本研究应用基于注意力的长短期记忆(LSTM)集成模型,使用来自 NSIDC、ERA5 重分析产品的海冰数据和大气、海洋变量,对未来一个月的月度海冰范围进行预测,并证明了其优于现有深度学习模型和基线模型。此研究表明数据驱动的方法在预测北极海冰变化方面具有潜力。
Jul, 2021
通过多任务全卷积网络架构的层级信息共享 U-net(HIS-Unet),本研究提出了一种新颖的方法来预测北极海冰浓度(SIC)和海冰漂移(SID),它可以替代物理模型,提高海冰预测的性能。通过加权注意力模块(WAM)实现的信息共享,使得 HIS-Unet 在 SIC 和 SID 预测方面优于其他方法,并且在季节性海冰变化的情况下明显提升了预测效果。WAM 的权重值表明,在 SID 预测中,SIC 信息比 SID 信息更重要,而在 SIC 预测中,信息共享在季节性海冰边缘地区更活跃。
Oct, 2023
基于深度学习模型对特定水域海冰浓度的空间分布进行长期预测,实验结果表明相较于资源密集型的物理模型,该方法在某些时段具有相当甚至更优的预测效果。与 Kara Sea 的基于物理模型的预测系统 SEAS5 相比,我们实现了 20% 的改进。
Dec, 2023
本文提出了一种基于 SAR 卫星图像的混合卷积变换器网络的海冰分割新方法,优于传统卷积网络,在保持良好性能的同时比纯变换器模型高效,该方法对于海冰参数的自动化监测非常重要。
Jun, 2023
通过引入一种名为 Unicorn 的新型深度架构,该论文旨在使用神经网络预测北极的每周海冰浓度,并通过对 1998 年至 2021 年的真实数据进行实证分析,证明了该模型在海冰浓度和范围预测任务中相较于其他模型具有显著的改进。
May, 2024
本文介绍了一种基于深度学习模型(UNet++),利用 ERA5 重分析数据集和全球 CMIP6 模型进行训练和验证,以预测未来一个月的全球温度,发现该模型可以显著地提高预测准确度。
Feb, 2023
本文通过提出基于时间序列的因果推断模型 TCINet,利用循环神经网络推断出连续因素对海冰融化的影响,在合成数据和观测数据上取得良好结果,有效地揭示了引起北极海冰融化的主要因素。
使用机器学习算法对海冰进行自动化定位和分割,通过使用带噪声的 Sentinel-1 SAR 影像,开发了高效、具有空间分辨率、维度保持能力,并且对噪声更加稳健的面向海冰映射的算法。
本文提出一种利用自适应递归图卷积网络的机器学习模型,通过使用空气激光雷达数据中近年来积雪量的预测,预测深层冰层的历史积雪量,以研究气候趋势和精准预测未来的气候和降水情况。我们发现,相比于之前的模型以及等价的无时间、无几何形态和非自适应模型,我们的模型表现更好、更一致。
基于图神经网络的物理受限混合模型能够通过学习浅层冰层的厚度信息,预测深层冰层的厚度,并在这方面表现出优于当前非归纳或非物理模型的性能。
Jun, 2024