登录
 机构网站
  1. 首页
  2. 情报产品
  3. 快讯详情

《随着北极海冰的破裂，人工智能开始预测冰的去向》

  • 来源专题：大气污染防治与碳减排
  • 编译者： 李扬
  • 发布时间：2023-10-23

  •      据Scientific American10月16日报道，海冰正在以惊人的速度融化，以至于一些研究人员认为，预测海冰融化程度的传统方法可能跟不上气候变化的步伐。到2050年，北极可能会在夏季无冰。该地区的航运运输量正在上升，但预测海冰的范围是复杂的。莱斯利·卡纳维等人在海洋学的基础上，为北极建立了人工智能和机器学习模型。根据北极理事会的数据，2013年至2019年，西北航道的海上交通量增加了44%。该地区的搜索和救援能力有限，由于其巨大的自然资源开发潜力，该地区受到了越来越多的关注。人工智能可以在较小的范围内进行预测，并瞄准特定的地点和时间。

  • 原文来源：https://www.scientificamerican.com/podcast/episode/as-arctic-sea-ice-breaks-up-ai-is-starting-to-predict-where-the-ice-will-go/
105浏览量
原文链接
相关报告

  • 《20 世纪初北极海冰开始减少》
    • 来源专题：物理海洋学知识资源中心
    • 编译者：张灿影
    • 发布时间：2019-09-09
    • 在过去几十年中，伴随着全球大面积变暖，北极海冰迅速减少。两者的发生速度都比气候 模型预测的要快得多，而观察到的北极变暖远强于全球平均水平。预测表明，北极夏季海冰可 能在接下来的五十年甚至三十年内逐渐消失。 虽然 20 世纪北极地区的变暖已有详细记载，但海冰对突然变暖的反应我们知之甚少，目 前尚不清楚海冰开始减少的时间。该地区的数据覆盖受到严格限制，基于观测的卫星数据只能 从 20 世纪 70 年代以来获得，时间太短而无法准确校准气候模型。 因此，有限的观测记录阻碍了对海冰长期变化的评估，导致在全球变暖背景下对其未来演 变的预测存在很大的不确定性。在缺乏仪器数据的情况下，环境变化的自然档案，作为所谓的 代理可用于进一步延伸气候数据。 在这项发表于《Geology》杂志的研究中，Steffen Hetzinger 及其同事首次使用新开发的珊 瑚藻长期结壳原位替代物，每年解决了高海拔斯瓦尔巴特群岛（79.9°N）过去海冰变异的 200 年记录。这种光合作用的底栖海洋植物的年增长和 Mg / Ca 比率在很大程度上取决于浅海底的 光照有效性，记录了季节性海冰覆盖的持续时间。 这为研究过去的海冰变化提供了一种新的可能性，与以前主要档案的重建不同，它提供了 每年从表层海洋直接测定的原位代理。由于仪器数据的有限性，目前的研究主要集中在 20 世 纪后期以来的海冰衰退。这项研究的结果为 20 世纪初北极海冰衰退的初期提供了证据，而不 是通过较短的观测记录和基于陆地的重建来捕捉。 （侯颖琳 编译；於维樱 审校）
    106浏览量
    原文链接

  • 《中国科学院海洋研究所建立轻量化北极海冰密集度智能预报模型》
    • 来源专题：中国科学院文献情报系统—海洋科技情报网
    • 编译者：liguiju
    • 发布时间：2022-05-31
    • 近日，由中国科学院海洋研究所研究员、IEEE Fellow李晓峰领衔的人工智能海洋学研究团队，基于近30年遥感观测的北极区域逐日海冰密集度数据，建立了数据驱动的海冰密集度智能化预报模型SICNet，实现了连续28天的北极海冰密集度预报，预报时间为秒级。SICNet对未来28天的平均海冰边界预报精度高于90%，优于气候异常持续的预报结果。相关成果近日发表于地球科学和遥感领域Top期刊IEEE Transactions on Geoscience and Remote Sensing (IEEE TGRS)（影响因子5.6）。 海冰密集度指海区内海冰面积所占百分比，是描述海冰的基础参数。天气以上尺度的逐日海冰密集度预报对于北极航道规划具有指导意义。传统海冰预报模式计算资源占用较大，且在天气以上尺度的预报精度衰减明显，预报精度低于气候态平均值。 SICNet以深度卷积网络为基本单元，融合时间卷积网络建立时空注意力模块，以更好地建立海冰密集度历史序列与未来序列的时空映射关系。SICNet以近7天海冰密集度历史数据为输入，输出未来7天海冰密集度，迭代3次预测未来28天的逐日海冰密集度，预报时间为秒级。SICNet对未来7天海冰密集度预报的平均绝对误差为2.67%，连续28天预报的平均海冰边界预报精度（BACC）基本保持在90%以上，明显优于气候异常持续（Persist）。 该研究表明，依托深度学习的复杂时空关系建模能力，可实现数据驱动的天气以上尺度北极海冰密集度的准确、快速预报，为次季节至季节尺度的逐日海冰密集度预报提供了参考。未来，针对单个海冰参数的预报，基于深度学习的智能化预报模型具有轻量化、高精度的特点，将成为数值模式海冰预报的重要补充。 上述研究工作得到了中国科学院海洋大科学研究中心、中国科学院战略性先导科技专项、山东省重大创新工程及国家自然科学基金项目等资助。中国科学院海洋所任沂斌博士为论文第一作者，李晓峰研究员为通信作者，合作者还包括中国科学院海洋所张雯皓博士。 论文信息：　　 Yibin Ren, Xiaofeng Li*, Wenhao Zhang, A data-driven deep learning model for weekly sea ice concentration prediction of the Pan-Arctic during the melting season, IEEE Transactions on Geoscience and Remote Sensing, 2022, doi: 10.1109/TGRS.2022.3177600. https://ieeexplore.ieee.org/document/9780401
    177浏览量
    原文链接