Морской лёд — важнейший регулятор климата Земли и объект прогнозирования, важность которого постоянно растёт. Можно ли доверять системам искусственного интеллекта, которые сейчас разрабатываются для таких прогнозов?

Ещё десять лет назад специализированных систем прогнозирования состояния морского льда на основе искусственного интеллекта (ИИ) практически не существовало.

Сегодня их насчитываются десятки; они охватывают оба полюса и работают в диапазоне временных масштабов от нескольких дней до целых сезонов. Расчёты, на выполнение которых раньше требовались дни работы суперкомпьютера, теперь можно провести за считанные минуты на обычном ноутбуке.

Однако скорость и эффективность — это ещё не надёжность. Данных наблюдений, необходимых для создания и всестороннего тестирования таких систем, по-прежнему недостаточно как в Арктике, так и в Антарктике.

Для устранения этого пробела было создано новое международное научное сообщество — ORCAS (Observational Requirements in the Context of AI prediction systems for Sea ice / «Требования к данным наблюдений для систем прогнозирования морского льда на основе ИИ»). Инициатива ORCAS была учреждена в 2025 году в качестве рабочей группы Научного комитета по океаническим исследованиям (SCOR) — в которую входят все авторы публикации, — а также в качестве целевой группы проекта PCAPS («Полярный комплексный анализ и прогнозирование для обеспечения сервисов»), реализуемого в рамках Всемирной программы исследований погоды (WWRP).

Объединяются специалисты по сбору данных, разработчики ИИ и эксперты по физическому моделированию со всего мира, чтобы определить, какие именно данные наблюдений требуются для перспективных систем прогнозирования морского льда на базе ИИ. Это сообщество носит глобальный характер, а его деятельность во многом движима молодыми учёными.

Наблюдения по-прежнему играют ключевую роль

Системы прогнозирования состояния морского льда превратились в практические инструменты, лежащие в основе климатического обслуживания, принятия оперативных решений и обеспечения безопасности жителей высоких широт. От надёжности прогнозов зависят безопасность передвижения и охоты коренных народов Арктики. Морским судам необходимы прогнозы, поступающие практически в режиме реального времени, чтобы избегать опасных ледяных полей. В точных прогнозах также нуждаются рыбопромысловые предприятия, поисково-спасательные службы и специалисты по планированию прибрежных территорий.

Изначально такие системы создавались в рамках научных исследований, призванных выяснить, можно ли предсказывать состояние морского льда при переходе от одного сезона к другому [Chen and Yuan, 2004] и на какой срок вперёд возможен такой прогноз [Holland et al., 2013]. С тех пор эти разработки переросли в масштабную систему прогнозирования.

Инновационные методы, опирающиеся на научные достижения в области прогнозирования арктического морского льда [Bushuk et al., 2024] (рис. 1), сегодня позволяют получать прогнозы практически в режиме реального времени для обоих полюсов. Расширение масштабов международных усилий по прогнозированию — в частности, в рамках проекта S2S (прогнозы на сроки от внутрисезонных до сезонных) [Vitart and Robertson, 2018] и инициативы SIPN South (Сеть прогнозирования морского льда в Южном полушарии) [Massonnet et al., 2023] — свидетельствует о стремительном развитии этой области.

^{Рис. 1. На этом графике показано ежегодное число рецензируемых публикаций, полученных в результате запроса Scopus, сопоставляющего термины прогнозирования морского льда с ключевыми словами в области ИИ и машинного обучения. В 2018 году эта область была небольшой и стабильной, а затем резко ускорилась. Два события обрамляют самый резкий рост: выпуск IceNet в 2021 году [Andersson et al., 2021], показавший, что глубокое обучение может соответствовать или превосходить динамические модели для сезонных прогнозов морского льда, и обвал морского льда в Антарктиде в 2023 году до рекордно низкого уровня. Штриховая полоса за 2026 год отражает публикации только за январь-май.}

На сегодняшний день в области прогнозирования состояния морского льда применяется широкий спектр подходов, которые проект ORCAS стремится интегрировать в свою работу. Например, традиционные динамические климатические модели, основанные на описании физических процессов, имитируют взаимодействие атмосферы, океана и ледяного покрова. Эти модели по-прежнему широко используются, поскольку позволяют получать обширные ретроспективные данные (хиндкасты) для оценки точности прогнозов, а также формировать большие ансамбли для анализа неопределённости. Однако они могут быть весьма ресурсоёмкими с точки зрения вычислительных мощностей и подверженными систематическим погрешностям.

