Learning ENSO Dynamics from Data

Prashant D. Sardeshmukh

doi:10.1175/JCLI-D-25-0053.1

Learning ENSO Dynamics from Data

2025-12-01

1

PRE

AI

P

Prashant D. Sardeshmukh *

DOI：10.1175/JCLI-D-25-0053.1

原文链接

原文求助

摘要

En 中文

全球季节性气候异常的可预测性在很大程度上源于热带厄尔尼诺-南方涛动（ENSO）事件及其全球遥相关的可预测性。然而，尽管数十年的研究，主导性正负反馈对可预测ENSO事件幅度、模式和持续时间的相对作用仍不明确。本研究尝试直接从观测数据中估计这些反馈。为达此目的，利用1979-2017年的再分析数据构建了一个包含15个分量的线性反演模型（LIM），用于耦合的印度-太平洋大气-海洋气候系统，并通过一系列反馈否定实验阐明其可预测动力学。该方法首次从数据中得出清晰的图像，展示了ENSO的正近表层纬向风和次表层海洋反馈导致的失稳与云覆盖区域云屏蔽相关的负表面短波通量反馈所提供稳定的优势竞争。结果表明，正是这种负反馈使ENSO渐近稳定。研究还表明，气候模型中对该负反馈的代表性不足很可能是导致模型在厄尔尼诺期间（及拉尼娜期间冷却）过度向西延伸赤道太平洋增温到西太平洋的原因，从而影响了全球的季节及更长期预测。该负反馈在马绍尔群岛地区的代表性不足也与许多气候模型在赤道西太平洋区域的海表温度（SST）冷舌和东风信风偏差一致。

Keyword:

Atmosphere-ocean interaction

Model errors

Stochastic models

Tropical variability

Learning ENSO Dynamics from Data

摘要

期刊

机构

引用论文