Новая ИИ-модель из Китая ломает барьер в прогнозах арктического льда на осень

Исследователи из Китайской академии наук создали инновационную искусственную интеллект-модель под названием SICNetseason, которая способна значительно повысить точность сезонных прогнозов арктического ледяного покрова. Эта модель построена на основе архитектуры Swin-Transformer и призвана преодолеть известный в научном сообществе "весенний предел предсказуемости", из-за которого ранее было крайне сложно с высокой точностью спрогнозировать объём морского льда в сентябре, используя только весенние данные.

SICNetseason анализирует сложные нелинейные взаимосвязи между изменениями ледяного покрова в весенние месяцы и его состоянием осенью. Модель учитывает как локальные процессы, так и глобальные климатические зависимости, что значительно расширяет возможности традиционных методов. В результате серии экспериментов было доказано, что использование данных за апрель и май позволяет повысить точность прогнозов объёма льда на 7-10 процентов, а точность определения границ ледяного покрова увеличивается более чем на 14 процентов по сравнению с классическими подходами.

Особое внимание в новой модели уделялось весенней толщине льда, которая оказалась ключевым параметром для улучшения прогностических возможностей. Учёт этой характеристики позволил увеличить эффективность работы SICNetseason более чем на 20 процентов. Это открытие важно не только для фундаментальных исследований климата, но и для практического применения — в частности, для оценки климатических рисков, связанных с таянием льда, а также для планирования безопасной навигации в Арктическом регионе, где растущая интенсивность судоходства требует всё более точных данных.

Разработчики подчеркивают, что внедрение таких передовых технологий в области климатического моделирования позволит получить более надёжные прогнозы и лучше подготовиться к изменениям в Арктике, влияющим на глобальные климатические процессы и экосистемы. Благодаря SICNetseason появляется шанс значительно повысить информированность и безопасность в регионе, который является одним из наиболее чувствительных индикаторов изменений климата на планете.