可解释的时空深度学习方法在北极海冰融化季节的次季节性超分辨率预测中的应用

《TECHNOLOGY IN SOCIETY》:Explainable spatiotemporal deep learning for subseasonal super-resolution forecasting of Arctic sea ice concentration during the melting season

【字体: 大 中 小 】 时间:2025年12月13日 来源:TECHNOLOGY IN SOCIETY 12.5

编辑推荐:

  何建新|赵旭新|杨硕|吴跃平|王健|邓雄 哈尔滨工程大学智能系统科学与工程学院,哈尔滨,150001,黑龙江省,中国 **摘要** 在融化季节,准确、高分辨率地预测北极海冰浓度(SIC)对于气候监测和极地导航至关重要,但这一过程受到系统复杂、多尺度及跨圈层动态的影响

  何建新|赵旭新|杨硕|吴跃平|王健|邓雄
哈尔滨工程大学智能系统科学与工程学院,哈尔滨,150001,黑龙江省,中国

**摘要**
在融化季节,准确、高分辨率地预测北极海冰浓度(SIC)对于气候监测和极地导航至关重要,但这一过程受到系统复杂、多尺度及跨圈层动态的影响而受到阻碍。我们提出了MSS-STFormer,这是一种可解释的多尺度时空Transformer,专为次季节性SIC超分辨率预测而设计。该模型整合了涵盖冰层、海洋和大气的14个环境因素,并结合了四个专门模块以增强时空表示能力和物理一致性。通过使用OSTIA卫星观测数据和ERA5再分析数据进行训练,MSS-STFormer在60天的预测范围内取得了优异的性能:均方根误差(RMSE)为0.049,相关性为0.9951,结构相似性指数(SSIM)为0.9603,平均绝对分类误差(BACC)为0.9656。事后可解释性方法(如Gradient SHAP和LIME)揭示了模型的预测机制随时间演变:早期预测主要受初始条件的影响,中期阶段受风和压力等大气动态因素控制,后期则转变为辐射过程和动态过程的共同作用。这一进展与已建立的海冰演化热力学和动力学理论高度吻合,突显了模型识别物理驱动因素的能力。该框架在推进地球观测中的可解释性GeoAI方面展现出巨大潜力,将预测准确性与物理可解释性相结合,适用于北极SIC的监测和气候应用。

**引言**
北极海冰浓度(SIC)是指给定单位区域内海冰面积的比例,是衡量海冰时空变化的基本指标。其波动不仅反映了季节性和年际变化,还对全球气候系统、海洋环流、大气能量平衡和北极航行安全产生深远影响。近几十年来,北极的变暖速度是全球平均水平的四倍以上,导致融化季节延长,海冰变化变得更加非线性和异质化。这些跨圈层相互作用重塑了气候系统的能量平衡,使得在融化季节进行高分辨率(HR)、长期SIC预测成为冰冻圈研究中最关键的科学挑战之一(Xu等人,2024a;Sandven和Johannessen,1993)。

从时间预测的角度来看,当前的SIC预测研究主要遵循两种技术路线:物理驱动的数值模型和数据驱动的统计模型。如CICE、SEAS5和CanSIPSv2等数值模型明确表示了热力学和动态过程,因此具有很强的物理一致性(Hunke等人,2017;Johnson等人,2019;Martin等人,2023)。然而,这些模型受到空间分辨率较低(25–100公里)、计算成本高以及预测范围有限(通常少于两周)的制约。相比之下,ARIMA、SVR和贝叶斯推断等统计方法效率更高,预测范围更长(Chen等人,2017;Hunke,2014),但往往产生过于平滑、类似气候学的预测结果,无法准确反映突然的融化过程和空间异质性(Reid和Tarantino,2014;Ren等人,2022)。

近年来,深度学习(DL)在地球观测和时空预测方面展现出显著潜力,能够自动学习复杂的动态模式(Reichstein等人,2019;Andersson等人,2021)。循环和卷积架构(如ConvLSTM和PredRNN)在捕捉局部冰动态方面表现出色,但由于其自回归设计而存在误差累积问题,限制了长期预测能力(Zeng等人,2023;Maniraj等人,2024;Zhang等人,2022;Song等人,2024)。Transformer架构的出现为通过注意力机制建模长期依赖性提供了新范式,有效捕捉了全球时空相关性。然而,大多数基于Transformer的方法将时空序列分解为仅时间相关的表示,破坏了空间一致性,导致在融化季节性能下降,此时SIC变化高度非线性且空间碎片化(Ren等人,2025;Borisova等人,2025)。

从空间分辨率的角度来看,现有的SIC预测结果仍然粗糙,无法解析细小的空间结构。大多数研究采用混合SR+预测方法,使用插值(如双线性、样条或逆距离加权)或基于DL的超分辨率(SR)重建(Liu等人,2024c;Xu等人,2024b)。然而,这种混合流程往往在第二阶段放大误差,产生接近气候学平均值的过于平滑的输出。尽管有一些工作尝试了端到端集成的SR预测框架(Wang和Li,2024;He等人,2024),但它们在冰-海洋-大气系统中的应用仍然有限,且在融化季节的性能仍不令人满意。此外,虽然跨圈层环境强迫已被证明可以提升SIC预测和空间分辨率(Liu等人,2024a;Kim等人,2025),但大多数DL模型仍然是“黑箱”,缺乏关于环境因素如何影响预测结果的可解释性。这种不透明性削弱了模型结果的物理可信度和科学可靠性。最近出现的可解释人工智能(XAI)为提高地球系统预测的透明度和可解释性提供了有希望的途径(Kerdvibulvech和Li,2024;Mu等人,2023)。XAI方法通常分为内在可解释性(依赖于明确可解释的结构,如线性回归、决策树)和事后可解释性(将模型输出归因于输入特征)。前者在描述海冰动态的非线性方面存在局限性(Murdoch等人,2019;Hoffman等人,2025),而后者更适合复杂的DL框架(Du等人,2019;Jing等人,2023a)。最近将事后XAI应用于地球科学建模(Longo等人,2024;Li等人,2024a)仍处于起步阶段,主要基于层级相关性传播(LRP),难以解释融化季节的长期依赖性和跨因素相互作用(Li等人,2024b;Joakimsen等人,2024)。

