Kunstig intelligens til at forudsige tab af arktisk havis

Et nyt AI (kunstig intelligens) værktøj er sat til at sætte forskere i stand til mere præcist at forudsige forholdene i de arktiske havis måneder ud i fremtiden. De forbedrede forudsigelser kan understøtte nye systemer til tidlig varsling, der beskytter det arktiske dyreliv og kystsamfund mod virkningerne af tab af havis.

Udgivet i denne uge i tidsskriftet Naturkommunikation , et internationalt forskerteam ledet af British Antarctic Survey (BAS) og Alan Turing Institute beskriver, hvordan AI -systemet, IceNet, løser udfordringen med at producere præcise arktiske havisprognoser for den kommende sæson - noget, der har unddraget forskere i årtier.

Havis, et stort lag frosset havvand, der optræder ved nord- og sydpolen, er notorisk svært at forudsige på grund af dets komplekse forhold til atmosfæren over og havet nedenfor. Havisens følsomhed over for stigende temperaturer har fået det sommerarktiske havisområde til sommer til at halvere i løbet af de sidste fire årtier, svarende til tabet af et område omkring 25 gange størrelsen af ​​Storbritannien. Disse accelererende ændringer har dramatiske konsekvenser for vores klima, for arktiske økosystemer, og oprindelige og lokale samfund, hvis levebrød er knyttet til den sæsonbestemte haviscyklus.

IceNet, AI -forudsigelsesværktøjet, er næsten 95% nøjagtig med at forudsige, om havis vil være til stede to måneder frem-bedre end den førende fysikbaserede model.

Hovedforfatter Tom Andersson, Data Scientist ved BAS AI Lab og finansieret af Alan Turing Institute, forklarer:"Arktis er en region på frontlinjen af ​​klimaændringer og har oplevet en betydelig opvarmning i løbet af de sidste 40 år. IceNet har potentiale til at udfylde et presserende hul i prognosen for havis til arktisk bæredygtighedsindsats og kører tusindvis af gange hurtigere end traditionelt metoder."

Dr. Scott Hosking, Ledende efterforsker, Medleder for BAS AI Lab og seniorforsker ved Alan Turing Institute, siger:"Jeg er begejstret for at se, hvordan AI får os til at gentænke, hvordan vi foretager miljøforskning. Vores nye ramme for forudsigelse af havis fusionerer data fra satellitsensorer med output fra klimamodeller på måder, traditionelle systemer simpelthen ikke kunne opnå."

I modsætning til konventionelle prognosesystemer, der forsøger at modellere fysikkens love direkte, forfatterne designet IceNet baseret på et koncept kaldet deep learning. Gennem denne tilgang, modellen 'lærer', hvordan havis ændrer sig fra tusinder af år med klimasimuleringsdata, sammen med årtiers observationsdata for at forudsige omfanget af arktiske havis måneder ud i fremtiden.

Tom Andersson konkluderer:"Nu har vi demonstreret, at AI præcist kan forudsige havis, vores næste mål er at udvikle en daglig version af modellen og få den til at køre offentligt i realtid, ligesom vejrudsigter. Dette kan fungere som et tidligt varslingssystem for risici forbundet med hurtigt tab af havis. "