ADEARTH

Advances in Earth Science >

2025 , Vol. 40 >Issue 8: 778 - 794

DOI: https://doi.org/10.11867/j.issn.1001-8166.2025.065

Advances and Prospects of Artificial Intelligence in China’s Polar Cryosphere Research

  • Xueyuan TANG
Expand
  • 1. Key Laboratory of Polar Science of Ministry of Natural Resources (MNR), Polar Research Institute of China, Shanghai 200136, China
  • 2. Key Laboratory of Polar Ecosystem and Climate Change, Ministry of Education, School of Oceanography, Shanghai Jiao Tong University, Shanghai 200030, China
  • 3. Key Laboratory of Polar Atmosphere-Ocean-Ice System for Weather and Climate, Ministry of Education, Department of Atmospheric and Oceanic Sciences & Institute of Atmospheric Sciences, Fudan University, Shanghai 200438, China
  • 4. Ocean Academy, Zhejiang University, Zhoushan Zhejiang 316021, China

Received date: 2025-06-26

  Revised date: 2025-07-18

  Online published: 2025-07-10

Supported by

the National Natural Science Foundation of China(42276257)

Top-notch Project under the 2024 Shanghai Oriental Talents Program(BJKJ2024035)

Fold

Abstract

Amidst the accelerating activation of polar cryosphere tipping points due to global warming， significant challenges must be overcome to understand their state and changes， including sparse observations， insufficient physical knowledge， and limitations of traditional model simulations. Artificial Intelligence （AI） provides a powerful tool for efficiently extracting information from vast polar datasets and bridging cognitive gaps. This paper summarizes notable progress by Chinese researchers in AI applications for the polar cryosphere： ① Sea ice forecasting: purely data-driven deep learning models (e.g., SICNet, SIPNet) have been developed, significantly improving weekly, monthly, and seasonal-scale forecasts of Arctic/Antarctic sea ice concentration. Some models incorporate physical constraints and outperform traditional dynamical and statistical models. Various methods (e.g., improved U-Net, EW-Net, SAC-Net, and PMDRnet) have been proposed for sea ice type identification, lead extraction, sea ice thickness relationship modeling, and enhancing the spatial resolution of passive microwave imagery. ② Ice sheet surface hydrology: Applied Random Forest (RF) and BP neural networks were applied to estimate surface melt of the Greenland Ice Sheet and identify supraglacial lakes. An improved U-Net model was used to automatically extract surface water bodies of the Antarctic ice sheet/ice shelf with high accuracy, thereby overcoming the limitations of traditional NDWI methods. ③ Subglacial systems: A novel method based on Variational Autoencoders (VAE) and unsupervised clustering was used to automatically detect subglacial lakes from ice-penetrating radar data, thereby improving efficiency and accuracy. ④ Crevass identification: Improved U-Net and its variants (e.g., ResUNet) were applied to automatically extract surface crevasse distributions on Antarctic ice shelves from SAR and optical imagery. ⑤ Ice stratigraphy and topography: Deep learning (e.g., EisNet and ST-SOLOv2) was employed to automatically extract internal isochronous layers and bedrock interfaces from radargrams, aiming to solve this long-standing manual bottleneck. ⑥ Other applications include: Mass balance reconstruction of covered ice sheets (fusing multi-source data with SVM/BPNN), radiation balance dataset construction (RF), near-surface air temperature inversion (RF/DNN), ice shelf basal channel identification (improved U-Net), intelligent classification of glacial seismic events (autoencoders and Gaussian mixture models), GPS data interpolation, tropospheric delay modeling, and identification of geological structures. Although Chinese polar cryosphere AI research began relatively late, it has developed rapidly and yielded fruitful results, demonstrating significant potential in data-driven modeling, automated feature extraction, and multisource information fusion. Current challenges include model interpretability, insufficient integration of physical mechanisms, scarcity of high-quality labeled data, and limited generalization ability in complex regions. Future efforts should focus on developing physically constrained AI models, advancing multimodal learning, enhancing model robustness and interpretability, and strengthening international collaboration and data-sharing to more accurately characterize polar cryosphere changes and support global climate response and risk assessment.

Key words： Polar cryosphere; Artificial Intelligence （AI）; Sea ice; Ice sheets; Subglacial lakes

Cite this article

Xueyuan TANG . Advances and Prospects of Artificial Intelligence in China’s Polar Cryosphere Research[J]. Advances in Earth Science, 2025 , 40(8) : 778 -794 . DOI: 10.11867/j.issn.1001-8166.2025.065

1 引 言

在全球持续变暖背景下，极地冰冻圈反馈过程的放大效应正加速激活极区气候系统的临界点［1］。政府间气候变化专门委员会（Intergovernmental Panel on Climate Change，IPCC）第六次评估报告指出，地球系统突变的15个潜在临界点中，有9个可能已被唤醒，其中6个来自冰冻圈［2］。这些极地冰冻圈的临界点，包括格陵兰冰盖崩塌、西南极冰盖不可逆消融、东南极冰盖部分地区失稳、多年冻土层大规模融化、北极夏季海冰消失以及北大西洋翻转环流（Atlantic Meridional Overturning Circulation， AMOC）减弱，均与极地系统的变异密切相关。据IPCC［2］预测，在高温室气体排放情境下，全球面临的气候变化和生物多样性衰退的挑战将愈发严峻。近期的研究表明，西南极阿蒙森区域和东南极威尔克斯地的冰流正呈加速退缩趋势，或将在几个世纪内导致海平面上升3.2~8.2 m，表明海洋性冰盖已进入潜在不稳定的初始阶段［3］。目前，理解并预测极地冰冻圈的状态及变化主要依赖于观测、理论发展和数学建模。然而，一方面，受限于极地的严酷条件，人类针对极地冰冻圈环境要素的测量在空间/时间上都较为稀疏，因而很难通过数值模型准确模拟复现并重建冰冻圈的各种物理过程。另一方面，卫星遥感等大范围数据获取方式的快速发展，产生了海量的极地冰冻圈观测数据，且其中很多数据可被同化到数值模式中，相对于地球的其他区域，目前我们对极地冰冻圈的观测、认识和预测仍处于低水平阶段。总体而言，我们对极地冰冻圈状态和变化趋势的理解仍受到极大限制，面临着巨大的挑战：在对极地冰冻圈的认知不够充分的情况下，如何从获取的大量数据中有效地提取和解读信息。在此背景下，人工智能（Artificial Intelligence，AI）提供了一种极佳的选择。AI技术不仅能从有限数据中自动提取高维特征，有效弥补极地冰冻圈观测的时空稀疏性；还能够识别复杂的物理过程，并提供数据驱动的预测，突破传统物理模型的局限。
目前，AI在冰川学中已得到了一些应用，如将人工神经网络（Artificial Neural Network，ANN）用于山地冰川物质平衡［4-5］和冰川长度［6］的模拟。在极地冰冻圈领域，AI的应用尽管仍处于起步阶段，但已取得了一些显著进步。最近极地冰冻圈的AI应用的进展主要体现在机器学习，特别是深度学习的应用上。Andersson等［7］通过发展一个名为“IceNet”的基于概率的深度学习模型对北极海冰进行了季节性预报。Verjans等［8］提出一个基于冰川排水系统模型（Glacier Drainage System model，GlaDS［9］）的ANN冰下水文模拟器驱动冰盖数值模型，其研究显示机器学习能显著降低冰盖模型的计算量。Surawy-Stepney等［10］将卷积神经网络U-Net模型应用于卫星雷达图像的南极冰裂隙提取，为避免在创建训练数据集时人工注释卫星图像的繁琐过程，他们采用了自举技术（Bootstrapping）。Tollenaar等［11］使用一种阳性无标记（Positive and Unlabeled Learning，PUL）机器学习方法（该方法为基于数理统计原理的非深度学习方法）对南极蓝冰区潜在的陨石富集区域进行了分类识别。机器学习方法也被广泛应用于极地冰盖探冰雷达图像中的层位拾取，包括对基岩界面［12-15］、内部冰层［15-17］和冰下目标分类［18-20］，以及从积雪雷达数据中利用卷积神经网络VGGNet自动跟踪冰层和雪层［16，21］。AI工具还被用于融水引起的南极冰架断裂的脆弱性研究［22］、卫星遥感图像的海冰轮廓提取［23］和海冰范围识别［24］、基于XGBoost（极致梯度提升）的南极地热流预测［25］、冰架表面融水估计［26］、冰山崩解前缘几何轮廓自动提取［27］（Calving Front Machine，CALFIN）和南极冰山范围检测［28］、冰下沉积盆地分类［29］、海洋驱动的冰架底部融化率预测［30］以及冰流模式模拟效率提升［31］等方面。国际上已有研究显示，AI对解决极地冰冻圈诸多环境要素的时空特征提取问题极具潜力。通常情况下，AI采用机器学习方法自动提取遥感图像的特征，可显著减少对人工干预的依赖。特别是，深度学习技术为解决卫星图像在时间与空间分辨率之间的权衡问题提供了一个很好的解决方案。例如，深度学习神经网络U-Nets［32］在极地冰冻圈的各领域获得了广泛认可［33-36］。
尽管，中国近几年才逐步开展在极地冰冻圈AI领域的研究，但已取得了显著进展，并在诸多相关学科领域进行了广泛探索。中国学者发展了一系列的机器学习、深度学习模型及数据分析方法，开展了在极地海量数据激增背景下的信息提取、物理状态解析及其变化规律推演等相关研究。以下将从极地海冰、冰盖水文和冰下系统等方面综述中国学者在极地冰冻圈领域的AI应用成果，探讨当前AI技术在该领域面临的问题以及限制其广泛应用的主要障碍。

