Frequency-Enhanced Hilbert Scanning Mamba for Short-Term Arctic Sea Ice Concentration Prediction

📄 arXiv: 2602.13522v1 📥 PDF

作者: Feng Gao, Zheng Gong, Wenli Liu, Yanhai Gan, Zhuoran Zheng, Junyu Dong, Qian Du

分类: eess.IV, cs.CV

发布日期: 2026-02-13

备注: Accepted for publication in IEEE TGRS 2026

🔗 代码/项目: GITHUB

💡 一句话要点

提出频率增强Hilbert扫描Mamba框架，用于短时北极海冰浓度预测。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱八：物理动画 (Physics-based Animation)

关键词: 北极海冰浓度预测 Mamba模型 Hilbert扫描 频率增强 小波变换 时空数据建模 序列建模

📋 核心要点

  1. 传统Mamba模型在北极海冰浓度预测中，难以有效捕捉时间相关性和重建边界细节。
  2. FH-Mamba通过3D Hilbert扫描保持时空局部性，并利用小波变换增强高频细节，提升预测精度。
  3. 实验表明，FH-Mamba在北极海冰浓度预测任务上优于现有方法，提升了时间一致性和边缘重建效果。

📝 摘要（中文）

本文提出了一种频率增强的Hilbert扫描Mamba框架(FH-Mamba)，用于短时北极海冰浓度(SIC)预测，旨在解决传统Mamba模型在时间相关性和边界细节处理上的不足。该框架引入了3D Hilbert扫描机制，通过保持局部性的路径遍历3D时空网格，确保扁平化序列中相邻的索引对应于空间和时间维度上的相邻体素。此外，还结合了小波变换来增强高频细节，并设计了一个混合Shuffle注意力模块来自适应地聚合序列和频率特征。在OSI-450a1和AMSR2数据集上进行的实验表明，FH-Mamba相比最先进的基线模型，实现了卓越的预测性能。结果证实了Hilbert扫描和频率感知注意力在提高北极SIC预测的时间一致性和边缘重建方面的有效性。代码已公开。

🔬 方法详解

问题定义：论文旨在解决北极海冰浓度(SIC)的短期预测问题。现有方法，特别是传统的Mamba模型，在处理时间序列中的长期依赖关系以及重建海冰边界细节方面存在不足，导致预测精度和时间一致性不佳。

核心思路：论文的核心思路是通过结合Hilbert扫描、频率增强和小波变换，以及混合注意力机制，来提升Mamba模型在时空数据建模方面的能力。Hilbert扫描旨在保持时空局部性，频率增强旨在突出边缘细节，混合注意力机制旨在融合序列和频率特征。

技术框架：FH-Mamba框架主要包含以下几个模块：1) 3D Hilbert扫描模块，用于将3D时空数据转换为一维序列，同时保持空间和时间上的局部性；2) 小波变换模块，用于提取和增强高频细节信息；3) Mamba模型，作为序列建模的主体；4) 混合Shuffle注意力模块，用于自适应地融合序列特征和频率特征。整体流程是先通过Hilbert扫描和频率增强对输入数据进行预处理，然后输入到Mamba模型中进行序列建模，最后通过混合注意力模块融合特征并进行预测。

关键创新：论文的关键创新在于将Hilbert扫描与Mamba模型相结合，并引入了频率增强和小波变换。Hilbert扫描能够有效地保持时空数据的局部性，这对于捕捉海冰浓度变化的时间相关性至关重要。频率增强和小波变换则能够突出海冰边界的细节信息，从而提高边缘重建的精度。混合Shuffle注意力模块的设计也使得模型能够更好地融合序列和频率特征。与现有方法相比，FH-Mamba在时空数据建模方面具有更强的能力。

关键设计：3D Hilbert扫描的具体实现方式是按照Hilbert曲线的路径遍历3D时空网格，并将每个体素的值按照遍历的顺序排列成一维序列。小波变换采用Haar小波，用于提取高频细节信息。混合Shuffle注意力模块采用ShuffleNet的思想，通过分组和通道混洗来降低计算复杂度。损失函数采用均方误差(MSE)，用于衡量预测值与真实值之间的差异。Mamba模型的具体参数设置未知。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，FH-Mamba在OSI-450a1和AMSR2数据集上均取得了优于现有方法的预测性能。具体而言，FH-Mamba在时间一致性和边缘重建方面均有显著提升，验证了Hilbert扫描和频率感知注意力在北极海冰浓度预测中的有效性。具体性能提升数据未知。

🎯 应用场景

该研究成果可应用于北极航运、气候变化研究、海洋资源开发等领域。准确的短期海冰浓度预测有助于优化航线规划，降低航运风险；为气候模型提供更精确的数据支持，提升气候变化预测的准确性；为海洋资源开发提供决策依据，实现可持续利用。

📄 摘要（原文）

While Mamba models offer efficient sequence modeling, vanilla versions struggle with temporal correlations and boundary details in Arctic sea ice concentration (SIC) prediction. To address these limitations, we propose Frequency-enhanced Hilbert scanning Mamba Framework (FH-Mamba) for short-term Arctic SIC prediction. Specifically, we introduce a 3D Hilbert scan mechanism that traverses the 3D spatiotemporal grid along a locality-preserving path, ensuring that adjacent indices in the flattened sequence correspond to neighboring voxels in both spatial and temporal dimensions. Additionally, we incorporate wavelet transform to amplify high-frequency details and we also design a Hybrid Shuffle Attention module to adaptively aggregate sequence and frequency features. Experiments conducted on the OSI-450a1 and AMSR2 datasets demonstrate that our FH-Mamba achieves superior prediction performance compared with state-of-the-art baselines. The results confirm the effectiveness of Hilbert scanning and frequency-aware attention in improving both temporal consistency and edge reconstruction for Arctic SIC forecasting. Our codes are publicly available at https://github.com/oucailab/FH-Mamba.