基于图神经网络的南极海冰浓度及异常亚季节尺度预报框架

《Scientific Reports》：Graph neural networks for antarctic sea ice concentration forecasting

　　南极海冰是气候系统的重要组成部分，但近年来它经历了剧烈且尚不充分的骤变，这促使我们需要更准确的周尺度预报。现有的统计方法和动力学方法在表征南极海冰动力过程中表现出的强烈非线性、异质性和快速演变特征时往往力不从心；而传统的深度学习模型（如卷积神经网络，CNN）通常基于规则的欧几里得网格运行，这使得远距离空间依赖关系和复杂的区域相互作用难以被显式地表征。在此，我们提出了首个基于图神经网络（GNN）的框架，用于在亚季节时间尺度（最长提前八周）上预报南极海冰浓度（SIC）及其异常（SICA）。该框架将编码器-处理器-解码器架构与卫星观测和ERA5再分析数据相结合进行训练，并通过消融实验对比了两种截然不同的图构建方案：（1）纯几何的二十面体网格；（2）基于南极区域超像素分割构建的数据驱动图。在对照消融实验中，我们发现图的构建方式比消息传递算子的选择（Interaction、GraphSAGE、DeepGAT或DConv）更为重要。与五个重新实现的CNN架构（IceNet、SICNet-CBAM、SICNet-TSAM、Unicorn、ANTSIC-UNet）、两个统计基线以及业务化的ECMWF S2S动力学预报进行基准比较，GNN在四项指标中有三项达到了最低误差，相对于最强的CNN基准，全网格平均绝对误差（MAE）降低了约18%，相对于持续性预报降低了48%，同时可训练参数减少了4至24倍。仅在冰缘均方根误差（RMSE）这一指标上，GNN略逊于IceNet（约落后4%）。为了解释模型的预测结果，特征归因分析表明，模型主要依赖海表温度作为季节气候态之外的主导驱动因素。