COMET-QR: conformal multi-fidelity transformer with quantile regression for Antarctic Sea-Ice concentration forecasting

Antarctic Sea-Ice plays a critical role in regulating the global climate system through its influence on ocean circulation, albedo, and atmosphere--ocean coupling. Despite decades of satellite and model analyses, the underlying dynamics governing Antarctic Sea-Ice variability remain poorly understood due to strong regional contrasts, high natural variability, and complex feedbacks between atmospheric, oceanic, and cryospheric processes. Traditional physical and statistical models have struggled to integrate these nonlinear interactions, particularly when combining heterogeneous datasets with different spatial and temporal resolutions. This study develops an innovative two-stage approach to improve Sea-Ice forecasting, combining {\em (i)} a data-driven physics-based algorithm, consisting of a Bagging optimised Dynamic Mode Decomposition, and {\em (ii)} a deep learning framework based on Transformer architectures to investigate Antarctic Sea-Ice dynamics across multiple data sources and levels of fidelity, overall providing a unified approach to learn from diverse observational and simulated records. By leveraging the attention mechanism, the model captures spatiotemporal dependencies and cross-modality relationships between satellite observations, reanalysis products, and climate model outputs. Moreover, quantile regression is employed to produce calibrated confidence intervals for the predicted Sea-Ice Concentration. Preliminary analyses indicate that Transformer-based approaches can represent large-scale variability and regional anomalies more flexibly than conventional methods. Overall, the proposed COMET-QR (COnformal Multi-fidElity Transformer with Quantile Regression) strategy enhances our understanding of Antarctic Sea-Ice behaviour, by taking into account also extreme events, and bridging the gap between data-driven inference and physically based modelling.

Il ghiaccio marino antartico svolge un ruolo fondamentale nella regolazione del sistema climatico globale. Nonostante decenni di analisi satellitari e modellistiche, le dinamiche che governano la variabilità del ghiaccio marino antartico rimangono poco comprese a causa dei forti contrasti regionali, dell'elevata variabilità naturale e dei complessi meccanismi di accoppiamento tra i processi atmosferici, oceanici e criosferici. Per questa ragione, anche i modelli più promettenti, che siano essi puramente fisici o data driven, faticano a descrivere le interazioni non lineari, in particolar modo quando si combinano dati eterogenei caratterizzati da differenti risoluzioni spaziali e temporali. Al fine di migliorare le previsioni del ghiaccio marino, questo studio sviluppa un innovativo approccio a due fasi: (i) un modello surrogato lineare, costituito da una Bagging optimised Dynamic Mode Decomposition, e (ii) un framework di deep learning basato sull'architettura Transformer che, attraverso la fusione di molteplici fonti di dati, ha l'obiettivo di correggere le previsioni del surrogato grazie all'apprendimento delle variazioni non lineari del ghiaccio marino nel corso del tempo. In particolare, sfruttando il meccanismo di attention, il modello cattura le dipendenze spazio-temporali e le relazioni cross-modali tra i diversi livelli di fedeltà. Inoltre, consapevoli dell'importanza di quantificare l'incertezza oltre a fornire una stima puntuale, abbiamo utilizzato la regressione quantilica (quantile regression) per produrre intervalli di confidenza calibrati per le previsioni della concentrazione del ghiaccio marino. Le analisi preliminari indicano che gli approcci basati sui Transformer riescono a rappresentare la variabilità su larga scala e le anomalie regionali in modo molto più flessibile rispetto ai metodi convenzionali. Nel complesso, la strategia proposta consente di migliorare la comprensione del comportamento del ghiaccio marino antartico, tenendo conto anche degli eventi estremi, e costruendo un ponte tra l'inferenza puramente guidata dai dati e la modellazione di natura fisica.