2 极地海冰

在过去40年中，北极海冰经历了急剧变化，其体积、厚度、范围和面积均呈显著下降趋势［37-38］。一般认为，人为气候变暖是导致北极海冰年均覆盖面积空前减少的核心诱因。在此背景下，建立精确的北极海冰预报系统是一项重要又极具挑战性的工作。现有北极海冰模式虽能较好地实现数周尺度的海冰密集度预测，但对于更长时间尺度上的预报，其性能难以超越传统统计方法。为突破这一瓶颈，近年来深度学习方法被广泛引入海冰预测研究中。Andersson等［7］提出的IceNet是一个相对成功的预报模型，其基于U-Net编码—解码器架构，使用气候模拟和观测数据作为训练集，能实现未来6个月的月平均海冰密集度预测；模型通过多变量输入，强化了对气候驱动因子的表征能力，并采用均方根误差（Root Mean Square Error， RMSE）、相关系数和Brier分数等指标评估，结果显示其对海冰边缘位置的预测显著优于传统方法。在中国学者的研究中，Ren等［39］提出了一个完全由数据驱动的深度学习模型SICNet，用于预测从周到月尺度的泛北极逐日海冰密集度。该模型基于全卷积网络（Fully Convolutional Networks，FCN）编码—解码器框架，并引入时间—空间注意力模块（Time-Spatial Attention Module，TSAM；这是一种结合时间和空间特征的注意力机制，通过动态加权时间和空间维度上的信息，提升模型在时空序列数据中的特征提取能力和预测精度），以捕获海冰数据序列的时空相关性。其训练数据主要来源于长期的卫星被动微波海冰密集度产品［如NSIDC（National Snow and Ice Data Center）］或ERA5（European Centre for Medium-Range Weather Forecasts ReAnalysis 5）数据，并通过标准化和滑动窗口处理提升模型的泛化性。试验结果表明，SICNet在连续28天的海冰密集度预报中取得了较好的效果，为季节尺度的日海冰预报提供了可能性。随后，研究者通过引入基于物理约束的损失函数，成功将SICNet应用于预测融化季泛北极地区次季节尺度的日海冰密集度［39］。采用RMSE、平均绝对误差（Mean Absolute Error， MAE）和空间相关系数（Correlation Coefficients，CC）等指标评估模型性能时，结果显示SICNet在泛北极范围内的短期和次季节尺度预报中较传统方法表现出更高的精度与稳定性。
不同于北极海冰的持续消融，在全球变暖背景下，南极海冰在1979—2015年表现出微弱的增长，随后快速下降，同时呈现出强烈的季节性和纬向不对称性。相对于受到较多关注的北极海冰预测，关于南极海冰的预测评估相对较少。目前南极的海—冰—气耦合系统模拟结果仍不理想，传统的动力模式在南极海冰预测中表现较差［40］。为了改善这一预测能力，Wang等［41］发展了一个基于深度学习的预报模型SIPNet（图1），用于预测季节内南极海冰的密集度。该模型是一个纯数据驱动的深度学习模型，只使用海冰密集度数据作为输入，并采用卷积神经网络（Convolutional Neural Network，CNN）与循环神经网络（Recurrent Neural Network，RNN）相结合的编码—解码器框架，以同时提取海冰的空间分布特征和时间演化特征，并通过残差连接保证了深层网络训练的稳定性，目前已具备超前4周的海冰预报能力。研究表明，SIPNet的预测结果具有一定的季节性和区域性差异，其中秋季预测效果显著优于春季；在威德尔海域的预测显著优于西太平洋海域，总体上预测效果显著优于动力学海冰模式和统计模型。SIPNet还能提取到某些与厄尔尼诺—南方涛动（El Niño-Southern Oscillation，ENSO）和南半球环状模（Southern Annular Mode，SAM）相关的海冰异常信号。另外，Dong等［42］将CNN与长短期记忆（Long Short-Term Memory，LSTM）模型相结合，采用卷积长短期记忆网络（Convolutional Long Short Memory，ConvLSTM）对12月至次年6月的南极海冰面积和范围进行了重新预测。结果表明，ConvLSTM成功捕捉到了南极海冰的年际和季节间变化。
图1 SIPNet模型结构

（a）包括输入、编码器、解码器和输出的模型结构，编码器模块包括残差网络模块和最大池化层，解码器由残差网络模块、上采样和串联层组成；（b）ResNet TSAM 块的结构（据参考文献［41］修改）。

Fig. 1 SIPNet model Structure

（a） The model structure includes input， encoder， decoder， and output. The encoder consists of a residual network module and a max-pooling layer， while the decoder is composed of residual network modules， upsampling， and concatenation layers. （b） The structure of the ResNet TSAM block （modified after reference ［41］）.

在极区海冰AI领域，中国学者还进行了一些其他探索：①海冰分类与提取。Shen等［38］使用Cryosat-2数据对海冰进行了分类，比较了CNN、贝叶斯、K近邻（K-Nearest Neighbor，KNN）、支持向量机（Support Vector Machine，SVM）、随机森林（RandomForest，RF）和反向传播神经网络（Back Propagation Neural Network，BPNN）6种分类器的分类效果，发现RF的平均准确率最优（RF是一种通过构建多个决策树并结合其结果进行预测的集成学习算法）。Wang等［24］基于改进的U-Net模型，利用合成孔径雷达（Synthetic Aperture Radar，SAR）数据来区分海冰和开阔水域，通过视觉判读对分类结果进行验证，与AMSR2的比较表明其分类结果有较高的准确率。Liang等［43］提出了一种利用U-Net改进的熵权网络（Entropy Weight Network，EW-Net）自动提取遥感图像中的海冰冰间水道的方法。王智豪等［44］基于Sentinel-2影像，选择可见光和近红外作为特征波段，采用2种特征组合方式，分别训练多层神经网络（Multilayer Neural Network，MNN）进行了海冰、开阔水域以及亮/暗融池识别。②海冰反演与建模。Li等［45］利用AMSR2数据反演北极海冰冷季积雪深度，使用回归分析（Regression Analysis，RA）结合5个变量的LSTM神经网络（属于RNN）以及结合5个变量的小波神经网络方法，结果表明RA结合LSTM的效果较好。Liang等［46］提出了一个自注意力卷积神经网络模型（SAC-Net），用于更简洁地模拟热力学参数与极地海冰厚度之间的关系。③海冰动态变化监测。He等［47］发展了一种基于K近邻矢量场一致性的特征算法KVFC（K nearest-neighbor Vector Field Consensus）来监测海冰的动态变化；KVFC属于机器学习中的一种监督学习方法，多用于图像分类问题。④海冰图像分辨率提升与超分辨率方法。Liu等［48］提出了一种新的多影像超分辨率网络——渐进式多尺度可变形残差网络（Progressive Multi-scale Deformable Residual Network，PMDRNet），以提高海冰被动微波影像的空间分辨率。为克服被动微波影像的空间分辨率限制，Feng等［49］探索了适用于不同频率下被动微波海冰影像的多影像超分辨率（Multi-Image Super-Resolution，MISR）网络模型。他们研究了4种机器学习网络的适用性，包括EDVR（Video Restoration With Enhanced Deformable Convolutional Networks）、PFNL （Progressive Feature Learning Network）、RBPN （Recursive Back Projection Network）和RRN （Residual Refinement Network），并将这些模型应用于北极海冰多频AMSR2被动微波影像。在此基础上，Feng等［50］结合超分辨率和海冰密集度估计网络开发了一种新的框架，实现了对AMSR2被动微波影像的精细尺度海冰密集度估计。继而，Liu等［51］参照PMDRNet模型，采用一种新颖的基于深度学习的超分辨率方法，生成空间分辨率高达原始分辨率4倍的被动微波影像，并利用该方法生成了格陵兰海北部冰间湖区的超分辨率海冰密集度。

