在我們迅速變暖的世界中，最緊迫的問題之一是發生在地球兩極的海冰的極端損失。 這些脆弱的生態系統在很大程度上依賴於浮冰的存在，正面臨著不確定和充滿挑戰的未來。
為此，氣候科學家越來越多地使用人工智慧來幫助徹底改變我們對這個重要棲息地的理解，以及我們可以做些什麼來拯救它。
對於制定緩解和保護戰略至關重要的最緊迫問題之一是北極何時完全無冰。 對於普林斯頓大學（Princeton University）的研究科學家威廉·格雷戈里（William Gregory）來說，降低氣候模型的不確定性以製造這樣的**是朝著這個目標邁出的一步。
這項研究的靈感來自於需要改進極地地區海冰的氣候模型**，並增加我們對海冰未來**的信心。
北極海冰在加速全球氣候變化方面發揮著重要作用——通過將太陽輻射反射回太空，極地冰使地球普遍變冷。 然而，由於我們對煤炭、石油和天然氣的依賴，氣候變化導致極地地區的氣溫上公升速度比世界其他地區快得多——如果海洋溫度太高而無法形成冰，地球表面將吸收更多的太陽輻射，導致進一步變暖和冰形成減少。
這就是為什麼極地海冰的重要性遠遠超出了兩極。 在不遠的將來的某個時候，北冰洋可能在夏季不再有海冰，從而加劇了全球變暖對地球其他地區的影響。
氣候模型中的錯誤，例如缺乏物理和數值近似值，可能會在大氣、陸地、海冰和海洋中產生一致的偏差**。 為了克服海冰模型中的這些固有問題，Gregory和他的同事們首次選擇了一種應用卷積神經網路的深度學習演算法。
我們經常需要近似某些物理定律以節省計算時間，因此我們經常使用一種稱為資料同化的過程將氣候模型**與觀測結果相結合，以產生對氣候系統的“最佳猜測”。 最佳猜測模型和原始**之間的差異提供了一條線索，說明我們最初的氣候模型是多麼錯誤。
這個想法是，一旦神經網路理解了觀測到的海冰的特徵，它就可以自行糾正模型，因為它“可以**氣候模型的海冰條件是多麼錯誤，而實際上不需要看到任何海冰觀測。 格雷戈里解釋道。
為此，他們使用了氣候模型模擬的變數，例如海洋溫度、鹽度和海冰速度。 這些變數中的每乙個都有助於模型中地球氣候的整體情況。
模型狀態變數只是由氣候模型表示的物理學，“格雷戈里解釋道。 “例如，海面溫度是乙個模型狀態變數，對應於海洋頂部兩公尺的溫度。
人工智慧在氣候科學中的應用正在增長，但仍處於起步階段。 格雷戈里說，他和他的團隊現在正在測試他們的神經網路是否可以推廣到海冰以外的其他條件。
由於這是乙個非常新且活躍的研究領域，因此肯定有一些限制使其令人興奮，並且弄清楚如何將這種深度學習模型應用於氣候**的完整氣候模型將是有趣且具有挑戰性的。
我是技術創造者