基于物理信息神经网络的北极海冰速度和浓度预测
机器学习
2025-10-21 v1 人工智能
摘要
随着北极海洋遥感数据的不断增加，数据驱动的机器学习（ML）技术正在广泛用于预测海冰速度（SIV）和海冰浓度（SIC）。然而，完全数据驱动的 ML 模型由于过度依赖训练数据的数量和质量，在可泛化性和物理一致性方面存在局限。特别是随着北极海冰进入冰层变薄和加速融化的新阶段，训练于历史海冰数据的数据驱动模型可能无法完全代表未来动态变化的海冰条件。在本研究中，我们开发了物理信息神经网络（PINN）策略，将海冰的物理知识整合到 ML 模型中。基于层次信息共享 U-net（HIS-Unet）架构，我们 incorporating 物理损失函数和激活函数，以产生物理上合理的 SIV 和 SIC 输出。我们的 PINN 模型在 SIV 和 SIC 的日度预测中优于完全数据驱动模型，即使在样本数量有限的情况下也能实现良好效果。PINN 方法特别改善了融化和早期冻结季节以及靠近快速移动冰区域的 SIC 预测。
引用
@article{arxiv.2510.17756,
title = {Prediction of Sea Ice Velocity and Concentration in the Arctic Ocean using Physics-informed Neural Network},
author = {Younghyun Koo and Maryam Rahnemoonfar},
journal= {arXiv preprint arXiv:2510.17756},
year = {2025}
}
备注
49 pages, 7 figures, submitted to Environmental Modelling & Software