地球气候系统由多个混沌子系统构成，混沌系统对初始条件的高度敏感性导致长期可预报性及预测精度受限。在此背景下，数据驱动方法通过挖掘观测数据中的动态演化规律，为混沌气候系统的建模与预测提供了新的研究路径。
基于此，中国科学院青藏高原研究所三极观测与大数据中心李新研究员团队，联合西北师范大学物理与电子工程学院摆玉龙教授团队，提出一种融合雪消融优化器（Snow ablation optimizer，SAO）的自主回声状态网络（Autonomous echo state network, AESN）方法。该方法通过引入基于李雅普诺夫时间和有效预测时间的稀疏观测数据插入机制（图1），在无需人工设置AESN超参数的前提下，显著增强了数据驱动方法对混沌气候系统在不同初始条件下的适应性与鲁棒性。数值实验结果表明（图2），稀疏观测与AESN-SAO方法的融合能够有效减缓混沌气候系统在长期预测中的误差累积问题，从而延长可预测时间范围，提升混沌系统的可预报性。本研究为面向非线性与混沌特性的气候系统建模提供了可靠的长期预测框架，并在天气预报、气候建模等领域展现出广阔的应用潜力。
研究成果以“Chaotic climate system forecasting using an improved echo state network with sparse observations（融合稀疏观测与改进回声状态网络的混沌气候系统预测）”为题，发表于《Science China-Earth Sciences》（中英文版）。我所特别研究助理丁琳为论文第一作者，李新研究员和摆玉龙教授为共同通讯作者。该研究获得国家自然科学基金（42430112、42371377）的资助。
论文链接：http://engine.scichina.com/doi/10.1007/s11430-024-1593-9
http://engine.scichina.com/doi/10.1360/N072024-0311
图1 融合稀疏观测的AESN-SAO数据驱动方法流程图
图2 融合稀疏观测的AESN-SAO方法在Climate Lorenz-63系统中的长期预测结果
图中对比展示了真实（目标）系统与AESN-SAO方法在不同观测数据插入策略（No Insertion、1 LT Pre-Div、Every 1 LT和Div-Point）下的演化轨迹，以及对应的NRSE等值线分布图，横轴表示混沌气候系统的可观测维度，纵轴为系统演化的李雅普诺夫时间。观测数据在预测过程中持续插入至第90个李雅普诺夫时间，之后不再更新。在NRMSE曲线图中，黑色虚线代表阈值∈=0.5，为提升图像可读性，仅展示第80至100个李雅普诺夫时间的关键预测阶段。