3 冰盖表面融水、表面湖与积雪含水层

准确提取极地冰盖表面融水及积雪含水层的时空分布，并估计相应的液态水含量或融化量，仍是极具挑战性的问题。目前通常依靠数值模式模拟或卫星遥感观测进行估计，但是这些方法都有其局限性。基于卫星的冰盖融化估算，通常依赖反照率变化、亮度、温度或反向散射等表面的代理指标，并需要依据经验设置适应局部特征的阈值融化通量或融水体积才能估算。因而，可能造成融化通量的低估，比如在蓝冰区很难通过卫星数据对比区分出融化和非融化区域［26］。因此，深度学习模型为提升冰盖表面融水、表面融化伴随的表面湖及积雪含水层等对象的轮廓提取精度与定量刻画能力，提供了极具潜力的分析工具。AI建模能够精确模拟融水从冰盖表面到冰下系统的传输过程，识别并量化融水流动的路径和速率。这不仅有助于预测冰盖的动态响应，还能深入理解融水对冰盖稳定性和物质平衡的影响。通过深度学习模型，能够综合考虑不同冰层的温度、压力和流动特性，从而有效地建模和预测复杂的融水传输过程。
针对冻土和冰下水文系统状态，Shang等［52］利用RF分类算法和C波段先进散射计（Advanced Scatterometer，ASCAT）数据，结合美国国家航空航天局冰桥计划（Operation IceBridge，OIB）的测量数据，探讨了地表融水对格陵兰冰盖质量损失的影响，指出大量融水并未直接排出或重新冻结，而是以含水层形式储存在冰盖内部。针对冰盖日地表融化量定量估算，Zheng等［53］提出了一种区别于传统区域气候模式的BPNN模型策略，对融化通量进行训练构建，融水通量则基于现场大气和积雪观测以及地表能量平衡模型计算得出。定量估算显示，融化通量存在局部差异，有必要区分来自辐射计的活跃融体和剩余融水，并改进区域气候模式对消融过程的参数化方法。在高海拔地区进行更多的原位观测，预计将提高融体通量检索模型的可靠性。因此，监测冻土和冰盖含水层的变化应成为评估冰盖稳定性及其物质平衡的重要一环。在冰盖/冰架表面湖领域，针对冰上湖的分布和变化，Hu等［54］基于GEE（Google Earth Engine）平台，开发了一种结合纹理和形态特征的RF算法，用于格陵兰表面湖的自动识别。他们通过分析Sentinel-2卫星图像，计算了2016—2018年格陵兰岛融化季表面湖的融化量，并研究了其时空变化特征。目前，南极表面水体的快速自动提取和量化主要依赖遥感卫星影像和归一化水体指数（Normalized Difference Water Index，NDWI）。然而，NDWI方法通常将雪泥、岩石、蓝冰和阴影等非水体特征误判为水体，降低了量化的准确度。针对深度学习在南极表面水体识别中的应用所面临的高质量标签数据集匮乏和适用模型选择困难等问题，Niu等［35］选择卷积神经网络U-Net模型，并基于Sentinel-2多光谱卫星图像特点添加了带有注意力机制的模块，在使用NDWI及其人工修正基础上，建立了可信度较高的南极表面水体标签数据集，显著提升了表面水体自动提取的效果。在Amery冰架不同位置的水体提取试验表明，该模型既能对地形较为平坦区域的水体（图像背景干扰因素较少）进行提取，也能对细小密集的湖泊群（背景干扰相对较大）进行识别。U-Net对存在色差的拼接影像或表面起伏较大而空间分布又较为分散的影像也能较好地提取水体（图2）。图2展示了利用U-Net模型对Sentinel-2图像的水体提取结果，其中图2（a）、图2（c）、图2（e）和图2（g）为原始影像，分别展示了不同区域的地表信息，以及可见拼接区域的色差和起伏较大的表面特征；而图2（b）、图2（d）、图2（f）和图2（h）为U-Net自动提取的水体结果，表现出明显优于传统方法的水体区分效果。同时，相对于其他基于阈值法的水体提取方法，U-Net对岩石和水体的区分更为准确。针对格陵兰冰盖表面湖的轮廓提取，彭博洋等［55］使用U-Net模型对Landsat卫星影像中的冰面湖进行了提取试验。
图2 深度学习模型对 Sentinel-2 图像（a，c，e，g）自动提取水体结果（b，d，f，h）［35］

Fig. 2 Deep learning model for automatic extraction of water bodies from Sentinel-2 images （a， c， e， g） and the results of extraction （b， d， f， h）［35］

4 冰盖底部融水与冰下湖

冰盖底部融水的存在会降低底部的摩擦力，使冰盖更容易滑动。滑动的增强加速了冰盖向海洋的运动和物质输送，进而导致海平面上升。此外，融水还会改变冰盖内部的应力分布，调节冰流流量，并对输入冰底的地表融水做出响应［8］。融水的空间分布差异进一步增强了冰流的启动，促进了冰下湖以及冰下水系的形成，从而影响冰盖的稳定性［56-58］。然而，当前评估冰盖对未来海平面上升贡献的预测模型通常忽略了由冰下融水调节的冰流变化。在以往研究中，冰盖底部是否融化以及是否存在融水的聚集通常根据冰底的雷达回波来反推确定［58］。随着融水的积累，形成的冰下湖成为冰盖底部水文系统的重要组成部分，其在雷达图像中具有独特的反射特征，即冰水界面呈现出的明亮、平坦的镜面反射［59］。最初，使用人工目视直接从雷达图像读取冰水界面并通过手工提取冰下湖的表面轮廓［60］。然而，针对一些由卫星测高发现的冰下湖进行的雷达回波探测，却未发现冰岩界面处预期的平坦亮层［61-63］。因此，发展出一些基于冰雷达反射信号的垂向衰减率阈值方法并用于寻找潜在的冰下湖泊［61，63］。最近，自动提取几何特征的机器学习方法［20］也被提出并用于冰下湖泊的检测。研究表明，改进的冰水界面选取规则和阈值可提高检测的准确性和效率。然而，这些方法主要基于物理建模的假设或借鉴之前的检测经验，可能导致潜在的不准确检测。
最近，Dong等［64］发展了一种基于深度学习和无监督聚类的方法，用于从冰雷达图像中自动检测冰下湖。通过对比已知的冰下湖目录，验证了该方法的有效性，并发现了一些之前未检测到的冰下湖。该深度学习模型通过训练变分自编码器（Variational Auto-Encoder，VAE；这是一种通过引入变分推断将高维数据映射到潜在空间以实现对数据压缩、生成和重构的生成模型）重建了冰底雷达反射的一维波形特征。训练集取自东南极甘布尔采夫冰下山脉区域的冰雷达数据，共截取冰底反射波形148.86万条，其中90%用于训练。在VAE的隐藏空间中应用K-means聚类方法分析相似的反射特征并将其分离成不同的簇。然后识别出一组重建的反射器簇，其波形特征尖锐、陡峭且对称，对应于雷达图像中观察到的冰下湖。图3展示了上述冰下湖检测的完整流程，直观呈现了从特征提取到冰下湖识别的各个环节。通过提取冰岩界面的一维反射波形特征，将新检测到的冰下湖与已知的冰下湖目录进行比较，新识别出46个冰下湖。该深度学习聚类模型具有一些独特的特征：①基于冰下雷达反射波的波形特征，使用VAE聚类雷达波形可自动检测出容易被忽视的具有较窄宽度和缺乏连续平坦反射特征的较小冰下湖，显著提高了冰下湖检测的效率和准确性；②自动编码VAE深度学习模型与传统的监督学习方法不同，无需手动标签，从而将训练标签可能带来的人为误差最小化；③该方法可扩展到检测和标记其他类型的冰下特征［如冰下复结冰（Freeze-on Ice）］。在物理机制上，VAE把高维波形压缩为潜在空间的二维向量，实质以介电常数梯度与界面粗糙度的耦合关系刻画冰底水文状态；K-means划分的尖锐对称波形簇直接对应液态水镜面反射，其他簇则映射粗糙基岩或复结冰等端元，从而以数据驱动方式生成分辨率更高的冰底“水文相图”。该方法可用于捕捉宽度小于200 m的初生湖泊与暂时性积水通道，为冰底水网由孤立空腔到连通湖泊的演化提供新的时间标尺；VAE编码器可将高维反射映射到与反射波形特征相对应的向量，其潜在向量的漂移量可作为冰下水系扩张、收缩或冻结事件的实时指标，实现动态监测。该编码—聚类方法为冰底反射提供了抽象分类，但冰底反射及其相应聚类的物理属性仍需要进一步解释。未来，物理建模和现场钻探可能提供潜在向量与冰下条件之间更直接的关系，从而增强对这种冰下湖泊检测方法的理解。
图3 冰下湖检测的流程（据参考文献［64］修改）

（a）单道冰底反射特征提取；（b）变分自动编码器（VAE）；（c）冰底反射降维特征聚类；（d）冰下湖标记。

Fig. 3 Flowchart of subglacial lake detection （modified after reference ［64］）

（a） Single-pulse ice bottom reflection feature extraction； （b） Variational AutoEncoder （VAE）； （c） Dimensionality reduction and feature clustering of ice bottom reflections； （d） Subglacial lake labeling.

