본 논문은 인류 기후변화로 인한 북극 해빙의 급격한 감소가 원주민 공동체, 생태계, 그리고 지구 기후 시스템에 심각한 위험을 초래함을 지적하며, 정확한 계절별 해빙 예측의 필요성을 강조합니다. 기존 동역학 모델은 단기 예측에는 효과적이나 장기 예측에는 한계가 있으며 계산량이 많다는 단점이 있고, 심층 학습 모델은 계산 효율성이 높지만 복잡한 해빙 역학에서 계절 변화와 불확실성을 다루는 데 어려움을 겪습니다. 이에 본 연구는 상태 공간 모델에 정교한 어텐션 메커니즘을 통합한 심층 학습 아키텍처인 IceMamba를 제시합니다. 25개의 기존 예측 모델(동역학, 통계, 심층 학습 모델 포함)과의 비교 분석 결과, IceMamba는 팬 아틱 해빙 농도에 대한 우수한 계절 예측 능력을 보여주었으며, 평균 RMSE 및 이상 상관 계수(ACC) 측면에서 모든 모델을 능가하고, 통합 해빙 가장자리 오차(IIEE)에서는 2위를 기록했습니다. 이는 해빙 변동성의 영향을 예측하고 완화하는 능력을 향상시켜 기후 적응 전략에 중요한 통찰력을 제공합니다.
