IceNet kan de toekomst van het Arctische zee-ijs maanden van tevoren voorspellen met een nauwkeurigheid van 95 procent
Het voorspellen van de jaarlijkse omvang van zee-ijs, hier in de Chukchi-zee bij Alaska, is lange tijd een uitdaging gebleken voor poolwetenschappers.
In de komende week of zo zal het zee-ijs dat boven op de Noordelijke IJszee drijft dit jaar krimpen tot het kleinste formaat, aangezien zomerverwarmd water wegvreet aan de ondergedompelde randen van het ijs.
De laagterecords voor zee-ijs zullen dit jaar waarschijnlijk niet worden verbroken, zeggen wetenschappers. In 2020 bedekte het ijs 3,74 miljoen vierkante kilometer van het noordpoolgebied op het laagste punt, nagelbijtend dicht bij een historisch dieptepunt. Momenteel is er zee-ijs aanwezig in iets minder dan 5 miljoen vierkante kilometer Arctische wateren, waardoor het op schema ligt om het op 10 na laagste niveau van zee-ijs in het gebied te worden sinds het bijhouden van satellietregistraties in 1979. Het is een onverwacht einde gezien het feit dat in het begin zomer bereikte het zee-ijs een laagterecord voor die tijd van het jaar.
De verrassing komt gedeeltelijk omdat de beste huidige statistische en op fysica gebaseerde voorspellingstools slechts een paar weken van tevoren de omvang van het zee-ijs nauwkeurig kunnen voorspellen, maar de nauwkeurigheid van langetermijnvoorspellingen hapert. Nu belooft een nieuwe tool die kunstmatige intelligentie gebruikt om zee-ijsvoorspellingen te maken: hun nauwkeurigheid vergrotenja — en kan de analyse relatief snel doen, rapporteren onderzoekers 26 augustus in Natuurcommunicatie.
IceNet, een zee-ijsvoorspellingssysteem ontwikkeld door de British Antarctic Survey, of BAS, is “95 procent nauwkeurig in het voorspellen van zee-ijs twee maanden vooruit – hoger dan het toonaangevende op fysica gebaseerde model SEAS5 – terwijl het 2000 keer sneller is”, zegt Tom Andersson , een datawetenschapper bij het Artificial Intelligence-lab van BAS. Terwijl SEAS5 op een supercomputer ongeveer zes uur nodig heeft om een voorspelling te maken, kan IceNet hetzelfde doen in minder dan 10 seconden op een laptop. Het systeem laat ook een verrassend vermogen zien om abnormale ijsgebeurtenissen – ongebruikelijke hoogte- of dieptepunten – tot vier maanden van tevoren te voorspellen, ontdekten Andersson en zijn collega’s.
Het volgen van zee-ijs is cruciaal om de gevolgen van klimaatverandering in de gaten te houden. Hoewel dat een langer spel is, kan de geavanceerde kennisgeving van IceNet ook meer directe voordelen hebben. Het zou wetenschappers bijvoorbeeld de doorlooptijd kunnen geven die nodig is om de risico’s van Arctische branden of conflicten tussen natuur en mens te beoordelen en te plannen, en het zou gegevens kunnen opleveren die inheemse gemeenschappen nodig hebben om economische en ecologische beslissingen te nemen.
De omvang van het zee-ijs in het noordpoolgebied is in alle seizoenen gestaag afgenomen sinds het begin van de satellietrecords in 1979 (SN: 25-09-19). Wetenschappers proberen al tientallen jaren de voorspellingen van zee-ijs te verbeteren, maar succes is ongrijpbaar gebleken. “Het voorspellen van zee-ijs is heel moeilijk omdat zee-ijs op complexe manieren interageert met de atmosfeer boven en de oceaan beneden”, zegt Andersson.
Bestaande voorspellingstools zetten de wetten van de fysica in computercode om te voorspellen hoe zee-ijs in de toekomst zal veranderen. Maar deels vanwege onzekerheden in de fysieke systemen die het zee-ijs beheersen, hebben deze modellen moeite om nauwkeurige langetermijnvoorspellingen te produceren.
Met behulp van een proces dat deep learning wordt genoemd, laadden Andersson en zijn collega’s observationele zee-ijsgegevens van 1979 tot 2011 en klimaatsimulaties van 1850 tot 2100 om IceNet te trainen hoe de toestand van toekomstig zee-ijs te voorspellen door de gegevens uit het verleden te verwerken.
