Учёные из Китайской академии наук разработали инновационную модель на основе искусственного интеллекта (ИИ) для повышения точности сезонного прогнозирования арктических льдов. Данная разработка имеет критическое значение для оценки последствий климатических изменений, а также для оптимизации судоходства в этом стратегически важном регионе.
Традиционные подходы, основанные на численных моделях и статистическом анализе, сталкиваются с фундаментальной проблемой, известной как «весенний барьер предсказуемости». Этот феномен существенно ограничивает надёжность прогнозов объёмов морского льда на сентябрь, исходя из данных весеннего периода.
Для преодоления данного ограничения исследовательская группа предложила модель SICNetseason, использующую архитектуру Swin-Transformer. Данная архитектура позволяет эффективно анализировать сложные нелинейные взаимосвязи между весенними изменениями ледового покрова и его состоянием в сентябре. Такой подход обеспечивает учёт как глобальных, так и локальных зависимостей в данных, что значительно повышает точность прогнозов.
Экспериментальные исследования показали, что при использовании данных за апрель и май, новая модель демонстрирует улучшение точности прогнозирования объёмов льда на 7-10% по сравнению с ранее применявшимися методами. Кроме того, точность определения границ распространения льда превосходит традиционные подходы более чем на 14%.
Особое внимание в исследовании было уделено роли толщины льда весной. Данный параметр играет ключевую роль в преодолении «весеннего барьера предсказуемости», что приводит к повышению точности прогнозов на более чем 20%.
Таким образом, представленная модель SICNetseason является значительным шагом вперёд в области прогнозирования арктических льдов, демонстрируя потенциал ИИ для решения сложных задач климатологии и морской навигации.