西风爆发（WWBs）是影响El Ni?o事件发生发展和可预报性的重要高频大气强迫；但当前数值模式对WWBs过程的模拟普遍存在显著偏差，导致其对El Ni?o事件，尤其是对极端事件的预报仍然存在较大的不确定性。因此，进一步构建可靠的WWBs参数化方案是提升El Ni?o事件预报技巧，同时揭示WWBs对El Ni?o动力学影响的关键工具。另一方面，当前广泛应用的WWBs参数化方案均基于简单的统计公式建立，且仅考虑了海洋状态对WWBs的调控作用。研究表明，大气内部变率，如MJO事件，对WWBs也具有重要影响。因此，在WWBs参数化建模中，须同时考虑海洋和大气变率的影响，充分挖掘二者对WWBs的非线性调控作用，从而更全面刻画WWBs的复杂性，以期提升El Ni?o事件预报技巧。
近年来，人工智能（AI）的迅速发展，为构建新一代WWBs参数化方案提供了新思路。为此，我系穆穆院士团队2020级直博生纪超鹏（第一作者）在穆穆院士、方向辉副教授（共同通讯作者）和秦博博士（共同通讯作者）的指导下，并与自然资源部第二海洋研究所的连涛研究员、宋讯殊副研究员和冯杰博士，同济大学计算机科学与技术学院袁时金教授合作，利用基于AI的条件扩散模型（DDPM），综合考虑海气状态对WWBs的调控作用，构建了一种新型WWBs概率参数化方案。在2010-2022年的线下评估试验中，相较于传统仅依赖暖池东边界（WPEE）调控的参数化方案，DDPM可以更有效地刻画WWBs的多种物理特征，表征出的WWBs发生概率、中心经度、累积强度等性质与观测非常相近（图1）。
进一步地，将DDPM与WPEE两种方案分别嵌入CESM，构建了两种考虑WWBs不确定性的El Ni?o集合预报。针对1982/83、1997/98、2015/16三次极端El Ni?o事件的回报结果表明，基于DDPM方案的集合预报在预测极端El Ni?o的强度和季节锁相方面，显著优于控制预报（CTRL，没有WWBs参数化）和基于WPEE方案的集合预报（图2）。且基于DDPM方案的集合预报表现出更接近观测海表面温度异常（SSTA）的时空演变结果（图3）。这种改进源于DDPM对WWBs物理特征更真实的刻画，从而有效缓解了CTRL和WPEE试验中西风应力异常偏弱且偏西的系统性偏差（图4）。这些结果揭示出更精准刻画WWBs的物理特征对准确预报极端El Ni?o的重要性，并展示了AI在构建高度非线性参数化方案（如本研究中的WWBs过程）的巨大潜力。
相关工作已在《npj Climate and Atmospheric Science》杂志发表。
论文信息：Ji, C., Mu, M., Qin, B. et al. Toward skillful forecasting of super El Ni?o events using a diffusion-based westerly wind burst parameterization. npj Clim Atmos Sci 8, 273 (2025). https://doi.org/10.1038/s41612-025-01158-x.
图1. 观测、DDPM([SSTA, OLRA, SLPA])与WPEE-dependent WWBs参数化模拟的2011-2022年间的WWBs的（a）经度中心（LonCen），（b）每月发生准确率，（c）每年的WWB数量，和（d）累积强度（NCWI）。其中蓝色代表观测，绿色和洋红色分别表示由DDPM方案和WPEE-dependent方案的结果。阴影表示20个集合成员的一倍标准差区间。
图2. 观测（蓝色）、CTRL（橙色）、WPEE（洋红色）和 DDPM（绿色）预报试验对 Ni?o3.4 指数（单位：℃）超前12个月的预报结果。（a、d）1982年2月和5月（b、e）1997年2月和5月，和（c、f）2015年2月和5月起报。阴影区域表示10个集合预报成员的一个标准差，而 WPEE 和 DDPM 试验显示这10个成员的集合平均值。
图3. (a, e) 观测、(b, f) CTRL、(c, g) WPEE 和 (d, h) DDPM 预报试验，超前12个月预报的 5°S-5°N 之间平均的月平均 SSTA（单位：℃），以1997 年2月和5月为起报月份。等值线表示 SSTA 超过 2 ℃。黑色虚线框表示 Ni?o3.4 区域（190°W–240°W）的纬向范围。WPEE 和 DDPM 试验显示这10个成员的集合平均值。其中0代表El Ni?o发展年（1997 年），1 代表次年（1998 年）。
图4. 同图3，但是对海平面高度异常（SSHA；单位：m）。黑色矢量箭头表示月平均西风应力异常（单位：N/m2。只展示超过0.02 N/m2的部分）
