热带海洋盆地间的相互作用如何削弱厄尔尼诺的春季预报障碍

厄尔尼诺-南方涛动（ENSO）是全球最重要的年际气候现象，表现为赤道太平洋海表温度在暖（厄尔尼诺）与冷（拉尼娜）状态间的不规则振荡，其影响通过大气遥相关和海洋通道波及全球环境与经济社会。然而，目前ENSO预测仍面临一个核心难题——‘春季可预报性障碍’（SPB）：每年2月至5月起报的预测，准确率会急剧下降，导致1年以上的可靠预测十分困难。传统模型常因初始误差、模式偏差或复杂性不足，难以刻画太平洋与其他热带海盆（印度洋、大西洋）之间的联动关系。本文提出一种名为GL-Geoformer的新型深度学习模型，它基于‘视觉Transformer’架构，能同时处理全球热带地区（32°S–32°N）的海表风应力和三维海洋温度异常（共13个变量），实现对未来24个月多变量场的滚动预测。该模型训练于CMIP6气候模拟数据，并在GODAS再分析数据上验证。结果表明：仅用太平洋数据时，春季起报的有效预测期仅约6个月；而引入印度洋和大西洋信息后，预测期大幅延长至16个月以上。进一步的‘消融实验’和‘示踪实验’揭示：印度洋主要通过次表层热输送影响太平洋，大西洋则主要通过调节沃克环流发挥作用；二者协同效应远超各自贡献之和，尤其在6–12个月预测期（即SPB最严峻阶段）提升最为显著。以2020–2021年强拉尼娜事件为例，传统模型普遍低估其强度（预测值仅达实测值的1/3），而GL-Geoformer成功提前近1年准确预测，定量归因显示印度洋贡献约60%，大西洋贡献约30%。这说明，将热带三大洋视为一个整体系统来建模，而非孤立看待太平洋，是突破ENSO长期预测瓶颈的关键路径。本研究为数据驱动气候建模提供了新范式，也深化了对跨洋盆遥相关物理机制的理解。