据相关研究分析，北极将于2030年前后迎来首个“无冰夏季”。“无冰期”的延长将大大缩短“冰上丝绸之路”的航运距离和时间。其中，每日海冰的业务化预报对北极航道安全预报保障尤为关键。传统数值模式的局限导致未来一到三个月的海冰预报产品可用性较差。近日，智能海洋预报团队一篇题为“A Spatiotemporal Multiscale Deep Learning Model for Subseasonal Prediction of Arctic Sea Ice”的研究成果发表于地球科学和遥感领域TOP期刊《IEEE Transactions on Geoscience and Remote Sensing》（SCI 1区，IF 8.8）。本文第一作者为我院2023级博士研究生郑清予，通讯作者为海洋学院|正规beat365·旧版绿色韩桂军教授与李威教授。

该研究建立了纯遥感数据驱动的北极海冰多要素智能化预报框架（IceFormer），实现了泛北极连续45天逐日的海冰密集度（SIC）与海冰厚度（SIT）预报。其不仅考虑了北极海冰时空变量间的耦合依赖性，还增强了北极海冰次季节预报的可解释性。更重要的是，IceFormer以秒级实现时空多尺度的网格化预报，比现有数值模式更加轻量级。

图1. IceFormer的模型架构与设计细节

在连续5年的预报评估中，该模型的次季节尺度预报能力明显优于传统基线方法及多种海冰智能预报模型。在与卫星遥感观测和再分析产品的对比中，5年平均的SIC和SIT预报的SACC高达0.80和0.93。在SIC预报方面，IceFormer优于现有的IceNet，SICNet和ConvLSTM等海冰预报模型且时效更长。在SIT预报方面，IceFormer的预报结果与再分析产品（PIOMAS与TOPAZ4等）的SIT时空分布基本一致。

图2. IceFormer（IF）和惯性预报（Pr）的融冰季节BACC和SIE比较

图3. 2017年至2021年海冰季节性演化预测性能评估。

通过与欧洲中期天气预报中心（ECMWF）的全球冰海耦合季节尺度预报系统（SEAS5）比较。IceFormer在融冰季节的预报性能明显优于SEAS5。同时，IceFormer的单次预报性能优于SEAS5的51组集成平均。结果表明，IceFormer对不同时空尺度上的海冰演化具有较强的预报能力，对提升北极海冰集合预报具有一定参考价值。

图4. IceFormer和ECMWF的SEAS5集合预报性能比较

该研究表明，依托深度学习的复杂时空关系建模能力，可实现数据驱动的时空多尺度北极海冰的准确、快速预报，为次季节至季节尺度的逐日海冰预报提供了参考。未来，基于深度学习的智能化预报模型的轻量化、高精度等特点，将开发海洋-大气-海冰多圈层的智能预报系统，可成为海冰数值预报的重要补充。

近年来，智能海洋预报团队致力于人工智能海洋学和地球系统大数据的相关研究，综合利用混沌理论、经验正交函数和经验模态分解，以及深度学习手段，发展了人工智能海洋预报预测理论，构建了人工智能预测预报理论框架，就线性和非线性预报、单要素和多要素预报、短期智能预报和中长期智能预测、海洋智能预报和海气耦合智能预报等开展深入研究，提出海洋人工智能短期预报和中长期预测方法，系统开展了南海海域温盐流、渤海海表环境要素、黑潮大弯曲以及北极海冰密集度等多个方面的时空多尺度智能预报方法研究。研制了南海多要素时空多尺度中长期智能预测系统，实现了南海海洋环境0～90天逐日的时空多尺度智能预测，已在部队某保障单位业务运行。研制了北极海冰多要素时空多尺度中长期智能预测系统，实现了北极海冰0～45天逐日的时空多尺度智能预测，已在天津市气象科学研究所业务运行。发表学术论文12篇，授权发明专利4项，软件著作权1项。培养博士毕业生1名，硕士毕业生1名。

学术论文：

1.        Shao Qi, Li Wei*, Han Guijun*, Hou Guangchao, Liu Siyuan, Gong Yantian, Qu Ping, 2021: A Deep Learning Model for Forecasting Sea Surface Height Anomalies and Temperatures in the South China Sea. Journal of Geophysical Research: Oceans, 126, e2021JC017515. https://doi.org/10.1029/2021JC017515.（Q1, IF: 4.1, Citation: 25, 发表当年影响因子: 3.938, 中科院分区: 2区）

2.        Shao Qi, Li Wei*, Hou Guangchao, Han Guijun*, Wu Xiaobo, 2021: Mid-term Simultaneous Spatiotemporal Prediction of Sea Surface Height Anomaly and Sea Surface Temperature Using Satellite Data in the South China Sea. IEEE Geoscience and Remote Sensing Letters, DOI: 10.1109/LGRS.2020.3042179.（Q2, IF: 5.5, Citation: 9, 发表当年影响因子: 5.343, 中科院分区: 2区）

3.        Shao Qi, Hou Guangchao, Li Wei*, Han Guijun*, Liang Kangzhuang, Bai Yang, 2021: Ocean Reanalysis Data-Driven, Deep Learning Forecast for Sea Surface Multivariate in the South China Sea. Earth and Space Science, 8(7), DOI: 10.1029/2020EA001558.（Q2, IF: 3.6, Citation: 7, 发表当年影响因子: 3.68, 中科院分区: 4区）

