冰雪是冰冻圈中至关重要的物质，影响水循环、能量平衡以及气候变化。全球升温的背景下，北极冰雪的快速变化受到科学和社会的广泛关注。海冰表面积雪深度作为高度计估算海冰厚度的重要输入参数，近年来逐渐被大家所重视，尤其是未来积雪深度如何变化、为何变化等。当前，很多地球系统模型都支持了未来积雪深度的预估。然而，不同的数值模型对未来积雪深度的预测存在显著差异，模型之间得出的无雪年差异可达数10年。不仅如此，许多模型低估了积雪深度，亟需发展更准确的积雪深度预估模型。
前期，课题组首次评估了最新的ICESat-2激光测高数据在海冰观测上的精度（Shen et al., 2021），厘清了海冰厚度反演误差的主要来源和贡献，为积雪和海冰参数的精确获取提供了坚实的基础。其次，基于被动微波辐射计数据，使用线性回归分析（RA）和长短时记忆（LSTM）深度学习方法建立了冷季（10月至4月）积雪深度估算模型（RA-5VLSTM）（Li et al., 2022）。然后在RA-5VLSTM基础上又发展了能用于暖季（5月至9月）和冷季雪深的反演模型，并生成了近20年的北极海冰表面积雪深度记录。
基于生成的积雪深度遥感序列，该研究提出了一种基于多种深度学习方法的雪深预估模型（即Multi-DL模型）。首先，分别确定了与暖季和冷季积雪深度变化关系密切的影响因子。然后基于CMIP6影响因子历史数据和积雪深度遥感数据分别采用LSTM、多层神经网络（MNN）和时间卷积神经网络（TCN）构建了暖季和冷季积雪深度预估模型，最后采用Triple Collocation方法将三个模型输出进行融合，进而发展了Multi-DL模型。通过使用Multi-DL模型和CMIP6未来情景下的影响因子预测数据，生成了四种排放情景下2023年至2100年积雪深度记录。
结果表明，在高排放情景下（SSP3-370、SSP5-585），积雪深度呈现加速下降趋势，而在低排放情景下（SSP1-126、SSP2-245）积雪深度的降低保持稳定或有所缓解（图1）。不同排放情景下暖季积雪深度的空间分布差异很大，差异主要分布在格陵兰岛和加拿大北极群岛以北地区（图2a）。在SSP5-585情景下，北极一些地区的积雪深度以超过0.20 cm/yr的速度减少（图2b）。该研究发展的方法为冰雪预测提供新思路，生成的数据可为北极相关政策的制定提供数据支持。
图1. 2023-2100年四种排放情景下（a）暖季和（b）冷季的北极平均积雪深度，以及（c）预测的第一个无雪和无冰年份
图2. 暖季和冷季四种排放情景下（a）积雪深度和（b）积雪深度趋势的空间分布（2023–2100）。紫色方框表示在95%置信水平下，相应区域的趋势是显著的
研究成果以“An ensemble learning model reveals accelerated reductions in snow depth over Arctic sea ice under high‐emission scenarios”为题发表在《Journal of Geophysical Research: Atmospheres》上。bwin李海丽博士为论文第一作者，柯长青教授为论文通讯作者。该项研究得到了国家自然科学基金、江苏省自然科学基金、bwinAI & AI for Science专项联合资助。
论文信息：
1) Haili Li, Chang-Qing Ke, Xiaoyi Shen, Qinghui Zhu, Yu Cai. 2024. An ensemble learning model reveals accelerated reductions in snow depth over Arctic sea ice under high‐emission scenarios. Journal of Geophysical Research: Atmospheres, 129, e2023JD039910. https://doi.org/10.1029/2023JD039910.
2) Haili Li, Chang-Qing Ke, Qinghui Zhu, Mengmeng Li, Xiaoyi Shen. 2022. A deep learning approach to retrieve cold-season snow depth over Arctic sea ice from AMSR2 measurements. Remote Sensing of Environment, 269, 112840. https://doi.org/10.1016/j.rse.2021.112840.
3) Xiaoyi Shen, Chang-Qing Ke, Qimao Wang, Jie Zhang, Lijian Shi, Xi Zhang. 2021. Assessment of Arctic Sea Ice Thickness Estimates From ICESat-2 Using IceBird Airborne Measurements. IEEE Transactions on Geoscience and Remote Sensing, 59(5), 3764-3775. https://doi.org/10.1109/TGRS.2020.3022945.