Перспективными и эффективными решениями (рис. 2) становятся новые методы на базе искусственного интеллекта, включая модели машинного обучения (ориентированные на анализ данных), гибридные системы с учётом физических закономерностей и крупномасштабные ИИ-модели погоды; зачастую они работают быстрее традиционных методов, демонстрируя сопоставимую или даже более высокую точность прогнозирования. Эти подходы, как правило, делятся на две категории: краткосрочные региональные прогнозы (от нескольких дней до недели), необходимые для навигации, и долгосрочные прогнозы для всего Арктического региона (на недели или месяцы вперёд), оценивающие площадь ледяного покрова. На данный момент лишь немногие из этих методов ориентированы на Антарктику, и ещё меньше — на локальные условия, имеющие первостепенное значение для местных сообществ и навигации маломерных судов.

_{Рис. 2. На данной диаграмме, составленной на основе обзора ключевых моделей морского льда, 20 существующих систем сгруппированы по прогнозируемым параметрам (слева), классу модели (в центре) и способу формирования прогноза (справа). Большинство моделей прогнозируют площадь распространения морского льда, а не несколько переменных одновременно; при этом прогноз чаще всего формируется путём прямого предсказания будущего состояния, а не посредством пошагового продвижения во времени (авторегрессионные модели) или обработки входной последовательности (рекуррентные модели). Небольшая часть систем представляет собой эмуляторы, воспроизводящие поведение физически обоснованных моделей с упором на долгосрочную устойчивость. Ширина полос пропорциональна числу систем.}

Подходы к моделированию климата, основанные на физических процессах, и методы искусственного интеллекта менее независимы друг от друга, чем может показаться на первый взгляд. Модели на базе ИИ часто обучаются на данных реанализа, полученных в результате моделирования физических процессов, что обусловливает их общую «родословную». И те, и другие опираются на данные наблюдений: первые — для настройки и инициализации, вторые — для тестирования и обучения. Надёжные, легкодоступные и хорошо документированные данные наблюдений, поступающие практически в режиме реального времени, служат фундаментом для прогнозирования состояния морского льда вне зависимости от выбранного подхода.

Дефицит данных наблюдений

Сбор данных наблюдений в полярных регионах по-прежнему характеризуется разреженностью и неравномерным распределением, а также сложностью и высокой стоимостью поддержания наблюдательных сетей. Поскольку изменение климата переводит оба полюса в условия, не имеющие исторических аналогов, от систем прогнозирования требуется работа в сценариях, которые недостаточно полно представлены в данных наблюдений, использованных для их создания и тестирования.

Данные, подготовленные для использования в системах ИИ, и данные, ориентированные на изучение физических процессов, имеют свои преимущества и сопряжены с определёнными трудностями для формирующегося сообщества ORCAS (рис. 3). Данные, готовые к использованию в ИИ, как правило, стандартизированы, прошли контроль качества, приведены к регулярной сетке, хорошо документированы и доступны в масштабах, пригодных для обработки системами машинного обучения (например, поля глобального реанализа ERA5 [Hersbach et al., 2020]). Напротив, данные, ориентированные на изучение процессов, призваны раскрыть механизмы функционирования системы морского льда — например, посредством детальных измерений толщины, дрейфа и деформации льда, свойств снежного покрова или теплообмена между океаном, льдом и атмосферой. Такие наблюдения могут носить локальный или нерегулярный характер, проводиться в рамках отдельных экспедиций или с трудом поддаваться унификации, однако они обладают уникальной ценностью для проверки физической обоснованности прогнозов и получения независимых данных, используемых для валидации моделей (но не для их обучения).

_{Рис. 3. На каждом этапе прогнозирования с использованием ИИ — обучении, выводе (собственно прогнозировании) и верификации — современные системы в значительной степени опираются на продукты данных, представленные в виде регулярных сеток, включая результаты реанализа, данные атмосферного анализа и прогнозирования, а также материалы спутникового дистанционного зондирования. Данные прямых (in situ) измерений и результаты специализированных экспедиционных исследований (например, полученные с помощью буёв, судовых наблюдений и в ходе полевых кампаний) на всех этапах используются недостаточно эффективно; во многом это объясняется тем, что такие данные пока не приведены к форматам, пригодным для непосредственного усвоения моделями или интеграции через системы реанализа. Определение оптимальных способов усиления каждого из этапов за счёт использования этих немногочисленных, но крайне ценных данных наблюдений является главной задачей инициативы ORCAS (Observational Requirements in the Context of AI prediction systems for Sea ice — «Требования к данным наблюдений в контексте систем прогнозирования морского льда на базе ИИ»).}

Одна из общих задач для систем прогнозирования морского льда — сделать наборы данных наблюдений более доступными, совместимыми и пригодными для обучения и оценки ИИ — короче говоря, привести их в соответствие с принципами FAIR (доступность, совместимость и повторное использование).

