基于深度学习与稀疏卫星激光测高数据重建南极海冰厚度的研究

《Scientific Data》：Reconstruction of Antarctic sea ice thickness from sparse satellite laser altimetry data via deep learning

本研究针对南极海冰厚度（SIT）数据时空分辨率不足的瓶颈问题，提出了一种基于部分卷积神经网络（PCNN）的深度学习框架，利用ICESat/ICESat-2稀疏轨道激光测高数据，成功重建了2003-2009年及2018-2024年间分辨率为5天、12.5 km的泛南极海冰厚度数据集。验证显示该重建数据与向上观测声纳（ULS）观测值的平均绝对误差（0.238 m）显著优于GLORYS12v1（0.297 m）等现有产品，为南极海冰质量平衡研究和气候预测提供了高精度数据支撑。

　　

南极海冰如同地球的“白色铠甲”，其动态变化深刻影响着全球海洋环流和气候系统。然而，这片辽阔冰原的厚度监测却长期面临困境——传统微波遥感仅能探测1米以下的薄冰，雷达高度计受雪层干扰误差显著，而精度最高的激光高度计（如ICESat系列）又因轨道稀疏无法提供连续空间覆盖。更严峻的是，2016年后南极海冰范围和体积的急剧下降，凸显了高分辨率厚度数据对理解冰-海-气相互作用机制的迫切需求。

为突破这一瓶颈，中山大学聂亚飞团队联合国内外机构在《Scientific Data》发表研究，创新性地利用部分卷积神经网络（PCNN）深度学习模型，融合ICESat（2003-2009）和ICESat-2（2018-2024）的沿轨海冰厚度数据，重建出首套5天分辨率、12.5 km网格的泛南极海冰厚度数据集。该研究通过多源数据协同验证证明，重建结果在季节性演变和区域特征捕捉方面均优于现有主流产品。

关键技术方法

研究采用PCNN-U-net架构，以GLORYS12v1和C-GLORSv7再分析数据为训练集，引入二进制掩码标记卫星观测位置。通过编码-解码结构学习海冰厚度的空间协方差模式，利用720个集合成员（包含观测误差、训练数据时段和模型随机性）量化不确定性。数据均一化处理采用EASE-Grid 2.0投影，等效海冰厚度计算引入AMSR-E/AMSR2海冰浓度（SIC）数据。

研究结果验证

交叉验证分析

三组地理分区交叉实验显示，重建误差与海冰厚度空间变异度（标准差β=0.907）呈正相关，与观测数量（β=-0.227）负相关。在印度洋（I-O）和太平洋（P-O）扇区误差较高，而威德尔海西部（W-W）和罗斯海稳定性最佳。

不确定性评估

不确定性在冰缘区和海岸带最高（10月-3月达峰值），中央冰区最低。太平洋扇区因冰厚变异大、观测稀疏成为不确定性热点区域。

独立观测验证

与13个ULS锚系数据对比显示，重建数据在83%案例中覆盖观测值不确定性范围，其平均绝对误差（0.238 m）显著优于LEGOS（0.543 m）和SICCI（1.276 m）产品。月尺度气候序列与ULS观测的相关系数在9/12站点超过0.9，成功复现南极海冰2-3月增厚、9-10月消融的季节规律。

季节内演变验证

冬季别林斯高晋海-阿蒙森海（A/B区）和罗斯海（C区）的异常变薄现象（-0.3 cm/天）经ICESat-2沿轨数据证实，与冰间湖区域暖水上涌或离岸风驱动的冰盖分裂过程相关，体现重建数据对物理过程的捕捉能力。

本研究首次实现基于深度学习的南极海冰厚度多卫星时代连续重建，其亚月尺度分辨率突破现有数据壁垒，为南极海冰突变机制研究、气候模式验证及实时冰情预报提供关键数据基础。研究揭示的太平洋扇区高不确定性，亦指明未来需加强该区域多平台协同观测。该PCNN框架具备近实时更新潜力，可扩展至北极海冰厚度重建及其他地球科学参数的空缺填补领域。