用智能气候模型提升全球海冰预测水平

过去几十年，地球海冰覆盖发生显著变化：北极海冰在各季节持续退缩变薄，加剧高纬度气候反馈和北极放大效应；南极海冰在1979-2014年呈微弱正趋势，但2016年后多次出现创纪录低值，可能因南大洋变暖发生 regime shift。气候模型在模拟历史海冰变化时存在较大差异，尤其在季节性至年际尺度海冰预测中，南极的耦合气候模型表现常逊于统计模型，亟需改进。

本研究提出一种混合建模框架，将机器学习（ML）推理嵌入地球物理流体动力学实验室的无缝预测与地球系统研究（SPEAR）气候模型，用于全球全耦合1年回顾性预报中的在线海冰偏差校正。为探究在全耦合模拟中实施ML模型前，让其接触冰-气-海耦合反馈的重要性，研究比较了SPEAR的两个混合版本：HybridCPL（耦合训练，含反馈）和HybridIO（冰-海训练，不含反馈）。

结果显示，与SPEAR相比，HybridCPL系统性减少了北极的季节性预报误差，并显著降低了南极5-12月目标月份的误差，其中南极冬季海冰范围的4-6个月超前预报误差减少超2倍。而HybridIO存在样本外行为问题，会触发南大洋反馈链，导致南极夏季无冰。进一步诊断发现，HybridIO在北极因海表面盐度（SSS）等输入变量的样本外问题导致海冰预测不足；在南极则因冰-海模型与耦合模型的海冰偏差空间模式不同，且ML模型引发耦合反馈（如负海冰异常加深混合层、增加热通量，抑制冬季冰生长），最终导致异常融化。

研究强调，机器学习能显著提升数值海冰预测能力，且让ML模型接触冰-气-海耦合过程对其在全耦合模拟中的泛化至关重要。未来需解决HybridCPL在南极夏季的预报退化问题（可能源于耦合海洋模型偏差），并考虑多分量数据同化以完善ML训练数据。