Ett nytt AI -verktyg (artificiell intelligens) är inställt för att göra det möjligt för forskare att mer exakt förutse förhållandena i arktiska havsis månader in i framtiden. De förbättrade förutsägelserna kan stödja nya system för tidig varning som skyddar det arktiska djurlivet och kustsamhällen från effekterna av havsisförlust.

Publicerad i veckan i tidningen Naturkommunikation , ett internationellt team av forskare under ledning av British Antarctic Survey (BAS) och The Alan Turing Institute beskriver hur AI -systemet, IceNet, hanterar utmaningen att producera exakta ishavsprognoser för den kommande säsongen - något som har undvikit forskare i årtionden.

Havs is, ett stort lager fruset havsvatten som dyker upp vid nord- och sydpolen, är notoriskt svårt att förutse på grund av dess komplexa förhållande till atmosfären ovanför och havet nedanför. Havsens känslighet för stigande temperaturer har fått sommarens arktiska havisområde att halveras under de senaste fyra decennierna, motsvarar förlusten av ett område som är cirka 25 gånger större än Storbritannien. Dessa accelererande förändringar har dramatiska konsekvenser för vårt klimat, för arktiska ekosystem, och inhemska och lokala samhällen vars försörjning är knuten till den säsongsbetonade havsiscykeln.

IceNet, AI -prediktionsverktyget, är nästan 95% korrekt när det gäller att förutsäga om havsis kommer att vara närvarande två månader framåt-bättre än den ledande fysikbaserade modellen.

Huvudförfattare Tom Andersson, Data Scientist på BAS AI Lab och finansierad av Alan Turing Institute, förklarar:"Arktis är en region i frontlinjen för klimatförändringar och har upplevt en betydande uppvärmning under de senaste 40 åren. IceNet har potential att fylla ett brådskande gap i prognosen för havsis för Arktis hållbarhetsarbete och går tusentals gånger snabbare än traditionellt metoder. "

Dr Scott Hosking, Huvudutredare, Medledare för BAS AI Lab och Senior Research Fellow på Alan Turing Institute, säger:"Jag är upphetsad över att se hur AI får oss att tänka om hur vi bedriver miljöforskning. Vårt nya ramverk för prognoser för havsis förenar data från satellitsensorer med utmatning av klimatmodeller på sätt som traditionella system helt enkelt inte kunde uppnå."

Till skillnad från konventionella prognossystem som försöker modellera fysiklagarna direkt, författarna designade IceNet baserat på ett koncept som kallas deep learning. Genom detta tillvägagångssätt, modellen "lär sig" hur havsis förändras från tusentals år av klimatsimuleringsdata, tillsammans med decennier av observationsdata för att förutsäga omfattningen av arktiska havsismånader in i framtiden.

Tom Andersson avslutar:"Nu har vi visat att AI exakt kan förutsäga havsis, vårt nästa mål är att utveckla en daglig version av modellen och få den att köras offentligt i realtid, precis som väderprognoser. Detta kan fungera som ett system för tidig varning för risker som är förknippade med snabb havsisförlust. "