随着北极海冰范围的快速变化，对延伸期海冰预报及北极航运路线风险评估的需求不断增长。为解决确定性深度学习模型难以表征预报不确定性的问题，本文构建了一种用于15天概率预报的北极海冰范围扩散模型（Arctic Sea-Ice Extent Diffusion Model，ArcSIE-Diff）。该模型以初始化前3天的海冰范围、海表温度和10米高度风场作为条件输入，学习相对于初始化日的未来15天海冰范围增量，并将基于扩散模型的采样方法与直接预测分支相结合，以生成集合预报。结果表明，ArcSIE-Diff能够有效再现北冰洋中部的主要海冰形态，以及欧亚大陆北部沿岸、格陵兰岛附近和加拿大北极群岛周边的主要冰缘结构。与持续性预报基线相比，该模型的预报误差更低，且预报时效更长。此外由Brier评分进一步表明，ArcSIE-Diff具有更高的概率预报技巧。空间诊断结果显示，模型改进主要出现在夏季和秋季，此时也是冰缘变化最为活跃的时期，而ArcSIE-Diff能够缓解边界误差随预报时效增加而不断累积的问题。综上所述，条件扩散建模能够提供可靠的北极海冰范围预报、集合平均估计，以及由集合离散度表征的不确定性信息，从而为冰缘监测和北极航运风险评估提供概率化支持。
 

北极海冰范围,概率预报,条件扩散模型,不确定性量化