Другая проблема связана со спутниковыми данными, которых в полярных регионах предостаточно. Пассивные микроволновые датчики картируют площадь морского льда на обоих полюсах с 1978 года, предоставляя длительные и согласованные данные, на основе которых обучаются и оцениваются большинство систем ИИ для прогнозирования морского льда. Данные с радиолокаторов с синтезированной апертурой, оптических изображений, альтиметрии и инфракрасных датчиков добавляют детали о типах льда, его толщине и деформации. Однако большая часть этих данных остаётся фрагментированной или трудно поддается согласованию между миссиями и временными периодами. Наборы данных, полученные в ходе кампаний, сталкиваются с аналогичными препятствиями.

Существует также разрыв в масштабах, который необходимо преодолеть. Точечные измерения и наблюдения в ходе кампаний должны быть связаны с сеточными продуктами в масштабе бассейна, которые обычно используются моделями ИИ. Новые сервисы, такие как IceBox, предназначенные для лиц, принимающих решения на борту судов в отдельных местах или вдоль конкретных маршрутов, стремятся сократить этот разрыв, повышая пространственное разрешение прогнозов значительно ниже текущих оперативных масштабов, до 100 метров и более.

Укрепление доверия к прогнозам морского льда, основанным на искусственном интеллекте

Стремительное внедрение систем прогнозирования на базе искусственного интеллекта в науках о Земле [Eyring et al., 2024] ставит фундаментальный вопрос: как обеспечить физическую обоснованность, высокую прогностическую точность и надёжность этих инструментов?

В контексте прогнозирования состояния морского льда это означает необходимость проверки не только точности самих прогнозов, но и физической адекватности поведения модели, её надёжности в различных условиях и практической ценности.

Не менее важна способность прогнозировать события, выходящие за рамки обучающей выборки (то есть не встречавшиеся при обучении модели), — такие явления в последние годы наблюдаются всё чаще. Ключевую роль в решении этой задачи играет независимая (внешняя) оценка. Для её проведения необходимы общие тестовые сценарии, единые наборы данных и чёткие методики прозрачного сравнительного анализа различных архитектур ИИ и традиционных численных моделей [Ullrich et al., 2025].

В рамках инициативы ORCAS важно стремиться разработать руководящие принципы оценки систем прогнозирования морского льда для различных временных горизонтов прогноза. Эти принципы будут опираться на общие сценарии валидации, согласованные наборы данных наблюдений и метрики, связывающие эффективность модели с реальными физическими процессами, происходящими с морским льдом.

Важным итогом недавнего рабочего совещания сообщества ORCAS стал вывод о том, что оценка не должна ограничиваться простыми показателями точности; она должна включать наблюдения, сфокусированные на конкретных физических процессах [Eayrs et al., 2026]. Такие наблюдения необходимо чётко увязывать между собой в различных пространственно-временных масштабах с помощью специализированных метрик (например, характеризующих дрейф, толщину и перенос льда). Кроме того, системы ИИ должны проходить проверку на соответствие известным физическим законам, а также испытания на способность надёжно прогнозировать условия в одном регионе (например, в Антарктике) после обучения на данных другого региона (например, Арктики).

Важное значение имеет и прозрачность. Модели искусственного интеллекта иногда называют «чёрными ящиками»: они выдают точные прогнозы, не раскрывая при этом логику своих рассуждений и не делая её интерпретируемой [Camps-Valls, 2026]. Проект ORCAS будет поддерживать использование инструментов интерпретируемости, позволяющих выявить, какие входные данные оказывают наибольшее влияние на результат работы модели [Rudin, 2019], а также методов более точной оценки неопределённости. Это позволит лицам, принимающим решения, понимать полученные данные и действовать на их основе. В целом, системы оценки, разрабатываемые в рамках ORCAS, будут нацелены на проверку того, сохраняют ли прогнозы состояния морского льда, полученные с помощью ИИ, физическую обоснованность в различных регионах и условиях прогнозирования, а также в условиях меняющегося климата.

Разработка таких систем требует итеративного процесса совместной работы специалистов по натурным наблюдениям, разработчиков моделей и специалистов по анализу данных; это необходимо для создания физически обоснованных критериев оценки и обеспечения практической значимости результатов для реальных задач.

Наблюдения для эпохи ИИ

Если для сравнительного анализа качества прогнозов уже существуют такие инициативы, как SIPN South [Massonnet et al., 2023], то проект ORCAS фокусируется на менее изученном вопросе: насколько физически реалистичны прогнозы ИИ и можно ли им доверять? Чтобы найти ответ на этот вопрос, систематизируются данные, полученные в ходе полевых кампаний и исследований отдельных процессов, формируя из них специализированные наборы данных для валидации.

Естественно, возникает вопрос, не приведёт ли приоритетное использование наблюдений, готовых к применению ИИ, к оттеснению на второй план сложных в обработке измерений, которые труднее стандартизировать, но которые необходимы для понимания физических процессов. Эта проблема решается с помощью двух параллельных стратегий. Во-первых, авторы адаптируют приоритеты наблюдений таким образом, чтобы ключевые переменные собирались в формах, которые системы ИИ могут легко использовать. Во-вторых, они работают с разработчиками над включением ориентированных на процессы наборов данных в качестве оценочных критериев, проверяющих физическую достоверность, выходящую за рамки простых показателей точности.

