近日，由中国科学院海洋研究所研究员、IEEE Fellow李晓峰领衔的人工智能海洋学研究团队，基于近30年遥感观测的北极区域逐日海冰密集度数据，建立了数据驱动的海冰密集度智能化预报模型SICNet，实现了连续28天的北极海冰密集度预报，预报时间为秒级。SICNet对未来28天的平均海冰边界预报精度高于90%，优于气候异常持续的预报结果。相关成果近日发表于地球科学和遥感领域Top期刊IEEE Transactions on Geoscience and Remote Sensing (IEEE TGRS)（影响因子5.6）。
海冰密集度指海区内海冰面积所占百分比，是描述海冰的基础参数。天气以上尺度的逐日海冰密集度预报对于北极航道规划具有指导意义。传统海冰预报模式计算资源占用较大，且在天气以上尺度的预报精度衰减明显，预报精度低于气候态平均值。
SICNet以深度卷积网络为基本单元，融合时间卷积网络建立时空注意力模块，以更好地建立海冰密集度历史序列与未来序列的时空映射关系。SICNet以近7天海冰密集度历史数据为输入，输出未来7天海冰密集度，迭代3次预测未来28天的逐日海冰密集度，预报时间为秒级。SICNet对未来7天海冰密集度预报的平均绝对误差为2.67%，连续28天预报的平均海冰边界预报精度（BACC）基本保持在90%以上，明显优于气候异常持续（Persist）。
该研究表明，依托深度学习的复杂时空关系建模能力，可实现数据驱动的天气以上尺度北极海冰密集度的准确、快速预报，为次季节至季节尺度的逐日海冰密集度预报提供了参考。未来，针对单个海冰参数的预报，基于深度学习的智能化预报模型具有轻量化、高精度的特点，将成为数值模式海冰预报的重要补充。
上述研究工作得到了中国科学院海洋大科学研究中心、中国科学院战略性先导科技专项、山东省重大创新工程及国家自然科学基金项目等资助。中国科学院海洋所任沂斌博士为论文第一作者，李晓峰研究员为通信作者，合作者还包括中国科学院海洋所张雯皓博士。
论文信息：
Yibin Ren, Xiaofeng Li*, Wenhao Zhang, A data-driven deep learning model for weekly sea ice concentration prediction of the Pan-Arctic during the melting season, IEEE Transactions on Geoscience and Remote Sensing, 2022, doi: 10.1109/TGRS.2022.3177600.
https://ieeexplore.ieee.org/document/9780401
