全源区海冰季节性预测的状态空间模型
机器学习
2025-05-19 v1 人工智能
摘要
由于人类驱动的气候变化导致的北极海冰快速减少，构成了对原住民社区、生态系统和全球气候系统的重大风险。这凸显了对精确季节性海冰预测的迫切需求。虽然动力模型在短期预测中表现良好，但在长期预测中存在局限且计算密集。深度学习模型虽然更具计算效率，但在处理复杂海冰动力学时，往往难以管理季节性变化和不确定性。为此，本研究引入 IceMamba—a 一种集成先进注意力机制于状态空间模型中的深度学习架构。通过对 25 个著名预测模型（包括动力、统计和深度学习方法）的比较分析，我们的实验结果表明，IceMamba 在全源区海冰浓度的季节性预测方面表现出色。具体而言，IceMamba 在平均 RMSE 和异常相关系数（ACC）方面均优于所有测试模型，并在综合海冰边缘误差（IIEE）中名列第 2。这种创新方法增强了我们预测海冰变异性并缓解其影响的能力，为制定面向气候适应的策略提供了至关重要的见解。
引用
@article{arxiv.2505.10665,
title = {Seasonal Forecasting of Pan-Arctic Sea Ice with State Space Model},
author = {Wei Wang and Weidong Yang and Lei Wang and Guihua Wang and Ruibo Lei},
journal= {arXiv preprint arXiv:2505.10665},
year = {2025}
}
备注
This paper is published in npj Climate and Atmospheric Science: https://www.nature.com/articles/s41612-025-01058-0#Sec16 Supplementary information: https://static-content.springer.com/esm/art%3A10.1038%2Fs41612-025-01058-0/MediaObjects/41612_2025_1058_MOESM1_ESM.pdf