Ученые разработали ИИ-модель для улучшения сезонного прогнозирования арктического морского льда

Исследователи под руководством профессора Ли Сяофэна из Института океанологии Китайской академии наук разработали новую модель искусственного интеллекта SICNet_season для сезонных прогнозов. Модель предназначена для преодоления "барьера предсказуемости весной" — проблемы, с которой часто сталкиваются традиционные методы прогнозирования площади арктического морского льда в сентябре.

Точные сезонные прогнозы сентябрьского льда имеют большое значение для оценки климатических изменений и планирования судоходства в Арктике. Новая модель, основанная на архитектуре Swin-Transformer, интегрирует нелинейные глобальные и локальные зависимости в рядах данных о морском льде. Это позволяет ей эффективно моделировать долгосрочные связи между весенними условиями и состоянием льда в сентябре, превосходя по точности как численные (например, SEAS5 от ECMWF), так и статистические модели.

Эксперименты показали, что при использовании апреля и мая в качестве стартовых месяцев для прогноза на сентябрь, модель SICNet_season демонстрирует улучшение навыка прогнозирования (ACC) на 7–10% и более чем на 14% повышает точность в определении границы льда (BACC). Исследование также выявило, что весенняя толщина морского льда является критически важным фактором, вносящим более 20% вклад в преодоление весеннего барьера предсказуемости.