Работа организована вокруг трёх результатов. Первый — это валидационный анализ, сравнивающий прогнозы ИИ с историческими полевыми исследованиями, в рамках которого разрабатываются многоразовые оценочные структуры. Второй — это стратегический отчёт о приоритетах наблюдений для планирования Пятого международного полярного года. Третий — это доступное руководство для новичков в этой области.

Применение за пределами морского льда

Прогнозирование состояния морского льда с помощью искусственного интеллекта — одна из сложнейших задач в этой области. Данных здесь мало, условия меняются быстрее, чем предполагалось при обучении моделей, а физические процессы тесно взаимосвязаны на всех масштабах: от отдельных ледяных полей до целых океанических бассейнов. Однако подобные трудности характерны не только для полярных регионов.

В целом в науках о Земле возможности прогнозирования с применением ИИ растут быстрее, чем способность их проверять. Разрыв между точностью прогнозов и их физической обоснованностью, между стремительной разработкой моделей и более медленным процессом создания прозрачных и надёжных систем оценки, ощущается повсеместно: от климатического прогнозирования и моделирования океана до наук об атмосфере.

Проект ORCAS предлагает решение этой проблемы: его системы прогнозирования, хотя и ориентированы на морской лёд, нацелены на решение более широких задач. Приоритетные направления наблюдений, создаваемые системы оценки и разрабатываемые стандарты будут иметь значение, выходящее далеко за рамки подготовки очередного сезонного прогноза.

Успешное решение этой задачи в одном из самых труднодоступных для сбора данных и стремительно меняющихся уголков планеты внесёт вклад в масштабную работу по обеспечению надёжности ИИ-прогнозирования во всех науках о Земле — работу, к которой, как надеются авторы, присоединится широкое научное сообщество.

References
Andersson, T. R., et al. (2021), Seasonal Arctic sea ice forecasting with probabilistic deep learning, Nat. Commun., 12(1), 5124, https://doi.org/10.1038/s41467-021-25257-4.
Bushuk, M., et al. (2024), Predicting September Arctic sea ice: A multimodel seasonal skill comparison, Bull. Am. Meteorol. Soc., 105, E1170–E1203, https://doi.org/10.1175/BAMS-D-23-0163.1.
Camps-Valls, G. (2026), AI needs a new philosophy of science, Innovation, 7(5), 101311, https://doi.org/10.1016/j.xinn.2026.101311.
Chen, D., and X. Yuan (2004), A Markov model for seasonal forecast of Antarctic sea ice, J. Clim., 17, 3,156–3,168, https://doi.org/10.1175/1520-0442(2004)017%3C3156:AMMFSF%3E2.0.CO;2.
Eayrs, C., et al. (2026), The ORCAS Community Workshop: Connecting Observations and AI Sea Ice Prediction Systems—Workshop Report, Zenodo, https://doi.org/10.5281/zenodo.19543215.
Eyring, V., et al. (2024), Pushing the frontiers in climate modelling and analysis with machine learning, Nat. Clim. Change, 14(9), 916–928, https://doi.org/10.1038/s41558-024-02095-y.
Hersbach, H., et al. (2020), The ERA5 global reanalysis, Q. J. R. Meteorol. Soc., 146, 1,999–2,049, https://doi.org/10.1002/qj.3803.
Holland, M. M., et al. (2013), Initial-value predictability of Antarctic sea ice in the Community Climate System Model 3, Geophys. Res. Lett., 40(10), 2,121–2,124, https://doi.org/10.1002/grl.50410.
Massonnet, F., et al. (2023), SIPN South: Six years of coordinated seasonal Antarctic sea ice predictions, Front. Mar. Sci., 10, 1148899, https://doi.org/10.3389/fmars.2023.1148899.
Rudin, C. (2019), Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead, Nat. Mach. Intell., 1(5), 206–215, https://doi.org/10.1038/s42256-019-0048-x.
Ullrich, P. A., et al. (2025), Recommendations for comprehensive and independent evaluation of machine learning–based Earth system models, J. Geophys. Res. Mach. Learn. Comput., 2(1), e2024JH000496, https://doi.org/10.1029/2024JH000496.
Vitart, F., and A. W. Robertson (2018), The sub-seasonal to seasonal prediction project (S2S) and the prediction of extreme events, npj Clim. Atmos. Sci., 1, 3, https://doi.org/10.1038/s41612-018-0013-0.

 

Ссылка: https://eos.org/science-updates/reliable-ai-sea-ice-forecasts-depend-on-sustained-observations