Om de nauwkeurigheid van zijn voorspellingen te bepalen, vergeleek het team de output van IceNet met de waargenomen omvang van het zee-ijs van 2012 tot 2020, en met de voorspellingen van SEAS5, de veelgebruikte tool die wordt gebruikt door het European Centre for Medium-Range Weather Forecasts. IceNet was maar liefst 2,9 procent nauwkeuriger dan SEAS5, wat overeenkomt met nog eens 360.000 vierkante kilometer oceaan die correct wordt bestempeld als “ijs” of “geen ijs”.
Wat meer is, in 2012 luidde een plotselinge crash van de zee-ijsdikte in de zomer in september van dat jaar een nieuw laagterecord in. Bij het doornemen van gegevens uit het verleden zag IceNet de dip maanden van tevoren aankomen. SEAS5 had ook vermoedens, maar de projecties die ver weg waren, waren een paar honderdduizend vierkante kilometer afwijkend.
“Dit is een belangrijke stap voorwaarts in het voorspellen van zee-ijs, waardoor we beter in staat zijn om nauwkeurige voorspellingen te maken die normaal niet voor mogelijk werden gehouden, en ze duizenden keren sneller uit te voeren”, zegt Andersson. Hij gelooft dat het mogelijk is dat IceNet de fysieke processen die de evolutie van zee-ijs bepalen uit de trainingsgegevens beter heeft geleerd, terwijl op fysica gebaseerde modellen nog steeds moeite hebben om deze informatie te begrijpen.
“Deze machine learning-technieken zijn pas begonnen bij te dragen aan” [forecasting] in de afgelopen paar jaar, en ze doen het verbazingwekkend goed”, zegt Uma Bhatt, een atmosferische wetenschapper aan het Fairbanks Geophysical Institute van de University of Alaska, die niet betrokken was bij de nieuwe studie. Ze leidt ook het Sea Ice Prediction Network, een groep multidisciplinaire wetenschappers die werken aan het verbeteren van voorspellingen.
Bhatt zegt dat goede seizoensgebonden ijsvoorspellingen belangrijk zijn voor het beoordelen van het risico van Arctische bosbranden, die sterk verband houden met de aanwezigheid van zee-ijs (SN: 23/6/20). “Als je weet waar het zee-ijs zich in de lente zal bevinden, kan het je mogelijk helpen erachter te komen waar je waarschijnlijk brand zult hebben – in Siberië, bijvoorbeeld, zodra het zee-ijs zich van de kust verwijdert, kan het land opwarmen heel snel opstaan en helpen de weg vrij te maken voor een slecht brandseizoen.”
Elke verbetering in de voorspelling van zee-ijs kan ook helpen bij de economische, veiligheids- en milieuplanning in noordelijke en inheemse gemeenschappen. Tienduizenden walrussen trekken bijvoorbeeld aan land om te rusten wanneer het zee-ijs verdwijnt (SN: 10/2/14). Menselijke verstoringen kunnen dodelijke stormloop veroorzaken en leiden tot hoge walrussensterfte. Met seizoensgebonden ijsvoorspellingen kunnen biologen anticiperen op snel ijsverlies en van tevoren uithaallocaties beheren door de menselijke toegang tot die locaties te beperken.
Toch blijven er beperkingen. Met een doorlooptijd van vier maanden was het systeem ongeveer 91 procent nauwkeurig in het voorspellen van de locatie van de ijsrand in september. de “voorspelbaarheidsbarrière van de lente”. Het is van cruciaal belang om de toestand van het zee-ijs aan het begin van het smeltseizoen in de lente te kennen om de omstandigheden aan het einde van de zomer te kunnen voorspellen.
Een andere limiet is “het feit dat het weer zo variabel is”, zegt Mark Serreze, directeur van het National Snow and Ice Data Center in Boulder, Colorado. Hoewel het zee-ijs begin juli een nieuw jaarrecord leek neer te zetten, de snelheid van het ijsverlies vertraagde uiteindelijk als gevolg van koele atmosferische temperaturen. “We weten dat zee-ijs heel sterk reageert op zomerse weerpatronen, maar we kunnen geen goede weersvoorspellingen krijgen. De weersvoorspelling is ongeveer 10 dagen van tevoren.”
