《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》：Physics-constrained spatio-temporal generative adversarial learning for daily-scale sea ice thickness prediction
编辑推荐：
随着北极海冰的快速缩减，预测其时空变化已成为极地气候研究的重要技术基础。现有物理驱动范式（physics-driven paradigm）和数据驱动范式（data-driven paradigm）在表征海冰过程机制和学习复杂时空模式方面各自展现出优势；然而，两
随着北极海冰的快速缩减，预测其时空变化已成为极地气候研究的重要技术基础。现有物理驱动范式（physics-driven paradigm）和数据驱动范式（data-driven paradigm）在表征海冰过程机制和学习复杂时空模式方面各自展现出优势；然而，两者均面临难以平衡预测精度与物理一致性的挑战。因此，本研究提出了一种数据与物理双驱动的日尺度时空海冰厚度（Sea Ice Thickness, SIT）预测方法，即物理约束生成对抗网络（Physics-Constrained Generative Adversarial Network, PCGAN）。为将海冰物理原理融入数据驱动预测过程，PCGAN在三个层面进行设计：生成器、判别器和物理规则约束。首先，在生成器中设计了物理增强跨过程交互（Physics-Augmented Cross-Process Interaction, PA-CPI）模块，以增强模型表征海冰、积雪、风场和温度等多个地球物理变量间物理耦合机制的能力。其次，提出时空双判别器（spatio-temporal dual-discriminator）架构，联合约束SIT的局部空间结构和时间增量。最后，将冻融积日（Freezing Degree Day, FDD）增长关系和日尺度厚度变化率关系转化为有界物理一致性评分（physics consistency scores），并嵌入时间对抗学习（temporal adversarial learning），以提升生成器预测结果的物理合理性。北极冷季实验结果表明，PCGAN在不同随机初始化下保持稳定性能，其平均均方根误差（Root Mean Square Error, RMSE）为0.1035 m，较最佳基线模型MSS-STFormer降低12.73%。异常变薄率（Anomalous Thinning Rate, ATR）等物理相关统计指标亦表明，PCGAN的预测统计特征较其他深度学习模型更接近观测统计特征。多维时空分析进一步证实了PCGAN在不同预测条件下的稳定预测性能。可解释性分析显示，模型对多个地球物理因素的响应与海冰演化的既有物理理解总体一致。消融实验和阈值敏感性分析验证了关键模型结构和物理一致性约束的有效性。PCGAN展示了将物理一致性约束融入数据驱动框架以提升SIT预测精度和物理合理性的潜力，为北极冷季SIT预测提供了方法学支撑。
**研究背景与问题提出**
北极海冰是地球气候系统中最为敏感和动态的组成部分，其时空演化直接反映极地气候系统对全球变暖的响应。随着北极暖化持续加剧，海冰呈现显著快速变薄趋势，深刻影响地球气候系统稳定性，也对北极航道开发形成重要制约。海冰厚度（Sea Ice Thickness, SIT）作为表征三维海冰场的核心物理变量，受大气、海洋和海冰动力-热力过程的共同影响，是揭示海冰时空演化的关键物理量，开展其时空预测研究对极地气候变化理解和北极航道发展具有重要意义。
当前SIT时空预测主要有两种范式。以数值模型为代表的物理驱动范式基于海冰动力和热力方程，能够显式描述海冰、海洋和大气之间的物理相互作用，但海冰系统涉及大量次网格尺度物理过程，只能通过参数化方案近似表征，限制了对复杂非线性关系的刻画能力。以深度学习为代表的数据驱动方法能够直接从观测和再分析数据中学习高维非线性映射，在表征SIT时空变化方面表现出较强表达能力，但其本质上依赖数据中的统计关系，在表征海冰热力-动力学物理关系方面存在明显不足。近年来，物理约束数据驱动方法逐渐成为重要研究方向，但现有研究主要集中于输入层特征融合和损失函数层物理约束优化，尚未从模型整体架构层面系统性地引入物理约束，从而限制了物理知识对时空海冰演化特征学习的引导作用。
**研究人员开展的研究与主要结论**
针对上述问题，Liu Jikun、Zhang Guoping等研究人员提出了物理约束生成对抗网络（Physics-Constrained Generative Adversarial Network, PCGAN），发表于《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》。该研究的核心思路是将物理约束从模型整体架构层面系统性融入数据驱动预测框架，实现预测精度与物理合理性的平衡。实验结果表明，PCGAN在北极冷季SIT日尺度预测任务中，RMSE为0.1035±0.011 m，较最佳基线模型MSS-STFormer降低12.73%，Corr和SSIM分别提升0.0046和0.0134，PSNR提升0.941 dB，且在物理统计特征、时空稳定性、异常条件适应性等方面均优于对比模型，验证了该框架的有效性和重要意义。
