På 1930-talet Den engelske klimatologen Sir Gilbert Walker förutspådde framgångsrikt indiskt sommarmonsunregn (ISMR) baserat på förhållandet mellan Southern Oscillation och ISMR kopplat till vad som senare kallades Walker-cirkulationen, som betraktas som den första bedriften av modern klimatförutsägelse med en tydlig fysisk mekanism. Southern Oscillation erkändes också som den atmosfäriska komponenten i El Nino-Southern Oscillation (ENSO).

Dock, i slutet av 1900-talet, forskning ledd av den indiske klimatologen Krishna Kumar fann att det betydande omvända förhållandet mellan ENSO och indiskt regn har försvagats sedan 1970-talet, försämrar förutsägbarheten hos ISMR. Sedan dess, instabiliteten i förhållandet mellan ENSO och indiska nederbörd har varit ett extremt hett ämne inom klimatologisk forskning, men dess mekanism förblir förbryllande.

Nyligen, en studie publicerad i Innovationen , ledd av prof. Ping Huang från IAP, fann att förhållandet mellan ENSO och indiska nederbörd har stärkts på nytt sedan 1999/2000, bekräftas av flera datauppsättningskällor.

Denna studie identifierade först att mångfalden av ENSO:s utveckling, fortsätter från föregående vinter eller kommer från sen vår, är den dominerande faktorn som stör ENSO-ISMR-förhållandet, med tropiska atlantiska SST-anomalier som den avgörande bron. Under 1979-1997 ENSO-evenemang på sommaren fortsatte huvudsakligen från föregående vinter, som kan driva uppenbara Atlantic Niña SST-avvikelser för att kompensera ENSO:s inverkan på ISMR och försvaga ENSO-ISMR-relationen. I kontrast, när ENSO-evenemang nyligen dyker upp från sen vår, som de har gjort på senare tid under 2000-2018, de associerade tropiska atlantiska SST-avvikelserna är svaga och övergår till den tropiska nordatlanten, som kan framkalla östliga anomalier för att undertrycka ISMR och förstärka ENSO-ISMR-relationen.

"Vi tror att detta resultat kan främja studiet av ISMR-förutsägelser, ENSO:s mångfald och inter-basin-interaktionen." sa Prof. Huang. "Förtydligandet av ENSO-ISMR-relationen kan också återställa vårt förtroende för klimatförutsägelser baserat på den fysiska processen och tillämpningen av en maskininlärningsmetod är snabbt under utveckling. "