力模式中融入利用日平均数据构建的风应力模型可以再现更加准确的ENSO模拟结果。随后，将基于RC-UNet的大气模型用于海气耦合试验，形成ICM-RCUNet，真正实现了逐日海气耦合，所得结果描绘了与ENSO相关的赤道太平洋海气变量的准周期振荡，展现了日际等高频海气过程的重要性，标志着融合建模技术从初步尝试进入了质量提升的新阶段。

（3）进一步将ICM-UNet用于ENSO的回报预测研究，分析了典型ENSO事件的预测结果，证明了新型融合模式的应用价值。事实上，发展融合建模技术的核心目标是提升海气耦合模式对ENSO的预测能力，先前的研究只是完成了数据驱动模型与物理驱动模式的初步融合，没有探究融合模式的应用出口。基于此，该研究通过简单的初始化流程完成了ICM-UNet对ENSO的回报预测试验。总体评估表明，该模式可以提供1995-2023年的有效预测结果，验证了将新型融合模式用于ENSO回报预测的可行性。此外，个例分析结果揭示了与真实情况一致的2021年末赤道中东太平洋的二次变冷趋势，并成功再现了2023年的El Niño事件，证明了ICM-UNet预测典型ENSO事件的能力，为提高传统数值模式的ENSO预测能力提供了新的技术路径，凸显了“数据驱动+物理机制”的融合建模技术在气候预测研究中的优势。

综上所述，本文基于深度学习技术分别构建了表征热带太平洋月际和日际海气过程的大气风应力模型，并实现了与基于物理驱动的动力海洋模式的融合建模，得到了有效的ENSO模拟和预测结果；发展了“数据驱动+物理机制”的气候系统建模新范式，推动了AI模型在ENSO研究中的多样化应用。

第1章 绪论... 1

1.1 研究背景及意义... 1

1.2 国内外研究现状... 4

1.2.1 用于模拟和预测ENSO的数值和统计模式... 4

1.2.2 人工智能在ENSO模拟和预测中的应用... 7

1.3 主要研究内容和技术路线... 10

1.4 章节安排... 11

第2章 数据、方法和模式... 13

2.1 相关数据介绍... 13

2.1.1 观测和再分析数据... 14

2.1.2 CMIP6模拟数据... 15

2.2 中间型海气耦合模式（ICM）简介... 16

2.2.1 基于SVD分析构建的统计大气模块... 18

2.2.2 中间型海洋模式（IOM）... 19

2.3 U-Net模型及性能评估方法... 23

2.3.1 U-Net模型的基础框架及相关模块... 23

2.3.2 模型性能评估方法... 30

第3章 基于U-Net构建月际变化的海表风应力模型及其在ENSO模拟中的应用... 31

3.1 引言... 31

3.2 用于表征热带太平洋SSTA与风应力异常之间月际变化关系的U-Net模型... 32

3.2.1 模型搭建和训练过程... 32

3.2.2 模型性能评估... 33

3.3 利用驱动IOM的单独海洋试验及个例分析... 37

3.3.1 单独海洋试验的具体过程... 37

3.3.2 个例分析... 38

3.4 与IOM的海气耦合试验及模拟结果... 41

3.4.1 海气耦合试验的具体过程... 41

3.4.2 模拟结果评估... 41

3.5 本章小结... 45

第4章 基于RC-UNet构建日际变化的海表风应力模型及其在ENSO模拟中的应用... 47

4.1 引言... 47

4.2 用于表征热带太平洋SSTA与风应力异常之间日际变化关系的RC-UNet模型... 48

4.2.1 模型搭建和训练过程... 48

4.2.2 模型性能评估及敏感性试验... 49

4.3 利用驱动IOM的单独海洋试验及个例分析... 57

4.3.1 单独海洋试验的具体过程... 57

4.3.2 个例分析... 58

4.4 与IOM的海气耦合试验及模拟结果... 62

4.4.1 海气耦合试验的具体过程... 62

4.4.2 模拟结果评估... 62

4.5 本章小结... 67

第5章 基于ICM-UNet的ENSO回报预测研究... 69

5.1 引言... 69

5.2 利用ICM-UNet进行ENSO回报预测的技术路线... 70

5.3 基于ICM-UNet的ENSO回报预测结果评估... 72

5.3.1 1995-2023年的ENSO回报预测总体评估... 72

5.3.2 个例分析... 74

5.4 本章小结... 82

第6章 总结与展望... 85

6.1 研究成果总结... 85

6.2 本文创新点... 87

6.3 不足与展望... 88

参考文献... 91

致 谢... 103

作者简历及攻读学位期间发表的学术论文与其他相关学术成果 105