做 Arctic sea ice 逐日浓度预测的这段时间，有一点感受越来越强：模型不是瓶颈，数据才是。
具体来说：
- 被动微波卫星的观测有时间漂移，不同传感器过境时间不一样，直接对齐会引入系统性偏差；
- 融化期（melt season）缺测严重，训练标签本身就有噪声；
- 冰密集度和浓度的定义在不同数据集里并不完全一致，混用会掉点。
一个很朴素但有效的做法：先用物理模型（热力学海冰模型）生成物理量作为额外输入通道，网络只负责学残差。结构上没什么花哨的，但比换 backbone 带来的提升更实在。
这也让我重新想了想”AI for Science”里”for”的含义——很多时候不是让 AI 去替代物理模型，而是让物理模型把问题简化到 AI 擅长的部分。
相关论文：Frequency-Compensated Network for Daily Arctic Sea Ice Concentration Prediction