7、AI 在北极海冰预测与海洋中尺度涡旋检测中的应用

AI 在北极海冰预测与海洋中尺度涡旋检测中的应用

1. AI 在北极海冰预测中的应用

1.1 模型表现

在北极海冰变化的研究中，使用了多种数据驱动模型进行预测。相关模型在 1 - 3 个月的预测提前期内的表现如下表所示：
| Models/lead time | RMSE - 1 个月 | RMSE - 2 个月 | RMSE - 3 个月 | R² score - 1 个月 | R² score - 2 个月 | R² score - 3 个月 |
| — | — | — | — | — | — | — |
| MLR | 0.433 | 0.892 | 1.429 | 0.980 | 0.937 | 0.839 |
| LSTM | 0.627 | 1.102 | 1.401 | 0.960 | 0.930 | 0.845 |
| MLR - LSTM | 0.637 | 1.042 | 1.400 | 0.975 | 0.932 | 0.846 |

从表格数据可以看出，MLR - LSTM 模型在 2 个月和 3 个月的提前期内，RMSE 相对较低，R² score 相对较高，说明其预测性能较好，尤其是在 3 个月的提前期表现出色，优于 MLR 和 LSTM 模型。

1.2 研究改进方向

为了进一步提升海冰季节性预测的建模能力，研究可以从以下几个方面进行改进：
1. 增加气候变量 ：可以纳入更多的气候变量作为预测因子，如海洋密度、海洋盐度、海浪、积雪覆盖等。同时，纳入一些关键的气候指数，如北大西洋涛动和北极涛动，以捕捉北极与低纬度