北极海冰浓度预报长期受制于多时间尺度信息难以协同融合，统计模型抓不住非线性关系，数值模式又依赖初始场。STICEnet把U-Net的编码解码路径改成严格单向的时间因果卷积与转置卷积，并在跳连处嵌入通道与空间注意力，用NSIDC海冰浓度和ERA5大气海洋变量训练。在1至6个月预报中，它的RMSE、MAE和R2均优于CNN、ConvLSTM、IceNet与MT-IceNet，第6个月RMSE为7.51%、R2为0.925。
北极海冰浓度的1至6个月预报有了一个在全部预报时效上都优于既有基线的模型，误差不再随预报月数增加而明显恶化。 此前的深度模型在长时效上会出现误差累积，ConvLSTM与多任务ConvLSTM的RMSE分别升到11.07%和15.79%，IceNet的R2掉到0.403至0.567。 在NSIDC海冰浓度与ERA5再分析变量构成的数据集上，STICEnet在第1个月RMSE为5.36%、MAE为1.236%，第6个月RMSE为7.51%、MAE为1.928%、R2为0.925，均低于MT-IceNet的5.50%、1.313%和7.77%、1.967%、0.915。
模型把时间方向当成物理约束来建模，编码阶段只允许看到历史时刻，解码阶段再把时间尺度还原回去。 常规卷积在时间维上双向取信息，会把未来时刻混进当前特征，在春季融化这类快速转变期造成虚高的预测。 时间因果卷积编码器用因果卷积加门控和残差连接提取仅依赖历史时刻的特征，时间转置卷积解码器用转置卷积、批归一化和池化恢复时间分辨率；消融实验显示单独加入该机制后，1、3、6个月的RMSE从5.50%、7.61%、7.77%降到5.39%、7.48%、7.53%。
海冰边缘的局地突变与冰盖整体的长程依赖被放进同一套多尺度编码解码结构里处理。 以往方法难以协同融合多时间尺度数据，局地冰缘变化和全球冰盖趋势往往由不同模块分别处理。 编码块先用多层卷积和池化提取空间特征，再用状态空间模型沿时间序列建模动态依赖，解码块上采样后逐级恢复细节；消融实验显示加入该模块后R2在三个时效上分别升到0.966、0.926、0.923。
大气和海洋驱动变量的权重由注意力机制按通道和空间位置自适应校准，而不是固定使用。 多源驱动变量对海冰变化的贡献随区域和季节变化，固定权重会让边缘冰区的偏差持续存在。 通道注意力对多源特征通道重新加权，空间注意力聚焦海冰边缘等关键区域；消融实验显示加入注意力后MAE在第1个月降到1.257%、第3个月降到1.897%。
模型在NSIDC海冰浓度与ERA5再分析变量构成的1979至2021年数据集上训练和评估，预报时效覆盖1至6个月，输出为25公里极射赤面网格上的像素级海冰浓度分布。训练使用1979至2015年的408个月数据，测试使用2016至2018年的96个月数据，另外在2019年1月至2021年12月这一未参与训练的时段做了检验。适用读者是从事极地海冰预报和时空序列建模的研究人员与工程师。
模型对年际海冰衰减趋势和极端气候强迫的异常响应刻画不足，作者将原因归于对气候系统中慢变量和非线性累积效应的建模能力有限。在2016至2017年超级厄尔尼诺期间，长时效预报出现局地正偏差；在2019至2021年夏季极小值期间，预测的9月海冰范围停在约6.2至6.5×106平方公里，高于观测的约4.5×106和4.1×106平方公里，作者将其归因于西伯利亚北极热浪和冰反照率正反馈造成的次网格尺度局地融化。作者提出后续将建立海冰异常与气象异常的耦合预报框架，并引入表达能力更强的时间序列模块。
