北极融化季海冰密集度（Sea Ice Concentration， SIC）短期预报对于北极航行和航线规划具有重要意义。目前，北极SIC的短期预测方法以数值模式为主，包括U.S. Navy’s Arctic Cap Nowcast/Forecast System（Hebert, D. A. et al，2015）、Massachusetts Institute of Technology General Circulation Model（MITgcm）海冰预测系统（Yang et al.，2016）、海冰季节集成预测系统（Sea Ice Seasonal Prediction System，SISPS）（Yang et al.，2019）等。数值模式耦合海冰-大气-海洋的交互作用，同化卫星观测资料, 实现海冰预报，被广泛采用。然而，数值模式通常依赖超算平台，需要大量的计算资源。
多源卫星观测的北极SIC数据已有近40年的积累，其中蕴含了北极SIC变化的内部关联规律，为北极SIC预测提供了可能。深度学习具有特征自学习能力，比数值模式轻量化。2019年，《Nature》发文指出深度学习与地学大数据耦合推动了地学多时空过程预测的进步 (Reichstein et al. 2019)。
因此，本文以多源卫星观测北极SIC数据为基础，设计深度全卷积神经积网络模型SICNet，从数据中提取北极SIC变化的时空规律，对北极融化季未来一周每天的SIC进行预报，实现数据驱动的北极融化季SIC轻量化预报。SICNet模型以全卷积神经网络为单元，采用编码-解码的结构，设计时空注意力单元增强SIC序列中时空特征的提取能力。采用1988-2015共28年的SIC数据对SICNet进行训练，采用2016-2020年共5年的数据测试模型。模型在单GPU下训练时间1小时，5年测试数据运行时间小于1分钟。结果显示，SICNet对北极融化季SIC连续7天预报的平均绝对误差（Mean Absolute Error，MAE）为2.67%，Nash–Sutcliffe efficiency （NSE）为0.9784，如表1所示，误差小于主流数值模式（模式连续7天预报平均误差约20%）。因此，数据驱动的深度学习模型可以实现北极融化季SIC的轻量化、高精度预报，可成为数值模式的重要补充。
表1: SICNet预报误差
| 模型 |
指标 |
2016 |
2017 |
2018 |
2019 |
2020 |
均值 |
| SICNet |
MAE |
2.75% |
2.65% |
2.60% |
2.65% |
2.69% |
2.67% |
| NSE |
0.9766 |
0.9798 |
0.9804 |
0.9781 |
0.9768 |
0.9784 |
发表评论