GlacierCastAI：基于多模态卫星影像与气候信号的冰川退缩预测

ERA5 季节性气候变量包含关于未来冰川退缩的预测信息，这些信息超出了仅凭卫星影像所能提供的范围，然而现有的深度学习方法侧重于绘制当前边界而非预测未来边界。本文提出了 GlacierCastAI，将冰川边界预测重新构建为一个多模态时空预测问题，融合多时相 Landsat 影像、ERA5 再分析气候变量与 Copernicus DEM 地形特征，以预测跨越四个气候区的五座冰川的边界。该架构将 ResNet50 空间编码器与 ConvLSTM 时间模型及交叉注意力气候融合模块相耦合。由于预测本质上比绘制当前边界更具不确定性，所报告的 IoU 值（0.320-0.337）不能直接与 SOTA 绘制模型进行比较。对比是在传统基线和实验条件下进行的。通过预注册的消融研究，加入 ERA5 气候信号将仅图像 IoU 从 0.326 提升至 0.337（+3.4%），表明大气强迫携带了超出仅影像的预测信息。所有深度学习模型均大幅优于持续性与线性趋势基线（IoU 分别为 0.160 和 0.169），相对 IoU 提升了 89-99%。一个轻量级的纯气候 MLP 基线（661K 参数）实现了 0.320 的 IoU（仅图像性能的 98%），所用参数量减少 85 倍，表明 ERA5 变量独立于卫星影像编码了大量预测信号。SHAP 归因分析表明，春季太阳辐射（MAM）是主导的气候驱动因素，这与春季日射在设定融雪季节轨迹中的已知作用相一致。