地球科学学院BryanRiel副教授在《Science》刊发前瞻性文章

近日，浙江大学地球科学学院地球物理研究所副教授Bryan Riel 应邀在《Science》上发表PERSPECTIVE 文章“How does Antarctic ice deform? —— A deep-learning model infers large-scale dynamics of Antarctic ice shelves”，评述了 Wang 等人同期研究成果。Wang 等人通过物理信息神经网络模型（PINN）重建了南极冰架的粘性分布和应力状态，揭示了冰流动力学的复杂性，并指出传统 Glen 流动定律在不同区域的适用性存在显著差异。该研究为理解冰架变形提供了新的视角，并有助于提升冰盖动力学模拟的精度。

Riel在评述中指出，冰架在支撑上游冰流、维持冰盖稳定性方面起着关键作用，而冰的流变特性受 温度、晶粒大小、晶体排列等因素 影响，导致有效应力与应变率关系在空间上存在较大变异性。Wang 等人的研究发现，在靠近接地线（Grounding Line）的冰架压缩区（Compression Zones），应力指数普遍低于传统假设值，而在延展区（Extension Zones），冰的变形速率与有效应力的关系则明显偏离传统的幂律模型。这些发现表明，冰架力学稳定性评估需要新的建模方法，以准确预测未来海平面上升的风险。

Riel进一步强调，深度学习在冰川动力学研究中的应用潜力巨大，尤其是在数据稀缺或传统方法适用性受限的情况下，PINN可结合遥感观测数据、物理理论与深度神经网络，实现更精细的冰流行为模拟。然而，他也指出，未来仍需更多直接测量数据（如冰架内部晶体结构和晶粒大小）来优化模型输入，并结合传统冰流模型，以提高预测精度。这项研究表明，人工智能与地球物理学的结合将是未来冰盖动力学研究的重要方向，对于理解南极冰架稳定性及全球海平面变化至关重要。

标签：动力学  模型  南极