Remote Sensing: Прогресс исследований в области глубокого обучения для прогнозирования состояния морского льда
Полярный морской лёд претерпевает быстрые изменения, в последнее время наблюдаются рекордно низкие его площади в обоих полушариях, что повышает потребность в точных прогнозах на периоды от нескольких дней до нескольких сезонов для навигации, управления экосистемами и оценки климатических рисков. Точное прогнозирование протяжённости морского льда имеет важное значение для понимания взаимосвязанных климатических процессов, обеспечения безопасной работы в полярных регионах и разработки стратегий адаптации. Численные модели, основанные на физических принципах, остаются основой оперативного прогнозирования, но их точность ограничена неопределённостями во взаимосвязанных процессах «океан-лёд-атмосфера», параметризациями и редкими наблюдениями, особенно в краевой зоне льда и в сезоны таяния. Статистические и эмпирические модели могут обеспечить полезные базовые значения для низкоразмерных индексов или коротких периодов прогнозирования, однако они часто испытывают трудности с представлением высокоразмерных нелинейных взаимодействий и сдвигов режимов. В данном обзоре обобщены последние достижения в области глубокого обучения для ключевых задач прогнозирования морского льда, включая площадь морского льда, его толщину и движение. Методы систематизированы по следующим категориям: (i) последовательные архитектуры (например, LSTM/GRU и временные трансформеры) для учёта временных зависимостей, (ii) модели преобразования изображений и компьютерного зрения (например, CNN/U-Net, компьютерные трансформеры и генераторы на основе диффузии или GAN) для учёта пространственных структур и масштабирования, (iii) пространственно-временные модели, совместно воспроизводящие динамику в пространстве-времени. Также обобщены гибридные стратегии, которые интегрируют глубокое обучение с численными моделями посредством постобработки, эмуляции и ассимиляции данных, а также обучение, основанное на физических принципах, включающее законы сохранения или динамические ограничения. Несмотря на быстрый прогресс, остаются проблемы в обобщении в условиях нестационарного климата, сдвиге набора данных и физической согласованности (например, сохранение массы/энергии), интерпретируемости и справедливой оценке в разных регионах и временных рамках прогнозирования. В заключение авторы приводят практические рекомендации для будущих исследований, включая стандартизированные эталонные показатели, вероятностное прогнозирование с учётом неопределённости, обучение с учётом физических принципов и нейронных операторов для динамики на больших расстояниях, а также базовые модели, использующие самообучение на основе крупномасштабных архивов данных наблюдений Земли.
