ARTICLE · 1137632

AI for the Earth Systems | 从单一指数到潜空间:可解释机器学习如何表征 ENSO

发布时间：2026-10-08 06:21:57 最近访问：2026-10-08 06:21:58

图文解读 · EXPLAINABLE CLIMATE AI

从单一指数到潜空间：可解释机器学习如何表征 ENSO

模型同时压缩海温、海洋蓄热和热带对流，得到的潜空间既能重建原场，也能辨认 ENSO 的不同结构。

Wisinski, E. F., Molina, M. J., Hall, K. J. C. et al. (2026). Exploring coupled tropical Pacific variability within a Multi-branch β-Variational Autoencoder. Artificial Intelligence for the Earth Systems.

发表日期：2026-09-23

DOI: 10.1175/AIES-D-26-0041.1

#厄尔尼诺—南方涛动 #变分自编码器 #海洋热含量 #可解释人工智能

一句话导读

多分支 β-VAE 把 SST、OHC 和 OLR 压缩进 20 维潜空间：它不仅能在同一模式试验内重建原始场，还能用空间响应、时间相关和频谱诊断 ENSO 的不同结构，但这些潜维度还不是已被证明的独立物理模态。

厄尔尼诺来临时，赤道太平洋的海水会变暖，海洋内部的热量重新分配，深对流和降雨带也随之移动。

我们习惯用 Niño-3.4 或 ONI 把 ENSO 表示成一条时间序列，但两个 ONI 强度相近的事件，海温异常中心、次表层蓄热和热带对流结构可能完全不同。这篇论文问的是：如果不预先规定这些“型”，神经网络能否从 SST、OHC 和 OLR 中自己压缩出一组仍具有物理含义的坐标？

01｜三类场怎样进入同一个潜空间

作者使用地球能源外尺度地球系统模式第二版（Energy Exascale Earth System Model version 2, E3SMv2）的 500 年工业化前控制试验。这样做提供了约 6000 个连续月样本，也避开了观测时代 ENSO 事件数量太少的问题。代价是研究结果首先描述 E3SMv2 自己的气候，而非直接描述现实世界。

输入包括海表温度（Sea Surface Temperature, SST）、0–700 米海洋热含量（Ocean Heat Content, OHC）和向外长波辐射（Outgoing Longwave Radiation, OLR）。OLR 在这里用来指示深对流活动。多分支 β 变分自编码器（multi-branch β-Variational Autoencoder, β-VAE）先分别压缩三类场，再把信息汇入 20 维潜空间，最后由三条解码支路还原原始变量。

图 1｜多分支 β-VAE 架构：SST、OHC 和 OLR 分别编码，再在共同潜空间中汇合并由对应解码支路重建。

这套结构允许海温、海洋蓄热和对流各自保留特征，又迫使它们在共同瓶颈中表达耦合关系。20 个潜维度并非 20 个预先命名的气候模态，模型只是在重建与正则化约束下自行组织信息。

02｜在解释潜空间之前，先看重建是否可靠

测试集上的重建性能与训练集接近，说明模型并非只记住训练样本；但 OLR 的重建明显弱于 OHC，也说明快速、位置敏感的对流变化更难被 20 维潜空间完整压缩。

空间误差也有清楚结构。海温在中东太平洋和冷舌附近更难还原，OLR 在西太平洋深对流活跃区误差较大。这些区域本来就包含强烈、快速、位置敏感的变化。因而这里的“泛化良好”指同一模式控制试验内的留出时段表现稳定，不能外推为跨模式或跨观测数据同样有效。

03｜潜空间是不是比单一 ENSO 指数更丰富？

潜维度 1 对 SST 重建最重要，也与海洋尼诺指数（Oceanic Niño Index, ONI）高度同步。更多潜维度在 ENSO 暖、冷位相之间呈现分布偏移；有些维度还能区分暖异常中心更靠东或更靠近日期变更线的事件。海温信息因此集中在少数关键方向上，OHC 与 OLR 则分散在更多维度中。

超前—滞后相关给出了另一层信息。部分潜维度与 ONI 同期变化，部分提前或落后数月；功率谱又显示，许多维度含有典型 ENSO 的 2–7 年周期，另一些维度更偏向十年或更长变化。

这说明模型没有把三类变量机械揉成一个“ENSO 强度”。它更像建立了一组相互重叠的坐标，有的记录东太平洋海温，有的记录中太平洋结构，有的更接近海洋内部蓄热或大气对流。坐标之间仍有关联，所以不能把每一维当成彼此独立的自然模态。

04｜作者凭什么说这些 latent dimension 有物理含义？

作者逐一扰动潜维度，查看解码后的 SST、OHC 和 OLR 如何变化，再把这些空间响应与常用 ENSO 指数、事件中心经度和时间尺度放在一起比较。由此得到东太平洋型、中太平洋型、沿岸型、次表层占优和大气占优等解释。

这张综合图适合用来理解潜空间怎样覆盖热带太平洋，却不是一张已经完成因果归属的过程图。同一潜维度可能同时影响表层和次表层，多种维度也可能共同对应一个熟悉过程。图中的编号表示“与哪些区域和变量最一致”，不表示模型发现了 20 个互不重叠的新气候机制。

05｜这篇文章对可解释气候机器学习到底推进了什么

论文给出了一套较完整的可解释性检查：先确认重建和测试集表现，再用敏感性实验判断哪些潜维度真正影响输出，最后与 ENSO 位相、事件位置、时间关系和空间响应交叉核对。它尝试解决气候机器学习里一个很常见的问题：降维模型往往能压缩数据，但压缩后的坐标很难解释。这篇工作不是只展示 latent space，而是用空间扰动、时间相关、频谱和 ENSO 指标去给 latent dimension 做多重物理诊断。

仍未解决的是迁移问题。训练材料只有一个模式的工业化前控制试验，模型没有接受真实观测、其他气候模式或外强迫变化的检验。它也尚未证明这些潜维度能提高 ENSO 预测。眼下最合适的理解是：这是一张可以继续诊断的“气候坐标系”，而非已经获得物理名称和因果身份的一组新模态。

方法小词典

β-VAE：在变分自编码器的潜变量约束中提高正则化权重，使潜空间更倾向于分离可辨识变化，但分离结果仍依赖数据和训练设定。

多分支结构：SST、OHC 和 OLR 先由各自编码器提取信息，再汇入共同潜空间，最后分别重建三类输入。

潜维度（latent dimension）：神经网络用来压缩高维气候场的坐标方向；它不自动等同于独立的物理模态。

OHC：海洋热含量，本文使用 0–700 米深度范围，用来表示海洋内部热量储存和再分配。

扰动解码：改变某个潜维度，再观察解码出的 SST、OHC 和 OLR 如何响应，用于建立统计坐标与空间气候特征之间的联系。

结论边界

研究训练于 E3SMv2 单一模式的 500 年工业化前控制试验，重建和“物理解释”首先适用于该模式数据。潜维度之间仍有关联，图中的东太平洋型、中太平洋型、沿岸型等是基于响应和相关关系的诊断性命名，不是已被独立验证的因果机制。模型尚未通过真实观测、其他模式或外强迫变化检验，也没有证明潜空间能够提高 ENSO 预测。因此，它更适合作为可继续检验的气候坐标系，而不是直接替代 ONI 或一组全新的独立气候模态。