基于机器学习的重建方法显示了1950年至2020年间格陵兰冰盖的表面质量平衡情况

《Scientific Data》：A machine-learning-based reconstruction of surface mass balance over the Greenland Ice Sheet from 1950 to 2020

　　

摘要

准确估算地表质量平衡（SMB）对于可靠地量化格陵兰冰盖（GrIS）的质量变化及其导致的全球海平面上升至关重要。本文利用卷积神经网络（CNN）- 变换器（Transformer）模型，重建了1950年至2020年间格陵兰冰盖范围内0.1°×0.1°分辨率的年度SMB数据。该机器学习模型基于最新的实地观测数据、ERA5陆地再分析产品以及极地区域气候模型MAR的输出进行训练。当使用完整数据集进行训练时，模型的预测结果与观测数据高度吻合，其中基于ERA5陆地数据的重建模型的相关系数为0.96，基于MAR的重建模型的相关系数为0.93。在未观测区域进行的空间交叉验证表明，与原始数据集（ERA5陆地数据和MAR数据）相比，重建误差减少了约50%；两种重建方法的均方根误差（RMSE）与实地观测数据相当（约为53毫米水当量每年）。通过对IceBridge机载雷达产品的独立验证，进一步证实了这些重建结果的可靠性，其相对绝对误差分别比ERA5陆地数据和MAR数据减少了35%和50%。这些时空完整的年度SMB数据集可用于冰盖模型和地表水文研究的输入。