4.        Shao Qi, Zhao Yanling, Li Wei*, Han Guijun, Hou Guangchao, Li Chaoliang, Liu Siyuan, Gong Yantian, Liu Hanyu, Qu Ping, 2022: A Simple Statistical Intra-Seasonal Prediction Model for Sea Surface Variables Utilizing Satellite Remote Sensing. Remote Sensing, 14, 1162. https://doi.org/10.3390/rs14051162.（Q2, IF: 5.6, Citation: 1, 发表当年影响因子: 5, 中科院分区: 2区）

5.        Hu Song, Shao Qi*, Li Wei*,Han Guijun, Zheng Qingyu, Wang Ru, Liu Hanyu, 2023: Multivariate Sea Surface Prediction in the Bohai Sea Using a Data-Driven Model, Journal of Marine Science and Engineering, 11, 2096.（Q2, IF: 2.9, Citation: 0, 发表当年影响因子: 2.9, 中科院分区: 3区）

6.        Zheng Qingyu, Wang Ru, Han Guijun*, Li Wei*, Wang Xuan, Shao Qi, Wu Xiaobo, Cao Lige, Zhou Gongfu, Hu Song, 2024: A Spatio-Temporal Multiscale Deep Learning Model for Subseasonal Prediction of Arctic Sea Ice, IEEE Transactions on Geoscience and Remote Sensing, 62, doi: 10.1109/TGRS.2024.3355238.（Q1, IF: 8.8, Citation: 0, 发表当年影响因子: 8.2, 中科院分区: 1区）

7.        Han Guijun, Zhou Jianfeng, Shao Qi, Li Wei*, Li Chaoliang*,Wu Xiaobo, Cao Lige, Wu Haowen, Li Yundong, Zhou Gongfu, 2022: Bias correction of sea surface temperature retrospective forecasts in the South China Sea. Acta Oceanologica Sinica, 41: 41-50. doi: 10.1007/s13131-021-1880-5.（Q3, IF: 1.6, Citation: 3, 发表当年影响因子: 1.4, 中科院分区: 2区）

8.        Wu Xiaobo, Zhao Yanling, Han Guijun*, Li Wei*, Shao Qi, Cao Lige, Li Chaoliang, 2022: Temporal-spatial oceanic variation in relation with the three typical Kuroshio paths south of Japan. Acta Oceanologica Sinica, 41(2): 15-25. doi: 10.1007/s13131-021-1941-9.（Q3, IF: 1.6, Citation: 3, 发表当年影响因子: 1.4, 中科院分区: 2区）

9.        Zheng Qingyu, Li Wei, Shao Qi*, Han Guijun, Wang Xuan, 2022: A Mid and Long-term Arctic Sea Ice Concentration Prediction Model Based on Deep Learning Technology. Remote Sensing, 14(12), 2889.（Q2, IF: 5.6, Citation: 3）

10.    Wu Xiaobo, Han Guijun*, Li Wei, Ji Zenghua*, Cao Lige, Dong Wanqiu, 2023: A hybrid deep learning model for predicting the Kuroshio path south of Japan. Frontiers in Marine Science, 10:1112336. doi: 10.3389/fmars.2023.1112336.（Q1, IF: 4.7, Citation: 0）

11.    白杨，李威*，邵祺，2020：基于经验正交函数和机器学习的南海海面高度异常预测。海洋通报，39（6），677-687，DOI: 10.11840/j.issn.1001-6392.2020.06.005。

12.    李美莲，金慕君，纪增华，李威*，梁康壮*，2021：基于演化算符的南海海面高度异常中长期统计预报。海洋学报，43（12），122-132。

发明专利：

13.    邵祺，李威，梁康壮，白杨，贾彬鹤，2023：基于经验正交函数分解的海洋多要素中长期统计预测方法。发明专利。证书号5892838，专利号ZL201910391323.0，授权公告号CN110222872B，专利申请日2019年05月12日，授权公告日2023年04月18日。

14.    白杨，李威，邵祺，梁康壮，贾彬鹤，2023：一种基于再分析资料的海面高度中长期统计预测方法。发明专利。证书号5680710，专利号ZL201910668064.1，授权公告号CN110458338B，专利申请日2019年07月23日，授权公告日2023年01月03日。

15.    耿倩倩，李威，韩雨辰，梁康壮，韩桂军，郭晓娅，荆天，董婉秋，刘帅，2022：基于卫星遥感的三维海流实时快速分析系统的构建方法。发明专利。证书号5203666，专利号ZL202110383141.6，授权公告号CN113095009B，专利申请日2021年04月09日，授权公告日2022年06月03日。

16.    武晓博，韩桂军，李威，2023：海洋温度锋自动追踪和特征参数信息提取方法。发明专利。证书号5803447，专利号ZL201910675669.3，授权公告号CN110502801B，专利申请日2019年07月25日，授权公告日2023年03月24日。

软件著作权：

17.    海洋温盐流中长期预测系统V1.0，2022.01，中国，计算机软件著作权登记号2022SR1386063（软件著作权）