数据越多越好？这篇ENSO预测论文给出了三个意想不到的答案

做气候预测的人都知道一个"常识"：训练数据越多，模型越好。

这篇论文说——不一定。

而且它不只是说说而已，用实验数据把这个"常识"推翻了三次。

加了更多数据，预测反而变差了

现在做AI气候预测，最流行的做法是把CMIP6大型气候模式的模拟数据拿来训练——几十个模式、几百年的数据，样本量大到令人羡慕。

这篇文章也做了这个实验，把CMIP6数据加进来做迁移学习，然后和只用观测数据训练的混合模型做对比。

结果：加了CMIP6之后，CP型厄尔尼诺的空间分布出现明显西偏，无法再现中太平洋型El Niño，整体表现反而不如不加。

原因不难理解。CMIP6模式有一个众所周知的问题：赤道东太平洋存在系统性冷舌偏差，El Niño多样性也不够充分。用这些带偏差的数据训练，AI把模式的错误也一并学进去了——数量多，但质量差。

最终他们的选择是：用1856–1974年的Kaplan SST观测配合LDEO5动力模式的输出进行训练，截至1974年是为了保留1979–2022年作为独立测试集，拒绝使用CMIP6。

这个决定背后的逻辑很简单：数据质量比数据数量更重要。在气候预测这个领域，干净的小样本往往比带偏差的大样本更值得信赖。

20个月技巧的背后，有一个隐藏前提

论文的核心结论是：有效预测技巧达到20个月，显著优于8个NMME动力模式集合（约6–12个月）和Ham et al.（2019）CNN模型（约17个月）。

听起来很厉害。

但这里有一个需要说清楚的隐藏前提：这20个月的结果，依赖于LDEO5可以被积分到22个月，并在长时效上仍保留一定的物理信号供AI利用。LDEO5本身的有效预测技巧与其他动力模式相当，大约只有6–12个月——但即便超出这个范围，它的预报输出并不是随机噪声，仍然携带温跃层状态、充放电过程等物理结构信息。AI做的事，是在这些残余物理信号的基础上放大并修正残差，而不是凭空延伸预报时效。

如果底层动力模式只能积分6个月，这套方法的天花板也只有6个月。论文没有明说这个前提，是结论呈现上值得留意的地方。

所以更准确的表述应该是：在动力模式能提供物理输出的时间范围内，AI混合订正显著提升了预报技巧。这和"AI把ENSO可预测极限延伸到20个月"是两件完全不同的事。读论文的时候保持这个清醒，很重要。

不同时效，需要不同的模型

这是这篇文章方法论上最值得借鉴的地方。

大多数后处理方法的做法是：训练一个模型，然后用它订正所有预报时效——1个月、6个月、12个月，用同一套参数。

这篇文章反其道而行：每个预报时效训练一个专用的ConvLSTM模型，从1个月时效开始，将上一时效的AI预测结果滚动填入输入序列，替换掉序列最前端的那个观测月份，依次迭代到22个月时效。

结果证明这样做是对的——预测技巧在几乎所有时效上都有显著提升。

但论文没有专门展开为什么这样做更好。这里补充一个延伸判断：不同预报时效的误差性质根本不同。短时效的误差主要来自初始场的不确定性，偏随机；长时效的误差来自动力模式的系统性漂移，偏稳定、偏规律。用同一个模型统一订正，是在假设这两种误差的结构是一样的——而这个假设是错的。这是读完论文之后的延伸判断，不是论文原文的结论，供参考。

这个思路放到次季节-季节预测的后处理里，同样成立：提前1个月和提前6个月的偏差，在空间分布、量级、物理来源上都不一样，分开对待是更诚实的做法。

统计对了还不够，物理也要对

文章用了BJ指数（Bjerknes稳定性指数）来验证订正结果。BJ指数把ENSO的增长率分解成几个物理反馈项——纬向平流、Ekman反馈、温跃层反馈等。

订正之后，除热力学阻尼项外，这几个反馈项的估算都显著接近观测。也就是说，模型不只是让Niño3.4指数的数字变准了，背后的物理机制表达也更真实了。

这是一个很好的验证思路：AI订正的结果，不只用RMSE和相关系数来评价，还要用物理诊断量来检验。统计对了不代表物理对了；物理也对了，才算真的对了。

我的判断

这篇文章的架构在气候AI领域很有代表性：物理模式提供先验和动力演变，AI负责消除系统性误差，物理诊断验证结果的可信度。

它不是最炫的工作——ConvLSTM不新，滚动训练也不是首创——但它把这套框架做得很完整，每一步都有清晰的物理逻辑支撑。

三个发现背后其实是同一个判断：在气候预测里，尊重物理约束，AI才有价值。数据质量比数量重要，动力模式的先验不能丢，不同时效的误差要分开对待——这些都是"让AI在物理约束下工作"的具体体现。

代码和数据已开源，可以直接复现：

代码：https://doi.org/10.5281/zenodo.14560870

数据：https://doi.org/10.5281/zenodo.14560360

来源：Feng et al., “Achieving Explainable ENSO Prediction Using Small Data Training”, Geophysical Research Letters (2026). DOI: 10.1029/2025GL117573

你在自己的工作里，有没有因为训练数据质量踩过坑？欢迎留言。