5 冰架表面裂隙

南极冰架上的表面和底部通常存在冰裂隙（或裂谷），其多发育于高应变率的区域，在该区域内，冰内应力通常超过了冰的断裂韧性［65］。总的来说，大范围的表面裂隙可由卫星遥感和航空摄影进行测量，而针对冰架底部裂隙的探测相对困难，通常使用冰雷达和人工地震进行局部测量。由于全球变暖，南极洲的表面融化越来越普遍；当表面融水流入裂缝时，融水积聚会产生一种称为“水力压裂”的过程，导致裂缝扩展和潜在的冰架不稳定［22］。因此，准确掌握冰架表面裂缝的空间分布对于评估南极冰架破裂的脆弱性至关重要。目前，针对冰架表面裂缝的提取主要采用基于图像数据的各种自动或手动的边缘提取方法［66］。但要从卫星图像中全面手动提取相对低分辨率但覆盖整个大陆的类似裂缝特征显然不切实际。对此，AI深度学习为冰架表面裂隙提取提供了强有力的工具。Lai等［22］的近期研究取得了重要进展：他们训练的深度卷积神经网络（Deep Convolution Neural Network，DCNN），即U-Net模型，绘制了南极冰架上所有的表面裂缝，经过评估，该训练好的U-Net模型在处理未标记的图像子集时表现良好。
中国在该领域也进行了一些探索。借助深度学习，Zhao等［67］利用Sentinel-1 SAR图像，在南极洲的多个冰架上识别出冰裂缝。他们提出了一种基于改进U-Net模型的自动化框架，用于提取冰裂隙特征，并对Nickerson冰架、Jelbart冰架、Amery冰架、Thwaites冰川和Shackleton冰架的表面冰裂隙进行了绘制与分析。结果表明，与之前的研究相比，该方法在冰裂隙区域的识别上表现出良好的视觉一致性。Pang等［68］将残差连接引入U-Net模型（ResUNet），提取了南极所有冰架表面裂缝的空间分布并分析其演变。他们将该模型应用于中分辨率成像光谱仪（Moderate-resolution Imaging Spectroradiometer， MODIS）获取了南极镶嵌图像（Mosaic Of Antarctica，MOA），并进行了表面裂缝提取。提取效果表明，ResUNet从MOA图像中进行表面裂缝识别有一定效果，但提取结果受输入数据集和识别标准等多方面潜在因素的影响，当选定的区域由于可见光的空间分辨率较粗且穿透能力有限时，从MOA中识别长度或宽度小于几百米的表面裂缝较难，特别是那些被雪覆盖的裂缝；而且该研究也未能给出每个提取特征对应的特定裂缝类别。总体而言，卷积神经网络U-Net的泛化能力受到独立同分布假设的限制，对不同区域的提取效果存在显著差异。因此，在后续研究中，需要考虑每个地区的独特特征并探索利用迁移学习进行大规模研究的可能性。

6 冰盖内部冰层与冰下地形

冰雷达探测（Radio Echo Sounding，RES）作为研究极地冰盖的关键技术，已广泛应用于冰盖底部地形、冰厚和冰盖内部结构（特别是内部等时层）的提取。这些近乎同年代的冰层（由密度、杂质、酸度或冰晶组构差异导致的介电特性变化而形成）蕴藏着冰盖动力学历史、古积累率及冰底环境等信息，是校验冰流模型和解析冰盖演化的主要依据［69］。然而，与冰盖表层和基岩界面相比，内部等时层的电磁对比度通常较弱，导致其自动提取面临巨大挑战。当前瓶颈在于依赖耗时的手工追踪，例如追踪20层、总长20 000 km的雷达断面，需熟练人员至少10年才能完成［70-72］，这凸显了发展自动/半自动方法的迫切性［72］。现有主流方法（如Panton［73］的主动轮廓模型，Xiong等［71］基于小波变换与Hough变换的统计方法）通常需人工选点并估算坡度进行层位传播，虽在高振幅层区有效，但在低振幅区或强噪声（尤其深层）环境下表现不佳，这些传统方法本质上受限于物理信号的对比度，面对深层低振幅、复杂叠加噪声或非线性信号区域时，出现“物理上不可解”的瓶颈，即层位信号微弱到无法用物理模型或简单统计方法来可靠识别。迄今尚未建立普适于全冰盖的、能高效自动提取的物理数学模型，这也是当前南极研究计划（如SCAR的INSTANT项目及AntArchitecture行动组［74］）致力攻克的关键难题。AntArchitecture旨在整合雷达成像构建全南极冰层年代模型，该模型的构建高度依赖于可靠、高效的内部层自动提取技术。
深度学习提供了一种突破传统物理方法局限的潜在技术途径。EisNet模型利用合成数据训练卷积神经网络，成功实现了基岩界面与内部等时层的自动识别，有效抑制了干扰［15，75］。图4展示了EisNet模型在雷达图像中拾取这些层位的工作流程，具体包括冰雷达数据预处理、卷积神经网络特征分类（其中，CED-II模块用于提取仅包含冰层的雷达图像，而CED-IR模块则用于同时提取冰层和基岩界面的特征）以及模型训练实现层位提取。相比传统方法需要依赖明显的信号对比度和人工选点，深度学习方法能够通过端到端的数据驱动学习，捕捉低振幅、深层噪声、非线性叠加结构以及复杂内部纹理特征，从而识别在物理上不可解的层位。与传统方法相比，深度学习能够在低振幅、强噪声及深层非线性结构环境中学习复杂模式，实现传统算法无法解析的层位提取，特别是在信号被噪声淹没、层界不连续或局部消失的区域，AI方法可以基于上下文和全局特征进行智能预测与补全，从根本上突破物理模型无法求解的局限，这解决了手工或物理建模难以覆盖的“不可解”深层问题。但其在快速冰流区、冰架、冰下水复结冰或强环境杂波导致的低质量图像中的识别能力仍有待提升。Peng等［76］结合傅里叶变换/小波重构的预处理与基于自注意力的ST-SOLOv2实例分割网络，初步实现了深霜层的自动提取。总体来看，AI方法通过学习数据驱动的复杂非线性特征，显著提升了冰盖内部结构提取的精度和效率，突破了传统物理方法在极端极地环境下对深层、低信噪比以及非线性结构区域无法识别的瓶颈。进一步地，AI技术为冰盖动力学过程的解析提供了新的视角，通过提取复杂的冰盖内部结构，能够揭示冰盖运动、热流传导和物质输送等动力学过程的关键特征，从而推动冰盖演化历史的定量研究。然而，现有方法在捕捉冰雷达数据深层非线性结构方面仍显不足，亟须开发鲁棒性、适应性更强的智能算法，以满足南极冰盖大范围、高精度内部冰层建模的迫切需求，为理解冰盖稳定性与演化历史提供坚实的数据支撑。
图4 EisNet拾取雷达图像内部等时层与基岩界面的各模块应用工作流程［15］

Fig. 4 Workflow of EisNet various modules for picking internal isochrones and bedrock interfaces from radar images［15］

7 其他创新应用

中国科学家的多项研究还展示了机器学习方法在极地环境监测中的创新应用。
（1）环境参数反演。在冰盖质量评估方面，Shi等［77］通过融合卫星测高与表面物质平衡数据（径流、降水等），采用偏最小二乘回归（Partial Least Squares Regression，PLSR）筛选关键变量，结合SVM、BPNN和多元线性回归（Multiple Linear Regression，MLR）模型成功重建了格陵兰冰盖引力恢复与气候实验（Gravity Recovery and Climate Experiment，GRACE）与引力恢复与气候实验后续任务（Gravity Recovery and Climate Experiment Follow-On，GRACE-FO）间11个月缺失的数据，显著提升了对冰盖响应气候变化机制的理解。在辐射平衡研究领域，Zeng等［78］基于RF构建了南极中山站30年高精度太阳总辐射数据集，揭示出辐射年异常值在2004年前后呈现“先升后降”的转折特征，为极地能量平衡研究提供了关键基础数据。在近地表参数建模领域，Pang等［79］利用RF与深度神经网络，成功建立了东南极Dome A地区近地面气温估算模型，证明气象参数可有效反演极端环境气温。这些工作通过多源数据融合与机器学习方法，显著提升了对极地环境参数重建和缺失值填补的精度与可靠性。
（2）冰震分析。Hu等［80］采用自编码器与高斯混合模型的无监督深度学习框架，对东南极达尔克冰川地震信号进行智能聚类，精准识别出风致振动、热收缩裂缝、基底黏滑、充水基底裂隙及冰山崩解5类冰川地震事件，首次揭示出潮汐力、风速与温度对冰川活动的调制机制。研究展示了深度学习在复杂冰川地震事件分类与动态机制解析中的创新应用，显著提升了冰川活动监测的自动化和精细化水平。
（3）冰架结构与地质构造识别。在冰架结构识别方面，Song等［81］基于改进U-Net架构，以格陵兰79NG冰川基底通道标注数据训练模型，实现了对Peterman和Ryder冰架基底通道的自动提取。Chen等［82］突破传统二维判别图的局限，开发了基于主成分分析（Principle Component Analysis，PCA）和RF应用于锆石的元素分析高维机器学习方法，以非均变视角识别构造背景与岩浆类型，准确率显著高于传统方法。结合深度学习与高维机器学习，实现冰架基底通道和岩石构造特征的自动化识别，显著提高了识别效率与精度，突破了传统方法的局限。
（4）GPS数据修复与建模。Zhang等［83］开发的缺失森林插补法（missForest）通过整合时空关联性，实现了格陵兰GPS时间序列超过30天缺失值的可靠修复。Zhang等［84］则证明独立成分分析（Independent Component Analysis，ICA）结合LSTM神经网络可在西南极实现高精度对流层延迟建模，其中ICA在沿海地区的性能显著优于PCA。这些方法凸显了机器学习在极地GPS数据高精度重建与建模中的潜力，为监测冰盖长期运动提供了可靠技术支撑。
以上研究共同推动极地观测向“高精度、自动化、多尺度”方向发展：从冰盖物质平衡、辐射通量和近地气温等环境参数反演，到冰川地震、冰架结构与地质构造等状态与特征解析，再到GPS数据修复与建模等技术方法创新，机器学习技术正系统性重构极地科学研究范式，为理解极地系统对气候变化的响应提供多维度技术支撑。

