Det er utviklet en banebrytende metode ved Nansensenteret, som tar i bruk maskinlæring til forbedring av nøyaktighet til sjøismodeller. De frem til nå krevende manuelle justeringsprosessene av modellparametere er automatisert og dermed raskere, og man kan produsere kart over hvordan sjøisen deformeres som er så detaljerte at de ligner det vi ser i satellittbilder. Metoden kan også anvendes på andre modeller, og markerer et gjennombrudd for klimaforskning og varsling av sjøisforhold.
Klimaendringene påvirker i stor grad sjøisens utbredelse og bevegelser i Arktis, noe som igjen har stor innflytelse på lokale økosystemer, havstrømmer og globale værmønstre. Sjøisen er derfor å anse som en nøkkelkomponent i klimasystemet.
Det kreves avanserte modeller for å kunne gjennomføre beregninger av isforholdene. En av de største utfordringene når en skal lage slike modeller, er å få til en korrekt beskrive av sjøisens reologi; det vil si hvordan isen responderer på krefter som vind, havstrømmer og bølger.
Det er allerede utviklet en spesialisert reologi ved Nansensenteret, kjent som «brittle Bingham-Maxwell (BBM) reologi», som er integrert i vår sjøismodell neXtSIM. Ved hjelp av maskinlæring har vi nå trent modellen opp til å kunne simulere data med veldig stor romlig nøyaktighet, som deretter kan sammenlignes med ekte målinger fra satellitter i bane rundt Jorden. Gjennom denne prosessen beregner maskinlæringsmodellen de optimale parameterverdiene for sjøismodellen, raskt og presist.
Metoden innebærer en drastisk forbedring av modellenes nøyaktighet. Denne automatiske prosessen sparer ikke bare tid, men øker også modellens pålitelighet ved å eliminere feilkilder som lå i de manuelle beregningsmetodene.
Den nye metoden er ikke begrenset til bruk i spesifikke sjøismodeller som neXtSIM, men kan også tilpasses andre sjøismodeller. Dette utvider muligheten for mer nøyaktige analyser av klimaendringer, og påvirkninger på og fra sjøis, og vil kunne gi bedre varsler om sjøisforhold i fremtiden.
Metoden representerer et stort fremskritt i klimaforskningen, med potensiale for bedre forståelse av polare økosystemer, mer presise sjøisprognoser, og bedre beslutningsgrunnlag for aktører som arbeider i nordområdene eller kystsamfunn som er direkte påvirket av sjøisens dynamikk.
Maskinlæringens inntog i modelleringen av sjøis viser hvordan teknologiske fremskritt kan løse tidligere uløste problemer og bidra til en dypere forståelse av komplekse klimaprosesser.
Nøkkelforskere: Anton Korosov, Michael Ying, Einar Ólason