**主要技术方法**
PCGAN主要技术方法包括：以GLNet为基础生成器并嵌入物理增强跨过程交互（PA-CPI）模块，通过物理属性增强、双路径过程编码和海冰状态自适应门控，将冰-雪状态、动力强迫和热强迫等物理过程信息结构化组织；构建时空双判别器架构，空间判别器遵循PatchGAN原则约束单帧SIT场局部空间结构，时间判别器遵循条件GAN原则以SIT时间增量为输入约束序列演化特征；将冻融积日（FDD）增长关系和日尺度厚度变化率约束转化为有界物理一致性评分，通过样本级权重调制嵌入时间对抗训练。实验数据来源于欧空局CS2SMOS SIT产品（2010—2023年）、NOAA/NSIDC海冰密集度（SIC）数据、CMEMS雪深数据和ERA5气象再分析数据。
**研究结果**
整体预测性能：在2021—2023年测试集上，PCGAN的RMSE为0.1035±0.011 m，MAE为0.0612±0.008 m，Corr达0.9907±0.004，SSIM达0.9709±0.012，PSNR为31.935±0.011 dB，均优于ConvLSTM、UNet、SICNet90、SICU2Net和MSS-STFormer等对比模型。与MSS-STFormer相比，RMSE降低12.73%，MAE降低12.07%。不同随机种子下标准差均较小，表明模型稳定性良好。
消融实验验证各组件有效性：仅使用历史SIT输入时RMSE为0.1251 m，引入多物理因子但不加融合结构后RMSE反而升至0.1353 m，而PA-CPI模块使RMSE降至0.1165 m，较无融合方案降低约13.90%，证明其有效性源于结构化物理过程组织而非简单增加输入变量。去除Patch机制、改用原始SIT序列而非增量序列输入时间判别器、去除历史条件投影等操作均导致性能下降，验证了各关键设计组件的必要性。
时空稳定性分析：在1—10天预测提前期下，PCGAN在整个预测时段均保持最低误差和最高结构相似度，误差增幅最小，表现出跨提前期的稳定优势。
物理一致性评估：PCGAN的异常变薄率（ATR）为0.4604±0.0273，FDD一致性评分为0.9182±0.0028，平均绝对变化率（MACR）为0.0450±0.0041 m·day
-1，均比其他深度学习模型更接近观测值（分别为0.3210、0.8157和0.0297 m·day
-1），表明其预测结果统计物理特征与真实海冰演化规律更为吻合。
区域和月份分析：PCGAN在北极八个海区和全年各月份均保持稳定优势，在3—4月冰缘过渡阶段（白令海、喀拉海、拉普捷夫海和博福特海等边缘海）误差改善尤为显著，这与其对冰缘区复杂空间结构的表征能力有关。
异常海冰条件分析：基于2010—2019年历史数据构建的统计异常样本测试表明，PCGAN在异常SIT条件下RMSE分布更低、更集中，系统偏差更接近零；在2022年4月北极报告卡所述的区域异常增冰情景下，PCGAN在太平洋扇区和大西洋扇区的RMSE高值区均更小，偏差更接近零背景，表现出对局部异常冰厚结构和冰缘过渡区的稳定表征能力。
可解释性分析：GradSHAP分析显示，薄冰区（SIT≤0.7 m）积雪深度（SD）、2 m气温（T2M）和海表温度（SST）贡献分别为23.8%、21.2%和18.6%，热动力因子突出；中等厚度冰区和厚冰区积雪深度贡献分别升至33.8%和33.4%，成为主导因子；海表温度贡献从薄冰区的18.6%递减至厚冰区的4.6%，风场因子V10贡献从14.5%递增至20.8%，与海冰热力学的既有物理理解高度一致。
**讨论与结论**
讨论部分系统验证了各关键组件贡献：PA-CPI模块相比简单特征拼接和通用注意力机制（CBAM、TSAM）在所有指标上均有显著优势，其作用更突出体现在抑制高梯度复杂空间区域的预测误差；时空双判别器相比单判别器能够同时约束空间结构真实性和时间演化连续性，两者联合训练产生互补效益；将物理关系转化为有界一致性评分并嵌入对抗训练，相比直接引入物理损失项能够避免过强约束，保持模型训练灵活性，两种物理约束（FDD方向约束和变化率幅值约束）联合使用产生互补改善效果。
阈值敏感性分析表明，FDD增量阈值（0.20 °C·day
-1）、物理一致性差异阈值（0.020）和日尺度变化率上限（0.15 m·day
-1）在合理范围内模型性能对参数扰动不敏感，但超出适当范围后性能有所下降；不同冰厚条件下各阈值最适范围存在一定差异，薄冰区对参数变化更为敏感，提示未来可探索区域自适应物理约束机制。
研究结论指出，PCGAN通过PA-CPI模块、时空双判别器和物理一致性引导机制的协同作用，实现了SIT预测精度与物理合理性的有效平衡，为北极冷季SIT日尺度预测提供了可靠方法学框架，也为物理约束数据驱动模型在极地气候研究中的进一步应用提供了重要参考。
