研究团队在全球海洋热浪次季节至季节尺度预测方面取得新进展

近日，中国科学院南海海洋研究所中国-斯里兰卡热带海洋环境“一带一路”联合实验室（CSTO）与热带海洋环境实验室（LTO）研究团队在全球海洋热浪次季节至季节（Subseasonal-to-Seasonal, S2S）尺度预测研究方面取得新进展。相关成果以“Global Subseasonal-to-Seasonal Marine Heatwave Forecasts Boosted by Explainable Deep Learning”为题，发表于《Journal of Geophysical Research: Machine Learning and Computation》。博士研究生郭明辉为论文第一作者，研究员徐康为通讯作者，研究员张磊和研究员王卫强为合作作者。

海洋热浪（Marine Heatwaves, MHWs）是指海表温度持续异常升高的极端事件，会对海洋生态系统和区域气候产生显著影响。已有研究表明，海洋热浪通常持续数周甚至数月，且其发生、发展和消退涉及天气尺度与气候尺度之间的海气相互作用过程。S2S尺度作为连接天气预报与气候预测的重要时间尺度，能够覆盖海洋热浪发生前数周至数月的关键预警窗口，为提前预警和刻画海洋热浪演变提供重要支撑。然而，在该尺度上，大气初始条件的可预测性快速衰减，而海洋等缓变过程的可预测信号尚未充分显现，导致数值模式仍存在较明显的系统性偏差，预报技巧也随提前期增加而快速下降。因此，如何有效识别并订正模式预测偏差，是提升S2S尺度海洋热浪预测能力的关键科学问题之一。传统统计订正方法难以刻画模式误差中的复杂非线性时空特征，深度学习虽为极端事件预测后处理提供了新途径，但其“黑箱”特征仍限制了对订正机制及区域差异来源的深入理解。

针对上述问题，CSTO研究团队构建了一种可解释深度学习后处理框架MHWCorrNet，用于订正ECMWF S2S模式的海洋热浪预测偏差。研究结果表明，MHWCorrNet在提前1–6周均表现出稳定的订正效果，全球平均临界成功指数（Critical Success Index, CSI）较原始ECMWF模式提高约6%–12%，6周平均提升约9%，表明深度学习后处理能够有效缓解数值模式在全球海洋S2S尺度预测中的系统性偏差。进一步的空间分析表明，MHWCorrNet在南印度洋、阿拉伯海、北太平洋和西北大西洋等多个关键海域均实现了明显的预测技巧提升（图1）。其中，南印度洋的改善尤为突出：原始ECMWF模式在该海域的海洋热浪预测技巧整体较低，部分区域甚至接近无技巧状态，而经过MHWCorrNet订正后，CSI提高超过0.2，显著增强了该海域S2S尺度海洋热浪的预测能力。

更值得关注的是，MHWCorrNet带来的预测改进呈现出显著的纬向差异（图2a）：热带区域的预测提升主要来自误报率（False Alarm Ratio, FAR）的降低，而中高纬区域则主要依赖于命中率（Probability of Detection, POD）的提高（图2b）。进一步研究发现，这种差异与不同海域的气候背景和物理过程密切相关。热带海域受到ENSO等大尺度气候模态的显著调制，同时具有较高的背景海温，使海洋热浪与非热浪状态之间的温度差异减弱（图2c），模式更容易产生误报，因此MHWCorrNet主要通过降低误报提升预测能力。相比之下，中高纬海域受中尺度涡、西边界流等局地动力过程影响，而数值模式对这类高频过程的刻画能力有限，导致海洋热浪事件漏报增加。同时，中高纬海域海洋热浪与非热浪状态之间具有更大的温度对比度，热浪信号更加明显（图2d，e），使MHWCorrNet能够更有效地识别被模式遗漏的海洋热浪事件，从而主要通过提高命中率改善预测技巧。这一结果表明，MHWCorrNet并非简单地对模式结果进行统一校正，而是能够针对不同区域的预测偏差特征进行自适应订正。

上述结果表明，深度学习后处理的效果不仅取决于模型结构和学习能力，还受到区域物理环境和模式误差特征的共同调制。这一发现不仅拓展了传统后处理研究主要关注“预测技巧提升了多少”的视角，而且还进一步揭示了“为什么不同海域能够以不同方式获得预测改进”的潜在原因，为认识数值模式在S2S尺度海洋热浪预测中的局限性，以及发展面向不同物理环境的智能后处理方法提供了新的思路。

该研究由国家自然科学基金合作创新研究团队项目、国家自然科学基金面上项目、广东省基础与应用基础研究基金项目和广州市科技计划项目共同资助完成。