深度学习遇见远程关联：提高欧洲冬季气候预报的 S2S 预测

亚季节-季节（S2S）时间尺度上的预测——范围从两周到两个月——对于早期警报系统至关重要，但由于气候系统的混沌性质，这些预测仍具有挑战性。远程关联现象，如平流层极地涡旋（SPV）和赫尔曼-朱尔斯振荡（MJO），提供了增强可预测性的窗口，但其复杂相互作用在操作预报中仍被充分利用不足。本文发展并评估了深度学习体系结构，用于预测北大西洋-欧洲（NAE）气候体系，系统性地评估了远程驱动因素在提高 S2S 预测技能方面的作用。我们实现了（1）一个长短期记忆（LSTM）网络，基于前几周的气候体系预测下六周的 NAE 气候体系；（2）一个包含 SPV 和 MJO 指数的 Index-LSTM；（3）一个使用 Vision Transformer 直接编码平流层风场和热带向外长波辐射场的 ViT-LSTM。这些模型与操作性后场预报以及其他 AI 模型进行比较。我们的结果表明，利用远程关联信息可在更长的预报时滞后提高技能。值得注意的是，ViT-LSTM 在第 4 周之后超过了 ECMWF 的亚季节后场预报，显著提高了对斯克兰andin Blocking（SB）和大西洋脊（AR）预测的准确度。对高置信度预测的分析揭示，NAO、SB 和 AR 机会预测可与 SPV 的变异性以及与已知通道一致的 MJO 相位模式相关联，也指示了新的模式。总体而言，我们的工作表明，对物理上有意义的气候场进行编码可提高 S2S 预测技能，推动了以 AI 为驱动的亚季节预报。此外，实验还凸显了深度学习方法作为探索性工具的潜力，为大气动力学和可预测性提供了新的见解。