打破传统模型的新方法，深度学习南极冰川变形机制
南极储存着地球上约70%的淡水资源，如果南极冰盖完全融化，全球海平面将上升约58米，尽管这一过程可能需要数千年，但2022年康格冰架的崩塌就让人们意识到，南极冰盖的稳定性远比我们想象的脆弱。
但问题是，我们如何准确预测冰架的变化？为什么有些冰架稳定，而有些却快速崩塌？最近，一项发表在《科学》杂志上的研究利用人工智能和物理学结合的新方法，首次实现了对整个南极冰架变形行为的精确模拟。
如何用深度学习解读冰川行为？
南极冰盖正在以惊人的速度消融，决定这些冰川流向海洋速度的关键，在于漂浮在海面上的巨大冰架。那么，如何利用人工智能解读冰川行为呢？最近，发表在《科学》杂志上的研究利用人工智能技术，探讨了南极冰架流动行为。（详见第一个参考文献）
在这之前，我们需要了解冰架的特殊地位，冰架是南极冰盖向海洋延伸的浮动部分，它们阻挡着陆地冰流向海洋，根据NASA的观测数据，南极周围目前存在约300个大小不一的冰架，总面积约160万平方公里。
这些冰架的支撑效应（buttressing effect）对控制全球海平面上升至关重要，如果南极所有主要冰架突然消失，全球海平面可能在几十年内上升数米，这正是为什么如此关注冰架力学行为的原因。
冰川流动的基本规律为格伦流动定律，认为冰的流动速率与所受应力的三次方成正比，六十多年来一直是冰川模型的基石。但问题在于，格伦流动定律的实验使用的是实验室合成的纯净冰，而真实的南极冰架更为复杂，包含积雪压实的粒雪、来自陆地的冰川冰、与海水冻结的海洋冰，还有各种气泡、沉积物和盐分。在实地考察中早就发现，实验室的简单模型很难完全解释冰架的真实行为，但要在整个冰架尺度上测量应力应变关系几乎是不可能的。面对这一挑战，研究团队利用物理信息神经网络方法，巧妙地将物理定律直接编码到机器学习模型中。
传统的做法是先假设一个流变律，比如n=3，然后调整参数使模型符合观测，但这项新的深度学习方法完全不同，研究不预设任何流变律，而是让深度学习直接从观测数据中学习冰的力学行为。
研究团队使用了来自NASA卫星的南极冰流速数据（MEaSUREs计划）和冰厚度数据（BedMachine Antarctica项目），在五个主要冰架上训练研究模型。
研究结果发现，在靠近接地线，冰流速度减慢导致压缩的区域，冰的流动行为与实验室结果截然不同。压缩区的应力指数n通常在1到4之间变化，更重要的是，这种变化不是随机的，而是呈现出清晰的物理规律。
数据显示，在压力小于100千帕低应力区，n≈2，符合“晶界滑动”机制；在压力大于200千帕的高应力区，n≈4，符合”位错蠕变”机制；而在中间过渡区，n≈3，受两种机制共同作用。当研究团队将注意力转向冰架的冰流加速导致拉伸的区域时，传统模型在这里出现了高达10倍的误差，发现，在延伸区，冰表现出各向异性，通过引入”各向异性黏度“，研究团队成功将误差降低了90%。
更为惊人的是，模型自动识别出的低黏度区与已知的”缝合带”位置精确吻合，模型在不需要任何先验知识就自动找到了这些区域，这验证了方法的可靠性。
图：物理信息神经网络（PINN）设置🔽
PINN 的结构和工作流程用于根据遥感数据[冰架速度u、v 和厚度h] 推断冰架有效粘度 μ，其中 SSA 方程 ( f 1 , f 2 = 0) 和冰架崩解前沿的动态边界条件 ( f 3 , f 4 = 0) 。成本函数L包含两个项：数据损失L d和方程损失L e。
深度学习如何预测南极冰川变化
冰架并不是一块均匀的冰块，它的内部结构复杂，受到温度、冰晶排列、应力分布等多种因素的影响。过去几十年，卫星遥感技术让我们能够精确测量冰架表面流速和厚度变化，然而，要真正理解冰架如何变形，仅靠观测数据是不够的。而格伦流动定律是基于实验室小尺度实验得出的，能否适用于数百公里宽的冰架，也存在争议。
为了更准确地预测冰架的变化，研究采用了物理信息神经网络的新技术，来预测南极冰川的变化情况，利用卫星和机载雷达观测的冰流速、厚度、温度等信息作为输入数据，然后嵌入冰流动方程事假物理约束，确保符合物理规律，然后让模型自动调整参数，使其预测结果与实际观测匹配，最后计算南极冰架的变化情况。
通过研究发现，冰架运动远比想象复杂。应力指数n并非固定不变，具有空间依赖性，在压缩区，n显著低于3，约为1~2；而在伸展区，n的变化更复杂，甚至在某些区域不遵循幂律关系，可能受到冰晶排列的影响。
冰晶排列对冰架稳定性至关重要，在冰架不同部分合并形成区域的缝合带，冰晶排列高度有序，局部黏度变化±30%，缝合带因晶粒排列影响冰架稳定性。而机载雷达观测数据显示，冰晶排列方向与模型预测一致，验证了物理信息神经网络的可靠性。
图：了解冰盖如何大规模变形和流动🔽
❓思考题：研究发现南极冰架的哪一区域对压力最敏感？
A. 靠近海洋的中心部分
B. 靠近陆地的接地线附近
C. 冰架最厚的部分
D. 表面裂缝最多的区域
参考答案：（点击查看）
B.
解析：模型显示，接地线附近的应力指数n≈1–2，传统假设n=3，表明这部分冰对应力更敏感，可能加速退缩。
南极冰架的稳定性直接影响全球海岸线的未来，物理信息神经网络方法可以更精确地模拟冰架变化，减少预测的不确定性。以后，我们是否可以告别简化模型，能够更准确地回答南极冰盖到底会融化多快，我们的海岸线还能坚持多久等问题呢？
参考文献：
Deep learning the flow law of Antarctic ice shelves. Science，13 Mar 2025，Vol 387, Issue 6739，pp. 1219-1224，DOI: 10.1126/science.adp3300
How does Antarctic ice deform? ——A deep-learning model infers large-scale dynamics of Antarctic ice shelves. Science，13 Mar 2025，Vol 387, Issue 6739，pp. 1150-1151，DOI: 10.1126/science.adw3158