Madden-Julian Oscillation（MJO）是次季节-季节可预报性的一个重要来源。识别MJO的前兆信号对于改进其预测和指导模式发展至关重要。考虑到复杂数值模式的计算负担，本研究发展了一个基于实时多变量MJO指数训练的数据驱动模型。该模型能够以三周的有效提前期捕捉超过一半的MJO触发事件。利用这一能力，我们应用条件非线性最优扰动（CNOP）方法识别了原发型MJO事件的最优前兆信号。基于CNOP识别的前兆信号表现出显著的事件间差异，反映了其流依赖的本质。尽管如此，这些CNOP共享一个共同特征，即出现一个最优扰动模态，其最优出现时间主要由极端的初值敏感性决定。该最优模态主要体现为印度洋对流增强和西太平洋对流抑制，并与对流层低层和上层的斜压风场相耦合。该最优模态本身可贡献约40%的MJO触发强度，略高于剩余CNOP分量的作用。此外，最优模态与剩余分量之间存在非线性相互作用，并对MJO触发产生显著影响。据此，我们成功地从CNOP中提取了向西传播的扰动，该扰动包含了最优模态及其相关联的前兆信号。进一步的敏感性实验证实，相较于无结构的随机扰动，最优模态在影响真实MJO事件预报方面具有更显著的作用。这些发现揭示了人工智能与CNOP方法相结合在揭示MJO触发的复杂机理方面的强大能力，及其在业务次季节预报中的应用潜力。

Madden-Julian Oscillation,deep learning,Predictability,Conditional nonlinear optimal perturbation,Optimal Precursor