近日，中国科学院海洋研究所李晓峰团队在北极海冰智能预测研究中取得新进展，相关成果发表于地学模型领域国际权威期刊 Geoscientific Model Development。
北极海冰季节预测存在春季预测障碍，即在春季5月及以前对9月海冰范围的预测技巧和精度偏低，而5月后对9月海冰预测的精度和技巧显著提升。研究显示，传统的数值模式和统计模型海冰预测方法普遍存在海冰春季预测障碍现象。针对该问题，研究团队融合人工智能方法，构建了面向季节尺度预测的北极海冰预测模型SICNetSeason，模型以Swin-Transformer为基本单元，融合海冰边界约束、春季海冰厚度，实现未来6个月的北极海冰密集度预测。
实验发现，在以4/5月为初始预测9月北极海冰范围时，与全球领先的ECMWF季节预测模式SEAS5相比，SICNetseason模型的预测技巧提升7%~10%（ACC），海冰边界预测精度提升超过14%（BACC），显著改善春季预测障碍。春季的海冰厚度是关键因子，对改善海冰预测障碍的贡献超过20%。 该研究为北极海冰春季预测障碍提供了AI视角的改善方案，对提升北极9月的季节尺度海冰预测精度具有重要意义。
近年来团队研发了面向天气至季节尺度的北极海冰AI预测系列模型SICNet，依托该模型连续参与国际海冰预测竞赛，提前3个月对2024年9月北极海冰预测误差为0.1百万平方公里，排名3/22。
论文第一作者为中国科学院海洋研究所任沂斌副研究员，通讯作者为李晓峰研究员，合作者为王云鹤副研究员。该研究获得了国家自然科学基金等资助。
论文信息：
Ren,Y.,Li,X.,and Wang,Y.:SICNetseason V1.0: a transformer-based deep learning model for seasonal Arctic sea ice prediction by incorporating sea ice thickness data,Geosci. Model Dev.,18,2665–2678,https://doi.org/10.5194/gmd-18-2665-2025,2025.
