SIFM：面向多粒度北极海冰预测的基础模型
机器学习
2024-10-22 v1 大气与海洋物理
摘要
北极海冰在全球气候中扮演着至关重要的角色，并对极地生态系统和沿海社区产生重大影响。近年来，多种基于深度学习的泛北极海冰密集度（SIC）预测方法涌现出来，并展现出优于基于物理的动力模型的性能。然而，以往的方法以固定的时间粒度（例如次季节或季节）预测SIC，因此仅利用了粒度内信息，而忽略了丰富的粒度间相关性。不同时间粒度的SIC表现出累积效应且自然一致，短期波动可能影响长期趋势，而长期趋势则为促进北极海冰的短期预测提供了有效线索。因此，在本研究中，我们提出利用从北极海冰再分析数据中自然导出的时间多粒度性，并通过我们的海冰基础模型为SIC建模提供一个统一的视角。SIFM经过精心设计，能够同时利用粒度内和粒度间信息来捕获粒度一致的表示，从而提升预测技能。我们的广泛实验表明，SIFM在特定时间粒度上优于现成的深度学习模型。
引用
@article{arxiv.2410.14732,
title = {SIFM: A Foundation Model for Multi-granularity Arctic Sea Ice Forecasting},
author = {Jingyi Xu and Yeqi Luo and Weidong Yang and Keyi Liu and Shengnan Wang and Ben Fei and Lei Bai},
journal= {arXiv preprint arXiv:2410.14732},
year = {2024}
}
备注
10 pages, 7 figures