8 讨 论

近年来，中国科学家在极地冰冻圈研究中AI技术（尤其是深度学习模型）应用方面取得了一些进展，展现出AI的显著技术优势和应用潜力，并在多个子领域初步显现出改变传统研究范式的潜力［85］，为极地冰冻圈关键要素的监测、反演与预测提供了新的研究思路。
基于上述进展，中国在极地冰冻圈AI应用领域的3个方面已显示出独特优势或潜在突破口：①高分辨率极地小目标检测。依托国产高分卫星、航空冰雷达与“雪龙”系列现场数据，中国团队在冰下湖、裂隙和冰间水道等“窄/弱/碎”特征的智能识别上率先实现了优于10 m空间分辨率与90%以上召回率，显著领先欧美现有公开模型［86］。②物理—数据双驱动的可解释框架。SICNet和VAE+K-means等方法［87］将能量守恒和电磁波散射机制直接嵌入损失函数与潜在空间，兼顾了预报精度与机理一致性。③跨圈层一体化平台雏形。“极地环境AI中台”已集成海冰、冰盖、冰架、海洋、大气、冻土、降水、植被和微生物9类数据源，具备实时遥感—现场—模式三元融合能力，为构建全球极地数字孪生提供了中国方案。
在具体应用层面，在海冰预报领域，数据驱动的深度学习模型（如IceNet、SICNet和SIPNet）通过有效捕捉海冰密集度的复杂时空依赖性，显著提升了从周尺度到季节尺度（最长可达6个月）的预报技巧，其性能普遍超越了传统动力模式和统计模型。特别值得注意的是，融合物理约束的损失函数（如SICNet）成为提升模型物理合理性和泛化能力的关键创新点。同时，多种机器学习方法（CNN、RF、SVM、KNN和BPNN等）在海冰分类、积雪深度反演、冰水区分、冰间水道提取、海冰厚度关系建模、被动微波影像超分辨率以及海冰动态变化监测等方面均取得了优于传统方法的精度和效率，为精细化海冰参数获取提供了强大工具。在冰盖/冰架系统研究中，AI的应用更为多元化且深入。RF和BPNN等模型显著改进了冰盖表面融化量估算和融水湖的自动识别与量化，解决了传统遥感方法（如NDWI）在蓝冰区或复杂背景下的误判难题；U-Net及其改进模型（如添加注意力机制）在南极水体提取中表现出优异的抗干扰能力和准确性。基于深度学习和无监督聚类（如VAE+K-means）的新方法实现了冰下湖的高效、自动化检测，克服了依赖人工经验阈值和目视解译的局限，发现了传统方法遗漏的冰下湖，为理解冰底水文系统及其对冰流的影响提供了新视角。在冰层结构提取领域，尽管在细小、被雪覆盖裂隙或跨区域泛化能力上仍面临挑战，改进的CNN架构（如U-Net，ResUNet）已成为自动提取冰架表面裂隙和冰架基底通道的主流方法。在冰雷达数据处理方面，深度学习模型为自动追踪弱反射的冰盖内部冰层提供了可行方案，极大地提升了处理效率，但其在复杂区域（如快速冰流区、强杂波区）的鲁棒性仍需加强。另外，在极地环境参数与过程的其他领域，RF、SVM、BPNN、LSTM和自编码器等在冰盖物质平衡重建、近地表气温估算、太阳辐射数据集构建、冰川地震事件智能分类、GPS数据插补以及地质构造判别等方面展现出强大的建模和解析能力，推动了对极地环境多要素、多过程的高精度监测和理解。
基于上述进展，表1归纳了中国在极地冰冻圈AI研究中采用的典型模型及其应用效果对比。
表1 中国在极地冰冻圈AI研究中的典型模型及性能对比

Table 1 Comparison of typical models and performance in AI research of the polar cryosphere in China

类别及特征 模型 应用中的异同对比 输入 输出 实际表现 优缺点 改进方向
卷积神经网络（CNN）相关模型：基于卷积操作，通过提取局部特征进行分类、分割，适用于图像数据 CNN 卷积神经网络，常用于图像识别，适合处理极地环境中的遥感图像 图像数据和遥感数据 图像分类结果 在海冰图像分类、裂隙识别 等任务中表现 优异 优点：图像处理能力强，适应性强 缺点：计算资源消耗大，对数据标注要求高 减少模型训练对数据标注的依赖，优化计算资源消耗
U-Net 用于图像分割，广泛应用于医学图像和遥感图像分割 图像数据 分割图像 在极地冰盖、海冰分割中应用广泛，效果显著 优点：图像分割性能强 缺点：训练数据要求高， 模型较大 优化计算效率，减少训练数据需求
ResUNet 结合残差网络与U-Net，用于图像分割和语义分割任务 图像数据 分割图像 在极地冰盖、海冰图像分割中表现突出 优点：图像分割精度高，适应性强 缺点：模型较为复杂，训练数据要求高 优化模型结构，减少训练数据需求
EisNet 基于合成数据训练的卷积神经网络，用于极地冰盖的自动识别 合成数据和遥感数据 冰盖内部结构和基岩界面识别结果 在冰盖结构提取中表现优越，能够有效抑制噪声干扰 优点：高效且稳定，适应性强 缺点：对训练数据要求高，可能出现过拟合 优化训练策略，提高模型的泛化能力
循环神经网络（RNN）相关模型：关注时间序列数据的建模，能够处理数据中的时间依赖关系 LSTM 长短期记忆网络，用于时间序列预测 时间序列数据 预测结果 在时间序列预测中，尤其是海冰预报中表现良好 优点：适合时序数据，能够处理长期依赖关系 缺点：训练时间长，参数选择困难 提高训练效率，优化模型的长期依赖处理能力
ConvLSTM 结合卷积神经网络与长短期记忆网络（LSTM），用于时空数据的预测 时间序列数据、空间数据 时序预测结果 在预测海冰面积、范围等方面表现良好 优点：能够处理时序数据，适合海冰动态预测 缺点：对训练数据量要求高，训练时间长 优化模型的时间效率，减少训练数据需求
BPNN 反向传播神经网络，广泛用于回归和分类任务 特征数据、标签数据 分类结果、回归结果 在冰盖底部融水和冰下湖的预测任务中表现出色 优点：高效且灵活 缺点：容易过拟合，需要较长的训练时间 增加正则化技术，减少过拟合
类别及特征 模型 应用中的异同对比 输入 输出 实际表现 优缺点 改进方向
生成模型与自编码器：主要用于数据生成、压缩、特征提取等无监督学习和生成建模任务 VAE 变分自编码器，用于生成数据和异常检测 原始数据和潜在变量数据 重建数据和潜在 变量 在异常检测任务中具有较好的效果 优点：适合生成任务和异常检测 缺点：模型训练较慢，生成质量受限 改进生成数据的质量，提高训练速度
自编码器 用于数据降维与特征提取 高维数据 降维后的特征 在数据降维和特征提取方面表现良好 优点：能够有效降低数据维度 缺点：对噪声敏感 提高对噪声的鲁棒性，优化降维效果
高斯混合模型 用于数据的概率建模，适用于密度估计与聚类任务 数据集（带有潜在分布） 聚类结果和概率 分布 在海冰分类与模式识别中有较好的表现 优点：处理复杂数据分布 缺点：参数选择困难，计算复杂 改进模型的拟合速度，简化参数调整过程
基于统计学原理的模型：适用于有标签数据的分类、回归等任务，尤其在数据较少或存在不确定性的情况下表现较好 SVM 支持向量机，用于分类和回归问题，特别适用于高维 数据 特征数据

结果

分类结果和回归

 在极地冰盖的分类任务中表现出色，尤其在高维空间中 优点：适合高维数据，性能稳定 缺点：训练时间长，参数调整困难 提高训练效率，优化参数调节方法
贝叶斯 基于概率推理的模型，适用于不确定性较高的数据环境 输入数据（带不确定性）

结果

概率分布和预测

 在不确定性较大的极地环境数据中有较好的表现 优点：处理不确定性较强的 数据 缺点：推理过程计算复杂 提高推理速度，简化计算过程
集成学习模型：通过集成多个弱学习器来提高整体模型的表现，适用于各种监督学习任务，尤其在大规模数据集上表现良好 KNN K近邻算法，用于分类与回归任务 特征向量数据 分类结果和回归 预测 在小样本数据的分类任务中表现较好，但对大数据集性能较差 优点：实现简单，容易理解 缺点：对大规模数据集的计算时间较长 增强对大规模数据集的适 应性
RF 随机森林，集成学习方法，适用于分类和回归任务 特征数据和标签 数据

