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

基于深度学习模型及统计分析方法，我们提出了 MT-IceNet，一种预测北极海冰浓度的模型，通过处理多时空输入流来生成未来时间步的空间地图，表现出有希望的预测性能。

Aug, 2023

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

建模对理解温室气体、全球变暖和冰盖融化对海洋的影响至关重要。神经网络模型精确预测了理想化海洋模型的一步前向动力学，并计算了参数敏感性。

Nov, 2023

通过基于神经网络的模拟器，本研究在未来的气候变化情景下，建立了海平面变化与地球重力、旋转和形变（GRD）效应之间的关联。通过采用机器学习模型输出的非线性回归后处理技术，我们推导出了对模拟的海平面变化的预测区间，并展示了神经网络模拟器在准确性和计算效率上的优势。

Jun, 2024

开发了基于深度学习的代理模型，用于预测渠道化地质模型中的动态地下水流。它通过深度卷积和递归神经网络结构来支持，特别是使用了长短时记忆循环网络。使用深度代理模型可以减少预测的不确定性，提高模型速度，可能在未来应用更正式的后验采样方法来解决现实问题。

Aug, 2019

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。

Oct, 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

通过将海冰分类训练形式化为部分标签学习任务，并利用明确的置信度分数，将多标签和类别不平衡问题得到解决的一种新型 GeoAI 方法，用于通过训练卷积神经网络（CNN）来提高 Sentinel-1 双极化 SAR 图像中海冰的分类性能。相较于传统训练方法使用独热编码标签和分类交叉熵损失，本方法提高了分类准确度（从 87% 提升至 92%）和加权平均 F-1 得分（从 90% 提升至 93%），在六个海冰类别中的四个类别的 F-1 得分也有所改善。

Jun, 2024

使用机器学习代理模型和部分、嘈杂观测，本研究调查在线天气预测。我们经验性地证明并理论上证明，尽管代理模型长期不稳定且观测稀疏，但滤波估计在长期时间范围内仍然准确。作为一个案例研究，我们在变分数据同化框架中使用 FourCastNet，一种最先进的天气代理模型，使用部分、嘈杂的 ERA5 数据。我们的结果表明，在一年的同化窗口中，滤波估计保持准确，并为包括极端事件预测在内的预测任务提供有效的初始条件。

May, 2024