در آخرین هفتههای تابستان امسال، با رسیدن آبهای گرم به لبههای یخهای اقیانوس منجمد شمالی، یخهای شناور روی این آبها به کمترین مقدار خود در امسال رسیدند.
این کمترین سطح یخ ثبت شده نبود. در سال ۲۰۲۰ حداقل مساحت یخ روی اقیانوس منجمد شمالی به ۳٫۷۴ میلیون کیلومتر مربع رسید و تا آستانه رکورد شکنی پیش رفت. مساحت یخهای امسال به کمتر از ۵ میلیون کیلومتر مربع رسید، که در بین ده تا از کمترین مساحتهای یخ از سال ۱۹۷۹ (سالی که ماهوارهها شروع به ثبت مساحت یخها کردند) قرار میگیرد. این که مساحت یخها از این عدد کوتاهتر نیامد یک پدیده غافلگیر کننده بود، چرا که در اوایل تابستان سطح یخها رکورد کمترین مساحت ثبت شده برای آن زمان را شکست.
بخشی از این غافلگیری به این علت است که ابزارهای برپایه آمار ــ و فیزیک ــ فعلی تنها میتوانند گستره سطح یخ را تا چند هفته پیشبینی کنند، و پیشبینیهای بلندمدت دقت چندانی ندارند. حالا طبق گزارش گروهی از پژوهشگران در ژورنال Nature Communication، ابزاری جدید و مبتنی بر هوش مصنوعی برای پیشبینی مساحت یخهای دریایی، وعده افزایش این دقت را میدهد ــ و میتواند با سرعت نسبتا زیادی آنالیزهایش را اجرا کند.
به گفته تام اندرسون (Tom Andersson)، دانشمند داده در آزمایشگاه هوش مصنوعی سازمان مطالعات جنوبگان بریتانیا (BAS)، آیسنت (IceNet)، سیستم پیشبینی یخهای دریایی سازمان BAS، «دقتی ۹۵ درصدی در پیشبینی یخهای دریایی در بازه زمانی دو ماهه دارد ــ بلندتر از مدل پیشگام و مبتنی بر فیزیک SEAS5 ــ و دو برابر سریعتر است.» در حالی که شش ساعت طول میکشد تا SEAS5 با استفاده از یک ابر رایانه یک پیشبینی ارائه دهد، آیسنت میتواند همین کار را در ۱۰ ثانیه روی یک لپتاپ انجام دهد. همچنین اندرسون و همکارانش دریافتند که آیسنت توانایی غافلگیر کنندهای در پیشبینی وقایع یخی استثنایی ــ رکوردهای بالا و پایین غیر معمول ــ در بازه زمانی چهار ماهه دارد.
اطلاع از شرایط یخهای دریایی برای نظارت آثار تغییر اقلیم حیاتی است. با این که این مساله بیشتر در بلندمدت حائز اهمیت است، پیشبینیهای پیشرفته آیسنت مزایای کوتاه مدتی نیز دارند. برای نمونه، این ابزار میتواند به دانشمندان فرصت کافی بدهد تا ریسکهای مرتبط با آتشسوزیهای شمالگان یا تضاد منافع بین انسانها و حیات وحش را ارزیابی و برای آن برنامهریزی کنند. همچنین این ابزار دادههای مورد نیاز برای تصمیمگیریهای محیط زیستی و اقتصادی را در اختیار جوامع بومی قرار میدهد.
از زمان شروع ثبتهای ماهوارهای در سال ۱۹۷۹، سطح یخهای اقیانوس منجمد شمالی در تمام فصلها به طور پیوسته در حال کاهش بوده است. دانشمندان برای دههها تلاش دارند تا دقت پیشبینیهای سطح یخها را افزایش دهند، اما موفقیت در این حوزه هدف چندان سادهای از آن در نیامد. اندرسون میگوید «پیشبینی یخهای دریایی واقعا سخت است، چون یخها به طرق پیچیدهای با فتمسفر بالا و اقیانوس پایین خود در تعامل هستند.»
ابزارهای پیشبینی موجود قرانین فیزیک را به صورت کدهای کامپیوتری در میآورند تا تغییرات یخهای دریایی را در آینده پیشبینی کنند. به دلیل عدم قطعیتهای سیستمهای فیزیکی حاکم بر یخهای دریاها، این مدلها نمیتوانند از پس پیشبینیهای بلندمدت بر بیایند.
اندرسون و همکارانش با استفاده از فرایند یادگیری عمیق دادههای مشاهدهای یخهای دریایی از سال ۱۹۷۹ تا ۲۰۱۱، و شبیهسازیهای اقلیمی ۱۸۵۰ تا ۲۱۰۰ را بارگذاری کردند تا آیسنت در یابد که چگونه با پردازش دادههای گذشته، شرایط آینده دریا را پیشبینی کند.