结果

分类结果和回归

 在海冰数据分类任务中有较好效果，表现 稳定 优点：适用于高维数据，鲁棒性强 缺点：模型较大，计算资源消耗较高 优化模型的内存占用和计算效率
KVFC 基于向量场共识的K近邻方法，用于处理动态变化数据 时空数据 预测结果和模式 识别 在海冰动态变化的监测中表现优异 优点：处理时空数据具有 优势 缺点：对大数据集计算时间较长 提高计算效率，减少对大数据集的训练时间
物理模型与数据驱动模型：将物理模型的知识与数据驱动的学习方法结合起来，能够在复杂系统建模中提供更具解释性和准确性的预测 PMDRnet 用于数据驱动的极地海冰建模 海冰数据 模型预测结果 在极地海冰建模中的应用较为成功 优点：适应性强，预测精度高 缺点：对输入数据质量要求 较高 改进对不同数据源的适应性，提升模型鲁 棒性
神经网络与信号处理结合的模型 小波神经网络 结合小波变换与神经网络，用于信号处理和模式识别 信号数据 信号特征提取结果 在极地冰盖底部地形的提取中，有较好的表现 优点：能处理信号的多尺度 特征 缺点：对噪声敏感，计算复杂 提高抗噪能力，减少计算复 杂度
其他模型：用于处理一些特殊任务 SICNet 基于深度学习的海冰密度预测网络，适用于季节尺度海冰预报 海冰图像和气象 数据 海冰密度和海冰 范围 优化海冰密度预报效果，适用于大规模数据处理 优点：处理大数据集，预测精度高 缺点：对数据噪声敏感，处理速度较慢 改进算法的计算效率，提高对复杂环境的适应能力
SIPNet 结合物理约束的深度学习网络，能够预测海冰变化和融化情况 物理约束数据和遥感数据 海冰厚度和融化量 成功提高次季节尺度的海冰预报能力 优点：能结合物理约束，表现稳定 缺点：计算复杂度较高，需要大量数据训练 提高计算效率和数据处理 速度
RA 回归分析，用于建立自变量与因变量之间的关系 模型 自变量 数据 因变量预测值 在简单预测任务中应用广泛，适合线性关系的情况 优点：实现简单，计算快速 缺点：只能处理线性关系，无法捕捉复杂模式 增加对非线性关系的建模 能力

注：CNN：Convolutional Neural Network；RNN：Recurrent Neural Network；LSTM：Long short-Term Memory。

然而，与国外先进水平相比，中国在极地冰冻圈AI研究方面仍存在一定差距。欧美国家在海冰预测、冰盖动力学模拟和冰下环境探测等领域，已经建立了跨学科与跨区域结合的研究框架，并在高时空分辨率预测、物理—AI耦合建模以及全球实时监测系统方面取得显著进展。例如，英国的IceNet模型已在全球范围内广泛应用，美国和欧洲团队在冰盖—海洋相互作用的AI建模中形成了较为系统的理论与实践体系。相比之下，中国的研究更多集中在单一任务和区域性应用上，缺乏跨区域、跨学科的一体化建模与验证。此外，在高质量数据集建设、国际数据共享和长期观测网络融合方面，国外已形成较完善的机制，而国内仍需进一步加强。

9 结语与展望

人工智能，特别是深度学习，已被证明是解决极地冰冻圈研究中高维度、非线性、大数据量挑战的颠覆性工具。其核心优势在于强大的特征学习能力、处理复杂时空关联性的能力，以及在融合多源异构数据（卫星遥感、气候模式、现场观测、地球物理数据）方面的灵活性。融合物理约束或知识的AI模型代表了提升模型可解释性和外推能力的重要方向。然而，挑战依然存在，主要表现在：①高质量标注数据的匮乏制约了监督学习模型的训练与验证；②模型的物理可解释性和泛化能力（尤其在不同区域、不同时期或极端条件下）有待进一步提高；③对复杂冰下环境（如复结冰、粗糙基岩）和弱信号特征（如深层等时层）的智能识别精度仍需突破；④海量地球物理数据的智能信息挖掘与物理机制关联需更深入的探索。未来的发展应更加注重物理约束与数据驱动的有机结合，构建跨学科和跨尺度的一体化AI框架，并推动国际合作与数据共享，以提升中国在极地研究中的整体竞争力。总体而言，未来研究应聚焦于以下几个核心方向：发展物理约束更强、可解释性更高的混合AI模型；加强多模态、多尺度数据的协同融合与同化；推动轻量化、嵌入式AI模型在极地现场观测装备中的应用；深化AI结果与冰盖动力学、热力学过程的物理关联机制研究；同时，促进跨学科合作，建立开放共享的高质量极地冰冻圈AI数据集和基准测试平台。
可以预见，AI将继续作为核心驱动力，引领极地冰冻圈科学研究向更高精度、更深机理、更强预测能力的方向发展，为准确评估极地变化及其全球影响提供不可或缺的科技支撑。中国学者在该领域已做出了一系列有影响力的创新工作，但未来仍需持续加强前沿技术攻关和国际合作，以进一步提升中国在全球极地研究中的学术影响力与国际话语权。

注：CNN：Convolutional Neural Network；RNN：Recurrent Neural Network；LSTM：Long short-Term Memory。

南京大学柯长青、杨康，中山大学郑雷、赵羲，武汉大学周春霞，同济大学冯甜甜提供了文献资料的帮助，中国科学院海洋研究所王云鹤帮助改绘了图1，在此一并致谢。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
HANNA E， PATTYN F， NAVARRO F， et al. Mass balance of the ice sheets and glaciers-progress since AR5 and challenges［J］. Earth-Science Reviews， 2020， 201. DOI： 10.1016/j.earscirev.2019.102976 .

[2]
MASSON-DELMOTTE V， ZHAI P， PIRANI A，et al. Climate Change 2021-the physical science basis： working group I to the sixth assessment report of the intergovernmental panel on climate change［EB/OL］. ［2025-06-17］.

[3]
RIGNOT E， MOUGINOT J， SCHEUCHL B， et al. Four decades of Antarctic Ice Sheet mass balance from 1979-2017［J］. Proceedings of the National Academy of Sciences of the United States of America， 2019， 116（4）： 1 095-1 103.

[4]
STEINER D， WALTER A， ZUMBÜHL H J. The application of a non-linear back-propagation neural network to study the mass balance of Grosse Aletschgletscher， Switzerland［J］. Journal of Glaciology， 2005， 51（173）： 313-323.

[5]
BOLIBAR J， RABATEL A， GOUTTEVIN I， et al. A deep learning reconstruction of mass balance series for all glaciers in the French Alps： 1967-2015［J］. Earth System Science Data， 2020， 12（3）： 1 973-1 983.

[6]
STEINER D， PAULING A， NUSSBAUMER S U， et al. Sensitivity of European glaciers to precipitation and temperature-two case studies［J］. Climatic Change， 2008， 90（4）： 413-441.

[7]
ANDERSSON T R， HOSKING J S， PÉREZ-ORTIZ M， et al. Seasonal Arctic sea ice forecasting with probabilistic deep learning［J］. Nature Communications， 2021， 12. DOI：10.1038/s41467-021-25257-4 .

[8]
VERJANS V， ROBEL A. Accelerating subglacial hydrology for ice sheet models with deep learning methods［J］. Geophysical Research Letters， 2024， 51（2）. DOI： 10.1029/2023GL105281 .

[9]
WERDER M A， HEWITT I J， SCHOOF C G， et al. Modeling channelized and distributed subglacial drainage in two dimensions［J］. Journal of Geophysical Research： Earth Surface， 2013， 118（4）： 2 140-2 158.

[10]
SURAWY-STEPNEY T， HOGG A E， CORNFORD S L， et al. Mapping Antarctic crevasses and their evolution with deep learning applied to satellite radar imagery［J］. The Cryosphere， 2023， 17（10）： 4 421-4 445.

[11]
TOLLENAAR V， ZEKOLLARI H， LHERMITTE S， et al. Unexplored Antarctic meteorite collection sites revealed through machine learning［J］. Science Advances， 2022， 8（4）. DOI： 10.1126/sciadv.abj8138 .

[12]
XU M Z， CRANDALL D J， FOX G C， et al. Automatic estimation of ice bottom surfaces from radar imagery［C］// 2017 IEEE International Conference on Image Processing （ICIP）. Beijing， China： IEEE， 2017： 340-344.

[13]
RAHNEMOONFAR M， FOX G C， YARI M， et al. Automatic ice surface and bottom boundaries estimation in radar imagery based on level-set approach［J］. IEEE Transactions on Geoscience and Remote Sensing， 2017， 55（9）： 5 115-5 122.

[14]
LEONG W J， HORGAN H J. DeepBedMap： a deep neural network for resolving the bed topography of Antarctica［J］. The Cryosphere， 2020， 14（11）： 3 687-3 705.

[15]
DONG S， TANG X Y， GUO J X， et al. EisNet： extracting bedrock and internal layers from radiostratigraphy of ice sheets with machine learning［J］. IEEE Transactions on Geoscience and Remote Sensing， 2022， 60. DOI： 10.1109/TGRS.2021.3136648 .

[16]
VARSHNEY D， RAHNEMOONFAR M， YARI M， et al. Deep learning on airborne radar echograms for tracing snow accumulation layers of the Greenland Ice Sheet［J］. Remote Sensing， 2021， 13（14）. DOI：10.3390/rs13142707 .

