喜报！中国科学院海洋所在国际北极海冰预测网络榜单中排名第一！

近日，北极海冰国际预测网络（SIPN-Arctic）发布针对2025年9月北极海冰范围的季节预测报告，由中国科学院海洋研究所人工智能海洋学研究组开发的SICNet_IOCAS模型，超过英国气象局（Met Office）、美国海洋与大气管理局（NOAA）、美国航空航天局（NASA）、德国阿尔弗雷德·韦格纳研究所（AWI）、加利福尼亚大学洛杉矶分校（UCLA）、东京大学、哥伦比亚大学等机构的预测结果，排名第一。

SIPN-Arctic启动于2013年，旨在提升北极海冰季节至多年尺度的预测能力。该项目聚焦北极9月海冰范围预测，汇集数值模拟与AI模型预测结果，吸引来自NOAA、Met Office、AWI等多个国际机构参与。近年来，海洋所依托自主研发的SICNet_IOCAS海冰预测模型，连续多次参与SIPN-Arctic并获得前三名。

2025年，研究团队进一步优化SICNet_IOCAS预测模型，采用多分支神经网络结构，提取并融合海冰密集度、海冰厚度等变量的相关关系。在模型训练中，进一步强化海冰空间分布形态对AI模型的约束能力，增强模型对海冰空间范围的预测能力。SICNet_IOCAS在6月（提前4个月）和7月（提前3个月）预测榜单中，均排名第一。其对6月、7月的预测值分别为478.5和472.4 万平方公里，与9月的观测值475万平方公里非常接近，超过了国内外20余个模型的预测结果。

图1 2025年北极9月海冰预测，SICNet_IOCAS提前4个月预测结果排名第一

图2 2025年北极9月海冰预测，SICNet_IOCAS提前3个月预测结果排名第一

此次参赛由中国科学院海洋研究所任沂斌副研究员、王云鹤副研究员和李晓峰研究员负责，相关研究得到了国家自然科学基金、中国科学院战略先导科技专项等项目的资助。

近年来，中国科学院海洋研究所人工智能海洋学研究组围绕极地海冰的遥感监测与AI预测开展了系列研究，在极地多尺度海冰预测、高分辨率数据集构建方面取得了系列成果，并服务于国产卫星建设等重要项目。

论文信息：

（1）Ren,Y.,Li,X.,and Wang,Y.:SICNetseason V1.0: a transformer-based deep learning model for seasonal Arctic sea ice prediction by incorporating sea ice thickness data,Geosci. Model Dev.,18,2665–2678,https://doi.org/10.5194/gmd-18-2665-2025,2025.

（2）Huang,Y.,Ren,Y.,& Li,X. Deep learning techniques for enhanced sea-ice types classification in the Beaufort Sea via SAR imagery. Remote Sensing of Environment. 2024,308,114204.

（3）Ren,Y.,and Li,X. Predicting the daily sea ice concentration on a sub-seasonal scale of the Pan-Arctic during the melting Season by a deep learning model [J]. IEEE Transactions on Geoscience and Remote Sensing,2023.

（4）Yunhe Wang,Xiaojun Yuan,Yibin Ren,Mitchell Bushuk,Qi Shu,Cuihua Li,Xiaofeng Li. Subseasonal Prediction of Regional Antarctic Sea Ice by a Deep Learning Model. Geophysical Research Letters,2023,50(17),e2023GL104347. https://doi.org/10.1029/2023GL104347

（5）Ren,Y.,Li,X.,Zhang,W. A data-driven deep learning model for weekly sea ice concentration prediction of the Pan-Arctic during the melting season [J]. IEEE Transactions on Geoscience and Remote Sensing,2022.

• 信息来源：中国科学院海洋所。

  转载请注明信息来源及海洋知圈编排。