ENSO预测主要依赖于动力模型和统计模型。计算机计算能力的不断提升和机器学习算法的再次发展给ENSO预测提供了新的工具。国内外研究结果表明,利用机器学习方法进行天气预报、气候预测以及模式结果订正、释用,其技巧评估可达到或优于传统方法。本研究基于预测会商工作的思想,利用可解释机器学习方法——决策树算法建立了多模式ENSO预测结果智能会商系统,模拟会商工作的流程,给出预测结论及预测依据:分别使用基于Boosting的GBDT、XGBoost、light GBM和基于Bagging的RF四种树模型方法,同时结合随机采样交叉验证、网格搜索交叉验证两种超参数调整方法对树模型的超参数进行智能优化调整,根据不同超前预报时效分别建立多模式ENSO预测结果订正模型,给出各模式预测结果在智能会商系统中的特征重要性,得到预测结果。最后,将基于决策树方法的集合平均结果同动力模式、统计模式集合平均结果做对比。主要结果如下所示:在建模过程中的可解释方面,该智能会商系统给出了各模式预测结果的特征重要性。不同的决策树模型表现出较为一致的偏好,超前预报时效较短时,偏重于动力模式;较长时,偏重于统计模式。这与在不同超前预报时效上,动力模式、统计模式预报技巧的高低相吻合。而黑盒模型则无法给出该解释,只能给出预测结果。从时间序列图来看,四种树模型方法预测结果均有如下特征:在超前1～3个seasonal month预报时效上相位和强度同标签值基本一致;在超前4～6个seasonal month预报时效上相位和强度和标签值偏差较小,存在过拟合问题;在超前7～9个seasonal month预报时效上相位和强度和标签值偏差都比较大。总体而言,随着预报时效的增加,相位滞后程度逐渐加大,强度的偏差也越来越大。从预报技巧评估指标来看,不同决策树模型在不同超前预报时效上预报技巧表现不一。seasonal month1～3,基于GBDT的订正模型预报技巧最优;seasonal month 4～5,基于XGBoost的订正模型预报技巧最优;seasonal month 6～7,基于light GBM的订正模型预报技巧最优;seasonal month 8～9,基于RF的订正模型预报技巧最优。从集合平均结果对比来看,在各超前预报时效上决策树模型的预报技巧评估指标均达到或优于动力模式、统计模式。本研究的创新之处在于,实现了机器学习建模过程的可解释,超参数调整的智能化、客观化,会商流程的自动化、智能化。特别地,使用可解释机器学习的方法进行多模式集合订正,尝试对机器学习算法的建模预测过程作出一定程度的解释:给出不同超期预报时效上各模型预测结果的特征重要性,以期对今后的ENSO预测会商工作提供参考。