[17]
YARI M， RAHNEMOONFAR M， PADEN J. Multi-scale and temporal transfer learning for automatic tracking of internal ice layers［C］// IGARSS 2020-2020 IEEE international geoscience and remote sensing symposium. Waikoloa， HI， USA. IEEE， 2020： 6 934-6 937.

[18]
GIFFORD C M， AGAH A. Subglacial water presence classification from polar radar data［J］. Engineering Applications of Artificial Intelligence， 2012， 25（4）： 853-868.

[19]
ILISEI A M， BRUZZONE L. A system for the automatic classification of ice sheet subsurface targets in radar sounder data［J］. IEEE Transactions on Geoscience and Remote Sensing， 2015， 53（6）： 3 260-3 277.

[20]
ILISEI A M， KHODADADZADEH M， FERRO A， et al. An automatic method for subglacial lake detection in ice sheet radar sounder data［J］. IEEE Transactions on Geoscience and Remote Sensing， 2019， 57（6）： 3 252-3 270.

[21]
RAHNEMOONFAR M， YARI M， PADEN J， et al. Deep multi-scale learning for automatic tracking of internal layers of ice in radar data［J］. Journal of Glaciology， 2021， 67（261）： 39-48.

[22]
LAI C Y， KINGSLAKE J， WEARING M G， et al. Vulnerability of Antarctica’s ice shelves to meltwater-driven fracture［J］. Nature， 2020， 584（7 822）： 574-578.

[23]
GONÇALVES B C， LYNCH H J. Fine-scale sea ice segmentation for high-resolution satellite imagery with weakly-supervised CNNs［J］. Remote Sensing， 2021， 13（18）. DOI： 10.3390/rs13183562 .

[24]
WANG Y R， LI X M. Arctic sea ice cover data from spaceborne synthetic aperture radar by deep learning［J］. Earth System Science Data， 2021， 13（6）： 2 723-2 742.

[25]
LÖSING M， EBBING J. Predicting geothermal heat flow in Antarctica with a machine learning approach［J］. Journal of Geophysical Research： Solid Earth， 2021， 126（6）. DOI： 10.1029/2020JB021499 .

[26]
HU Z Y， KUIPERS M P， LHERMITTE S， et al. Improving surface melt estimation over the Antarctic Ice Sheet using deep learning： a proof of concept over the Larsen Ice Shelf［J］. The Cryosphere， 2021， 15（12）： 5 639-5 658.

[27]
CHENG D， HAYES W， LAROUR E， et al. Calving front machine （CALFIN）： glacial termini dataset and automated deep learning extraction method for Greenland， 1972-2019［J］. The Cryosphere， 2021， 15（3）： 1 663-1 675.

[28]
BRAAKMANN-FOLGMANN A， SHEPHERD A， HOGG D， et al. Mapping the extent of giant Antarctic icebergs with deep learning［J］. The Cryosphere， 2023， 17（11）： 4 675-4 690.

[29]
LI L， AITKEN A R A， LINDSAY M D， et al. Sedimentary basins reduce stability of Antarctic ice streams through groundwater feedbacks［J］. Nature Geoscience， 2022， 15： 645-650.

[30]
ROSIER S H R， BULL C Y S， WOO W L， et al. Predicting ocean-induced ice-shelf melt rates using deep learning［J］. The Cryosphere， 2023， 17（2）： 499-518.

[31]
JOUVET G， CORDONNIER G， KIM B， et al. Deep learning speeds up ice flow modelling by several orders of magnitude［J］. Journal of Glaciology， 2022， 68（270）： 651-664.

[32]
RONNEBERGER O， FISCHER P， BROX T. U-Net： Convolutional networks for biomedical image segmentation［C］// Medical image computing and computer-assisted intervention-MICCAI 2015. Cham： Springer International Publishing， 2015： 234-241.

[33]
MOHAJERANI Y， WOOD M， VELICOGNA I， et al. Detection of glacier calving margins with convolutional neural networks： a case study［J］. Remote Sensing， 2019， 11（1）. DOI： 10.3390/rs11010074 .

[34]
RADHAKRISHNAN K， SCOTT K A， CLAUSI D A. Sea ice concentration estimation： using passive microwave and SAR data with a U-Net and curriculum learning［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2021， 14： 5 339-5 351.

[35]
NIU L H， TANG X Y， YANG S H， et al. Detection of Antarctic surface meltwater using Sentinel-2 remote sensing images via U-Net with attention blocks： a case study over the Amery Ice Shelf［J］. IEEE Transactions on Geoscience and Remote Sensing， 2023， 61. DOI： 10.1109/TGRS.2023.3275076 .

[36]
de RODA H S， LHERMITTE S， BOLIBAR J， et al. A high-resolution record of surface melt on Antarctic ice shelves using multi-source remote sensing data and deep learning［J］. Remote Sensing of Environment， 2024， 301. DOI： 10.1016/j.rse.2023.113950 .

[37]
SIMMONDS I. Comparing and contrasting the behaviour of Arctic and Antarctic sea ice over the 35 year period 1979-2013［J］. Annals of Glaciology， 2015， 56（69）： 18-28.

[38]
SHEN X Y， KE C Q， WANG Q M， et al. Assessment of Arctic sea ice thickness estimates from ICESat-2 using IceBird airborne measurements［J］. IEEE Transactions on Geoscience and Remote Sensing， 2021， 59（5）： 3 764-3 775.

[39]
REN Y B， LI X F. Predicting the daily sea ice concentration on a subseasonal scale of the Pan-Arctic during the melting season by a deep learning model［J］. IEEE Transactions on Geoscience and Remote Sensing， 2023， 61. DOI： 10.1109/TGRS.2023.3279089 .

[40]
ZAMPIERI L， GOESSLING H F， JUNG T. Predictability of Antarctic sea ice edge on subseasonal time scales［J］. Geophysical Research Letters， 2019， 46（16）： 9 719-9 727.

[41]
WANG Y H， YUAN X J， REN Y B， et al. Subseasonal prediction of regional Antarctic sea ice by a deep learning model［J］. Geophysical Research Letters， 2023， 50（17）. DOI： 10.1029/2023GL104347 .

[42]
DONG X R， NIE Y F， WANG J F， et al. Deep learning shows promise for seasonal prediction of Antarctic sea ice in a rapid decline scenario［J］. Advances in Atmospheric Sciences， 2024， 41（8）： 1 569-1 573.

[43]
LIANG Z Y， PANG X P， JI Q， et al. An entropy-weighted network for polar sea ice open lead detection from Sentinel-1 SAR images［J］. IEEE Transactions on Geoscience and Remote Sensing， 2022， 60. DOI： 10.1109/TGRS.2022.3169892 .

[44]
WANG Zhihao， KE Changqing. Identification of melt pond on sea ice based on deep learning technology［J］. Remote Sensing Information，2022， 37（6）： 85-93.

王智豪， 柯长青. 基于深度学习的海冰融池识别［J］. 遥感信息， 2022， 37（6）： 85-93.

[45]
LI H L， KE C Q， ZHU Q H， et al. A deep learning approach to retrieve cold-season snow depth over Arctic sea ice from AMSR2 measurements［J］. Remote Sensing of Environment， 2022， 269. DOI： 10.1016/j.rse.2021.112840 .

[46]
LIANG Z Y， JI Q， PANG X P， et al. Estimation of daily Arctic winter sea ice thickness from thermodynamic parameters using a Self-Attention Convolutional Neural Network［J］. Remote Sensing， 2023， 15（7）. DOI： 10.3390/rs15071887 .

[47]
HE B， ZHAO X， CHEN Y， et al. Application of feature tracking using K-Nearest-Neighbor Vector Field Consensus in sea ice tracking［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2022， 15： 4 326-4 336.

[48]
LIU X M， FENG T T， SHEN X F， et al. PMDRnet： a progressive multiscale deformable residual network for multi-image super-resolution of AMSR2 Arctic sea ice images［J］. IEEE Transactions on Geoscience and Remote Sensing， 2022， 60. DOI： 10.1109/TGRS.2022.3151623 .

[49]
FENG T T， JIANG P， LIU X M， et al. Applications of deep learning-based super-resolution networks for AMSR2 Arctic sea ice images［J］. Remote Sensing， 2023， 15（22）. DOI： 10.3390/rs15225401 .

[50]
FENG T T， LIU X M， LI R X. Super-resolution-aided sea ice concentration estimation from AMSR2 images by encoder-decoder networks with atrous convolution［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2023， 16： 962-973.

[51]
LIU X M， FENG T T， YANG Y S， et al. Characterization of north Greenland polynyas with super-resolved passive microwave sea ice concentration［J］. GIScience & Remote Sensing， 2024， 61（1）. DOI： 10.1080/15481603.2023.2300222 .

[52]
SHANG X Y， CHENG X， ZHENG L， et al. Decadal changes in Greenland ice sheet firn aquifers from radar scatterometer［J］. Remote Sensing， 2022， 14（9）. DOI： 10.3390/rs14092134 .

[53]
ZHENG L， CHENG X， SHANG X Y， et al. Greenland ice sheet daily surface melt flux observed from space［J］. Geophysical Research Letters， 2022， 49（6）. DOI： 10.1029/2021GL096690 .

