近日，中国科学院海洋研究所李晓峰研究团队与美国哥伦比亚大学研究团队合作，发展一款基于深度学习的南极海冰季节内预测模型。该模型具备超前4周的海冰预测能力，其技巧表现显著高于欧洲的ECMWF以及美国的NCEP和GFDL-SPEAR等主流数值模式，这一成果对于开发南极高空间分辨率海冰业务化预测模式具有重要意义，并在国际学术期刊Geophysical Research Letters发表。 不同于北极海冰持续快速消融，南极海冰在全球变暖背景下，从1979年至2015年表现微弱的增长，随后快速下降，同时呈现出强烈的季节性和纬向不对称性。然而，由于对海冰厚度、波浪-海冰相互作用、海冰流变等过程的理解不足，以及模拟海-冰-气耦合系统所产生的较大误差，传统的动力模式在南极海冰预测中表现较差，尤其是在季节内尺度上。
鉴于以上问题，研究团队避开复杂的物理过程，利用深度学习方法，以纯海冰数据驱动，发展了南极海冰季节内预测模型（SIPNet）。该模型主要包括输入、编码器、解码器和输出四个模块，嵌入了具有时空注意力机制的残差神经网络，可兼顾海冰场空间自相关性和时间变率，具有强大的时空特征提取能力，能够捕捉海冰复杂的非线性变化特性。
图1 SIPNet模型结构及南极海域划分
研究结果显示，通过对1-8周预测技巧进行评估，SIPNet显著优于其他主流数值模式（如ECMWF、NCEP、GFDL-SPEAR）以及惯性预测，实现了对海冰异常位相和异常量级的准确预测。SIPNet预测结果具有一定的季节性和区域性，秋季的预测技巧达到最高水平，而春季则相对较低；SIPNet在威德尔海域的预测技巧显著优于西太平洋海域。尽管ENSO（厄尔尼诺-
南方涛动）和SAM（南极环状模）对海冰异常场的驱动位相相反，导致海冰异常场偏弱，SIPNet仍然能够成功提取和解释这些气候信号。SIPNet模型在处理不同长度的海冰数据序列时表现出了卓越的稳定性，意味着其在不同数据条件下能够保持可靠的预测性能。此外，SIPNet模型的优势还包括较小的计算资源需求和更快的计算速度，为其在实际应用中被广泛采用提供了有力支持。
图2 不同模型在超前预测时间上的平均预测技巧。（a）平均绝对误差，（b）海冰边缘误差，（c）异常相关性系数
论文第一作者为中国科学院海洋研究所王云鹤助理研究员，通讯作者为李晓峰研究员和美国哥伦比亚大学Xiaojun Yuan教授，合作作者包括任沂斌助理研究员、普林斯顿大学Mitchell Bushuk教授、自然资源部第一海洋研究所舒启研究员和美国哥伦比亚大学的Cuihua Li博士。研究得到了国家自然科学基金青年项目、山东省自然科学基金青年项目和博士后特别资助（站前）等项目支持。
论文信息：
Yunhe Wang, Xiaojun Yuan*, Yibin Ren, Mitchell Bushuk, Qi Shu, Cuihua Li, Xiaofeng Li*. Subseasonal Prediction of Regional Antarctic Sea Ice by a Deep Learning Model. Geophysical Research Letters,2023,50(17),e2023GL104347.
https://doi.org/https://doi.org/10.1029/2023GL104347