تیم پژوهشگران برای تعیین دقت پیشبینیها، خروجیهای آیسنت را با دادههای مشاهدهای سطح یخهای دریایی از سال ۲۰۱۲ تا ۲۰۲۰، و پیشبینیهای SEAS5 ــ ابزاری که به طور گسترده توسط مرکز اروپایی پیشبینیهای میانمدت آب و هوا استفاده میشود ــ مقایسه کردند. آیسنت به اندازه ۲٫۹ درصد از SEAS5 دقیقتر بود و وضعیت ۳۶۰ هزار کیلومتر مربع بیشتر از سطح دریا را به درستی با برچسبهای «یخ» و «بدون یخ» مشخص میکرد.
علاوه بر این، در سال ۲۰۱۲ یک کاهش ناگهانی در در سطح یخهای تابستانی خبر از شکسته شدن رکورد کمترین مساحت در ماه سپتامبر را میداد. در پردازش دادههای مشاهدهای پیش از این رویداد، آیسنت این کاهش ناگهانی را از ماهها قبل پیشبینی کرد. SEAS5 نیز نشانههایی از این کاهش را در خروجیهای خود نشان داده بود، اما پیشبینی آن صدها هزار کیلومتر مربع با واقعیت اختلاف داشت.
اندرسون میگوید «این یک قدم مهم در پیشبینی یخهای دریایی است و توانایی ما را برای پیشبینی چیزهایی که معمولا غیر ممکن بودند بهبود میدهد. همزمان سرعت پردازش نیز هزاران برابر بیشتر شده است.» به باور او این امکان وجود دارد که آیسنت با استفاده از دادههای مشاهدهای فرایندهای تعیینکننده یخهای دریایی را بهتر از ما فهمیده، در حالی که مدلهای مبتنی بر فیزیک همچنان در فهم این اطلاعات مشکل دارند.
اوما بات (Uma Bhatt)، دانشمند علوم جوی در انستیتوی ژئوفیزیک دانشگاه آلاسکا در فربنکس که نقشی در این پژوهش نداشته، اما در حال کار روی بهبود دقت مدلها است، میگوید «تکنیکهای یادگیری ماشین تنها چند سال است که وارد حوزه پیشبینی شدهاند، و در این مدت بسیار عالی عمل کردهاند.»
به گفته بات، پیشبینیهای فصلی یخ خوب برای ارزیابی ریسک آتشسوزیهای شمالگان، که وابستگی شدیدی به حضور یخهای دریایی دارند، مهم هستند. «دانستن این که یخهای دریایی در بهار قرار است در کجا باشند میتواند به شما کمک کند تا مکان احتمالی آتشها را بفهمید ــ برای مثال، در سیبری به محض این که یخ از ساحل دور میشود، زمین میتواند به سرعت گرم شود و صحنه را برای یک فصل آتشسوزی بد فراهم کند.»
هرگونه بهبودی در پیشبینی یخهای دریایی میتواند به برنامهریزی اقتصادی، ایمنی و محیط زیستی در جوامع بومی شمالی کمک کند. برای مثال، وقتی یخها ناپدید میشوند، دهها هزار گراز دریایی برای استراحت به ساحل میآیند. مداخلههای انسانی میتواند باعث رمیده شدن گرازهای دریایی و مرگ آنها شود. با پیشبینی یخهای فصلی، بیولوژیستها میتوانند ذوبهای سریع را شناسایی و جلوتر از زمان محلهای تجمع گرازهای دریایی را با محدود کردن دسترسی انسانها مدیریت کنند.
با این حال، همچنان محدودیتهایی وجود دارد. آیسنت در بازه زمانی چهار ماهه مکان لبههای یخ در سپتامبر را با دقت ۹۱ درصدی پیشبینی کرد. اما این سیستم، همانند همه سیستمهای دیگر، از پس پیشبینی شرایط انتهای تابستان در بازههای زمانی بلندتر بر نمیآید؛ بخشی از علت این امر چیزی است که دانشمندان به آن «مانع پیشبینیپذیری بهاری» میگویند. برای پیشبینی شرایط انتهای تابستان لازم است تا شرایط یخ را در آغاز فصل ذوب شدن در بهار بدانیم.
به گفته مارک سریز (Mark Serreze)، رییس مرکز ملی دادههای برف و یخ در بولدر کلورادو، یک محدودیت دیگر «این حقیقت است که آب و هوا بسیار تغییر میکند.» با این که در ماه جولای به نظر میرسید یخهای دریایی آمادهاند تا رکورد کمترین یخ سالانه را جابجا کنند، سرعت ذوب یخها به دلیل دمای اتمسفری پایین کاهش یافت. «ما میدانیم که به شدت به الگوهای آب و هوایی تابستانی واکنش نشان میهد، اما نمیتوانیم پیشبینیهای آب و هوایی خوبی داشته باشیم. پیشبینیپذیری آب و هوا بیشتر از ۱۰ روز نیست.»