袁时金，穆斌，田奔，陈丹丹

同济大学软件学院，国家气侯中心，中国气象科学研究院

1.代表性成果简介：

本项目旨在如何基于物理引导构建智能预报/预测模型和如何基于因果推断研发可解释性算法以提升智能预报/预测模型的预报技巧和可解释性。本项目开发了基于AI的ENSO集合预测系统、NAO的S2S预测系统、全球天气预报系统Weaformer以及一个通用的因果推断组件CAU。ENSO集合预测系统可提供长达18个月的有效预报，且两类事件的识别准确率超过 75%；已连续3年参加国家海洋环境预报中心的ENSO会商与国家气侯中心的汛期会商；过去一年的预报检验显示该系统的预报误差小于真实观测的10%，较国内外同类产品有明显的优势。NAO的S2S预测系统，1-14天的NAO预报技巧高于美国预测中心的业务产品 GFS 和ENSM集合预报模型10%以上；1-6个月的月度NAO预报技巧与欧洲中心成熟的业务预报系统ECMWF/ECCC相当。全球天气预报系统Weaformer在天气预报技巧方面超过了业务数值模式GFS和HRES，与最先进的AI天气预报模型伏羲（FuXi）相当；在中期天气预报的时效上，该模型超过了其他所有同类产品，达到了10.85天（Z500的ACC>0.6）的预报上限。即插即用的因果注意单元（Causality Attention Unit，CAU）通过转移熵（Transfer Entropy，TE）来检测并量化“相关性未来”中潜在的因果关系，通过过滤虚假相关来生成“因果性未来”。

2.代表性成果清单：

[1] Mu B, Qin B, Yuan S. ENSO‐GTC: ENSO Deep Learning Forecast Model with a Global Spatial‐Temporal Teleconnection Coupler[J]. Journal of Advances in Modeling Earth Systems, 2022, 14(12): e2022MS003132.

[2] Mu B, Cui Y, Yuan S, et al. Simulation, precursor analysis and targeted observation sensitive area identification for two types of ENSO using ENSO-MC v1. 0[J]. Geoscientific Model Development, 2022, 15(10): 4105-4127.

[3] Mu B, Jiang X, Yuan S, et al. NAO Seasonal Forecast Using a Multivariate Air–Sea Coupled Deep Learning Model Combined with Causal Discovery[J]. Atmosphere, 2023, 14(5): 792.

[4] Mu B, Li J, Yuan S, et al. The NAO Variability Prediction and Forecasting with Multiple Time Scales Driven by ENSO Using Machine Learning Approaches[J]. Computational Intelligence and Neuroscience, 2022, 2022.

[5] Qin B, Meng F, Fang X, et al. CAU: A Causality Attention Unit for Spatial-temporal Sequence Forecast[J]. IEEE Transactions on Multimedia, 2023.

[6] Yuan, S., Wang, G., Mu, B., et al. Weaformer: A Linear Complexity Transformer Model with Physics-augmented Weight Decay for Global Weather Forecasting. Advances in Atmospheric Sciences. Submitted.