[54]
HU J J， HUANG H B， CHI Z H， et al. Distribution and evolution of supraglacial lakes in Greenland during the 2016-2018 melt seasons［J］. Remote Sensing， 2022， 14（1）. DOI： 10.3390/rs14010055 .

[55]
PENG Boyang， ZHOU Chunxia， ZHU Dongyu， et al. Extraction and area change analysis of supraglacial lakes in Greenland ice sheet using U-Net model［J］. Geomatics and Information Science of Wuhan University，2024， 49（9）： 1 621-1 629.

彭博洋， 周春霞， 朱冬雨， 等. 利用U-Net的格陵兰冰盖冰面湖提取和面积变化分析［J］. 武汉大学学报（信息科学版）， 2024， 49（9）： 1 621-1 629.

[56]
ZIRIZZOTTI A， CAFARELLA L， BASKARADAS J A， et al. Dry-wet bedrock interface detection by radio echo sounding measurements［J］. IEEE Transactions on Geoscience and Remote Sensing， 2010， 48（5）： 2 343-2 348.

[57]
LINDZEY L E， BEEM L H， YOUNG D A， et al. Aerogeophysical characterization of an active subglacial lake system in the David Glacier catchment， Antarctica［J］. The Cryosphere， 2020， 14： 2 217-2 233.

[58]
BENTLEY C R， LORD N， LIU C. Radar reflections reveal a wet bed beneath stagnant Ice Stream C and a frozen bed beneath ridge BC， West Antarctica［J］. Journal of Glaciology， 1998， 44（146）： 149-156.

[59]
SCHROEDER D M， BLANKENSHIP D D， YOUNG D A. Evidence for a water system transition beneath Thwaites Glacier， West Antarctica［J］. Proceedings of the National Academy of Sciences of the United States of America， 2013， 110（30）： 12 225-12 228.

[60]
WRIGHT A， SIEGERT M. A fourth inventory of Antarctic subglacial lakes［J］. Antarctic Science， 2012， 24（6）： 659-664.

[61]
LIVINGSTONE S J， LI Y， RUTISHAUSER A， et al. Subglacial lakes and their changing role in a warming climate［J］. Nature Reviews Earth & Environment， 2022， 3（2）： 106-124.

[62]
HILLS B H， SIEGFRIED M R， SCHROEDER D M. Entrained water in basal ice suppresses radar bed‐echo power at active subglacial lakes［J］. Geophysical Research Letters， 2024， 51（13）. DOI： 10.1029/2024GL109248 .

[63]
WANG H， TANG X Y， XIAO E Z， et al. Basal melt patterns around the deep ice core drilling site in the Dome A region from Ice-Penetrating Radar measurements［J］. Remote Sensing， 2023， 15（7）. DOI： 10.3390/rs15071726 .

[64]
DONG S， FU L， TANG X Y， et al. Deep clustering in subglacial radar reflectance reveals subglacial lakes［J］. The Cryosphere， 2024， 18（3）： 1 241-1 257.

[65]
COLGAN W， RAJARAM H， ABDALATI W， et al. Glacier crevasses： observations， models， and mass balance implications［J］. Reviews of Geophysics， 2016， 54（1）： 119-161.

[66]
IZEBOUD M， LHERMITTE S. Damage detection on Antarctic ice shelves using the normalised radon transform［J］. Remote Sensing of Environment， 2023， 284. DOI： 10.1016/j.rse.2022.113359

[67]
ZHAO J J， LIANG S， LI X W， et al. Detection of surface crevasses over Antarctic ice shelves using SAR imagery and deep learning method［J］. Remote Sensing， 2022， 14（3）. DOI： 10.3390/rs14030487 .

[68]
PANG A， LIANG Q， LI W J， et al. The distribution and evolution of surface fractures on pan-Antarctic ice shelves［J］. International Journal of Digital Earth， 2023， 16（1）： 3 295-3 320.

[69]
FUJITA S， MAENO H， URATSUKA S， et al. Nature of radio echo layering in the Antarctic ice sheet detected by a two‐frequency experiment［J］. Journal of Geophysical Research： Solid Earth， 1999， 104（B6）： 13 013-13 024.

[70]
SIME L C， HINDMARSH R C A， CORR H. Automated processing to derive dip angles of englacial radar reflectors in ice sheets［J］. Journal of Glaciology， 2011， 57（202）： 260-266.

[71]
XIONG S， MULLER J P， CARO C R. A new method for automatically tracing englacial layers from MCoRDS data in NW Greenland［J］. Remote Sensing， 2018， 10（1）. DOI： 10.3390/rs10010043 .

[72]
DELF R， SCHROEDER D M， CURTIS A， et al. A comparison of automated approaches to extracting englacial-layer geometry from radar data across ice sheets［J］. Annals of Glaciology， 2020， 61（81）： 234-241.

[73]
PANTON C. Automated mapping of local layer slope and tracing of internal layers in radio echograms［J］. Annals of Glaciology， 2014， 55（67）： 71-77.

[74]
BINGHAM R G， EISEN O， KARLSSON N B， et al. AntArchitecture［R/OL］. ［2025-06-17］. The Scientific Committee on Antarctic Research （SCAR）， 2021.

[75]
TANG X Y， DONG S， LUO K， et al. Noise removal and feature extraction in airborne radar sounding data of ice sheets［J］. Remote Sensing， 2022， 14（2）. DOI： 10.3390/rs14020399 .

[76]
PENG C Y， ZHENG L， LIANG Q， et al. ST-SOLOv2： tracing depth hoar layers in Antarctic ice sheet from airborne radar echograms with deep learning［J］. IEEE Transactions on Geoscience and Remote Sensing， 2024， 62. DOI： 10.1109/TGRS.2024.3480698 .

[77]
SHI Z Y， WANG Z M， ZHANG B J， et al. Bridging the spatiotemporal ice sheet mass change data gap between GRACE and GRACE-FO in Greenland using machine learning method［J］. Journal of Hydrology， 2024， 629. DOI： 10.1016/j.jhydrol.2024.130622 .

[78]
ZENG Z L， WANG Z M， DING M H， et al. Estimation and long-term trend analysis of surface solar radiation in Antarctica： a case study of Zhongshan station［J］. Advances in Atmospheric Sciences， 2021， 38（9）： 1 497-1 509.

[79]
PANG X P， LIU C， ZHAO X， et al. Application of machine learning for simulation of air temperature at Dome A［J］. Remote Sensing， 2022， 14（4）. DOI： 10.3390/rs14041045 .

[80]
HU Y L， LI Z F， FU L， et al. Environment‐modulated glacial seismicity near Dålk Glacier in east Antarctica revealed by deep clustering［J］. Journal of Geophysical Research： Earth Surface， 2024， 129（4）. DOI： 10.1029/2023JF007593 .

[81]
SONG X Y， WANG Z M， LIANG J C， et al. Automatic extraction of the basal channel based on neural network［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2022， 15： 5 013-5 023.

[82]
CHEN G X， KUSKY T， LUO L， et al. Hadean tectonics： insights from machine learning［J］. Geology， 2023， 51（8）： 718-722.

[83]
ZHANG S K， GONG L， ZENG Q， et al. Imputation of GPS coordinate time series using missForest［J］. Remote Sensing， 2021， 13（12）. DOI： 10.3390/rs13122312 .

[84]
ZHANG Q C， LI F， ZHANG S K， et al. Modeling and forecasting the GPS zenith troposphere delay in west Antarctica based on different blind source separation methods and deep learning［J］. Sensors， 2020， 20（8）. DOI： 10.3390/s20082343 .

[85]
RAN Youhua， LI Xin， CHE Tao，et al. Recent progress and emerging frontiers in China’s cryosphere remote sensing research［J］. National Remote Sensing Bulletin，2025，29（6）：1 831-1 847.

冉有华， 李新， 车涛， 等. 中国冰冻圈遥感近期研究进展与若干前沿问题探讨［J］. 遥感学报， 2025， 29（6）： 1 831-1 847.

[86]
CHENG Xiao， CHEN Zhuogi， HUI Fengming， et al. Status and outlook of China’s space-based and airborne remote sensing systems for polar regions［J］. Science and Technology Foresight， 2022（2）： 183-197.

程晓， 陈卓奇， 惠凤鸣， 等. 中国极地空天基遥感观测现状与展望［J］. 前瞻科技， 2022（2）： 183-197.

[87]
HAO Tong， WANG Xiaofeng， FENG Tiantian， et al. Intelligent and multi-scale surveying of key areas and processes of the Earth system［J］. Acta Geodaetica et Cartographica Sinica， 2021， 50（8）： 1 084-1 095.

郝彤， 王晓峰， 冯甜甜， 等. 地球系统多尺度关键区域与关键过程的智能化测绘［J］. 测绘学报， 2021， 50（8）： 1 084-1 095.

Options
Outlines

/

〈 〉

Address: No. 8, Tianshui Middle Road, Lanzhou, Gansu
QQ：114723517
Tel：0931-8762293　E-mail：adearth@lzb.ac.cn
陇ICP备2021001824号-5　 甘公网安备62010202000687