基于当前进展,在实现融化季节可靠的次季节性SIC SR预测方面仍存在三个关键挑战:
1. **有限的时间预测能力**:大多数模型依赖自回归设计,随时间累积误差;虽然基于Transformer的模型缓解了这一问题,但在非线性融化季节表现不佳。
2. **不足的空间分辨率**:现有的混合SR+预测方法放大重建误差,使空间细节过于平滑,而当前的端到端SR预测框架在高度变化的融化季节中稳定性有限。
3. **缺乏可解释性和物理可信度**:尽管纳入跨圈层因素可以提高模型性能,但大多数DL模型无法揭示环境因素的具体物理作用,降低了透明度和科学适用性。

为了解决这些挑战,本研究提出了一种可解释的多尺度堆叠时空深度学习框架(MSS-STFormer),用于北极次季节性SIC SR预测。该模型在端到端SR预测框架中整合了14个跨圈层环境因素,并使用事后XAI方法解释融化季节的预测结果,揭示了跨圈层相互作用的物理机制。主要贡献如下:
1. **端到端集成的SIC SR预测框架**:MSS-STFormer构建了一个端到端架构,整合了多因素融合(MF-F)模块进行多尺度特征提取和跨圈层输入的物理一致编码,同时层次特征提取(HFE)和多尺度特征融合(MS-FF)模块构成编码器-解码器框架,实现无误差放大的SIC SR预测。
2. **非自回归时空预测模块**:模型中嵌入了时空Transformer预测(ST-TF)模块,采用非自回归策略进行多步并行推理,消除了时间误差累积,有效捕捉长期依赖性,实现了融化季节的稳定和准确长期SIC预测。
3. **跨圈层可解释性**:应用了两种事后XAI技术——梯度Shapley加性解释(Gradient SHAP)和局部可解释模型无关解释(LIME),量化了大气、海洋和冰因素的贡献,提供了对模型决策过程的物理可解释性见解。

本文的其余部分安排如下:第2节介绍研究领域、输入因素选择和数据集;第3节描述MSS-STFormer架构、可解释性方法、评估指标和实验设置;第4节提供全面的性能评估,包括与基线模型的比较、消融实验、多因素分析、与数值模型的基准测试以及SR缩放因子实验;第5节重点介绍两种可解释性方法(Gradient SHAP和LIME)在分析模型对输入因素的敏感性及揭示其预测核心机制方面的应用;最后,第6节总结主要发现并展望未来研究方向。

**地理范围和因素选择**
本研究聚焦于泛北极区域(180°W–180°E,45°N–90°N),这是地球上气候最敏感的区域之一,海冰在此形成。近几十年来,受全球变暖和极地放大效应的影响,北极海冰显著减少,季节性变化加剧(Roach和Meier,2024)。鉴于北极海冰的时空演变受冰冻圈、水圈等圈层间相互作用的影响……

**方法论**
本节系统介绍了MSS-STFormer的架构、可解释性方法、评估指标和实验设置。

**实验与分析**
本节通过一系列系统实验全面评估了MSS-STFormer在融化季节次季节性SIC SR预测方面的性能。实验包括:与多个基线模型的比较分析以评估整体性能;通过包含14个跨圈层环境因素的消融研究来检验每个模块和组件的功能贡献;以及性能评估。

**讨论**
本节总结了MSS-STFormer在次季节性SIC SR预测方面的可解释性分析。为了分析模型的决策过程和关键环境驱动因素,应用了两种互补的事后XAI方法(Gradient SHAP和LIME)。此外,还利用可解释性分析得出的结论来解释模型和实验表现不佳的情况。

**结论**
本研究提出了MSS-STFormer,这是一种用于融化季节次季节性SIC SR预测的可解释多尺度堆叠时空Transformer。该模型整合了四个关键模块(MF-F、HFW、ST-TF和MS-FF),系统解决了气候系统建模中的核心挑战。通过MF-F融合14个大气、水圈和冰冻圈因素,并采用非自回归ST-TF设计,MSS-STFormer实现了稳健的60天预测,超越了……

**CRediT作者贡献声明**
何建新:撰写——审稿与编辑、撰写——初稿、可视化、验证、监督、软件、方法论、正式分析、数据管理、概念化。
赵旭新:撰写——审稿与编辑、资源管理、项目协调、方法论、调查、资金获取、概念化。
杨硕:可视化、验证、监督、调查、资金获取。
吴跃平:可视化、验证、软件、方法论。
王健:可视化、资金获取。

本研究得到了黑龙江省自然科学基金(LH2023-A008)、国家自然科学基金(NSFC)(编号52371349、52401404)以及海洋环境信息技术重点实验室(MEIT)的资助。

**利益冲突声明**
作者声明没有已知的财务利益或个人关系可能影响本文所述的工作。

**致谢**
作者感谢OSTIA产品提供的每日SIC遥感观测数据(doi.org/10.48670/moi-00165)、ERA5产品提供的每日再分析数据(doi.org/10.24381/cds.adbb2d47)以及SEAS5产品提供的每日SIC数值数据(doi.org/10.24381/cds.52f45864)。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号