厄尔尼诺/南方涛动（ENSO）的变化与各种区域极端气候和生态系统影响有关。因此，强有力的长周期预测对于管理政策反应是很有价值的。尽管经过几十年的努力，在一年多的时间内预测ENSO事件仍然是个难题。该研究展示了一个使用深度学习方法的统计预测模型，可以对长达一年半的ENSO提前期做出娴熟的预测。为了避免观测数据的有限性，研究使用转移学习来训练一个卷积神经网络（CNN），首先在历史模拟3上训练，然后在1871年至1973年的再分析中训练。在1984年至2017年的验证期内，CNN模型的Nino3.4指数的全季相关技巧远高于目前最先进的动态预报系统。CNN模型还可以更好地预测海面温度的详细纬向分布，克服了动力预报模型的不足。热图分析表明，CNN模型使用物理上合理的前兆来预测ENSO事件。因此，CNN模型是预测ENSO事件及其相关复杂机制分析的有力工具。

相关论文链接：https://www.nature.com/articles/s41586-019-1559-7