Science Advances: Развитие возможностей глобального прогнозирования протяжённости морского льда с использованием совместной климатической модели с интегрированным машинным обучением
Демонстрируется гибридная модель, интегрирующая вывод машинного обучения в климатическую модель SPEAR (Geophysical Fluid Dynamics Laboratory Seamless System for Prediction and Earth System Research) для оперативной коррекции смещения протяжённости морского льда в ходе набора глобальных полностью связанных ретроспективных прогнозов на один год. Авторы сравнивают две гибридные версии SPEAR, чтобы понять важность учёта обратной связи между льдом, атмосферой и океаном в моделях машинного обучения перед их внедрением в полностью связанные расчёты: HybridCPL (обученная с учётом обратной связи) и HybridIO (обученная с учётом льда и океана; без обратной связи). По сравнению с SPEAR, HybridCPL систематически снижает сезонные ошибки прогнозирования в Арктике и значительно снижает ошибки в Антарктике для целевых месяцев с мая по декабрь, более чем в два раза уменьшая ошибки в прогнозах площади зимнего морского льда в Антарктике на 4-6 месяцев вперёд. Между тем, HybridIO страдает от поведения, выходящего за рамки выборки, которое может запустить цепь обратных связей в Южном океане, приводящих к лету без льда в Антарктиде. Полученные результаты подчёркивают, что машинное обучение может заметно улучшить возможности численного прогнозирования морского льда и что ознакомление моделей машинного обучения с взаимосвязанными процессами «лёд-атмосфера-океан» имеет важное значение для обобщения в полностью связанных расчётах.
