复旦大学计算机科学技术学院杨卫东团队在AI4Science上取得新进展，开发了一种新的基于AI的北极海冰高分辨率预报模型，提升了极地海冰预报性能。
随着全球气候变暖加剧，北极海冰面积、多年冰的厚度正急剧减少，对全球气候变化、北极资源开发、北冰洋航线利用具重要影响。北极海冰预测研究对地球科学、极地科考的发现、我国国家利益等有重大研究、经济价值与战略意义。
随着人工智能技术的发展，基于数据驱动范式的人工智能模型逐渐展现出超越传统数值模型的预报能力。然而受限于海冰数据产品的空间分辨率，目前AI模型的预报尺度仍限定在25 km x 25 km范围，复旦大学杨卫东团队开发了一种基于Patch扩散模型的高精度空间分辨率数据的预测模型（IceDiff），首次将北极海冰预报尺度降至6.25 km x 6.25 km。该方法不仅在多个常见北极海冰密集度数据集上取得了超过现有AI模型的大尺度预报性能，同时针为次季节-季节时间尺度下的北极海冰预报提供了新的基线，突显了该方法的通用性和有效性。该研究成果目前已被CVPR 2025会议录用，也是CVPR历届会议首篇关于极地海冰预报的论文。该项研究由复旦大学计算机科学技术学院大数据与知识工程实验室完成。实验室的博士生徐竞屹和博士生涂思危为该工作的共同第一作者，杨卫东教授担任第一通讯作者。上海人工智能实验室青年科学家白磊、香港中文大学费奔博士后参与了该项研究，该项研究获得复旦大学CFFF计算平台的支持。
北极海冰的极地放大效应使其成为全球气候变化趋势的放大器。随着全球气候变暖加剧，北极海冰面积、多年冰的厚度正急剧减少，使得开发北极地区蕴含的大量油气资源成为可能，北冰洋航线日益凸显其重要的资源、航运和地缘战略地位。北极海冰预报研究对地球科学、极地科考的发现、我国国家利益等有重大研究、经济价值与战略意义。随着AI赋能交叉学科发展，基于数据驱动范式的人工智能模型逐渐展现出超越传统数值模型的预报能力。
1.基于Patch扩散模型的预报-降尺度方法（IceDiff）模型
IceDiff（如图 1所示）将基于视觉Transformer的低分辨率、大空间尺度预报模型与基于Patch方法的降尺度扩散模块结合，在实现不同时间尺度下低分辨率北极海冰精确预报的同时，将北极海冰预报空间尺度大幅细化、提供4倍的预报分辨率，不仅为研究北极海冰局部变化研究提供了支撑，也使得更精确的北极航线规划成为可能。
2.低分辨率海冰预报引导的高分辨率扩散模块（Guided Diffusion Module）
IceDiff基于Patch的扩散模型（如图 2所示）实现高分辨率的北极海冰预报。利用卷积核学习低分辨率和高分辨率预报之间的隐含关系（图 2a），将低分辨率预报结果基于Patch进行特征提取与融合后，作为扩散模型的先验引导（图 2b）迭代更新卷积核参数（图 2c），进而生成符合北极海冰分空间布模式的高分辨率预报结果（如图 3所示）。
IceDiff不仅在预报相关性能指标上超过对比方法（如图 4a、b所示），在极端事件的预报结果上，IceDiff对2016年北极海冰范围的历史低值时期，以及2022年北极海冰相较过往年份出现的异常增加，都做出了较为精确的预报（如图 5所示），体现了其具备良好的分布外预报能力。
图 4 北极海冰预报实验结果（测试集为2016至2023年）（a）低分辨率预报结果（b）高分辨率预报质量比较
