在我们迅速变暖的世界中，最紧迫的问题之一是发生在地球两极的海冰的极端损失。 这些脆弱的生态系统在很大程度上依赖于浮冰的存在，正面临着不确定和充满挑战的未来。
为此，气候科学家越来越多地使用人工智能来帮助彻底改变我们对这个重要栖息地的理解，以及我们可以做些什么来拯救它。
对于制定缓解和保护战略至关重要的最紧迫问题之一是北极何时完全无冰。 对于普林斯顿大学（Princeton University）的研究科学家威廉·格雷戈里（William Gregory）来说，降低气候模型的不确定性以制造这样的**是朝着这个目标迈出的一步。
这项研究的灵感来自于需要改进极地地区海冰的气候模型**，并增加我们对海冰未来**的信心。
北极海冰在加速全球气候变化方面发挥着重要作用——通过将太阳辐射反射回太空，极地冰使地球普遍变冷。 然而，由于我们对煤炭、石油和天然气的依赖，气候变化导致极地地区的气温上升速度比世界其他地区快得多——如果海洋温度太高而无法形成冰，地球表面将吸收更多的太阳辐射，导致进一步变暖和冰形成减少。
这就是为什么极地海冰的重要性远远超出了两极。 在不远的将来的某个时候，北冰洋可能在夏季不再有海冰，从而加剧了全球变暖对地球其他地区的影响。
气候模型中的错误，例如缺乏物理和数值近似值，可能会在大气、陆地、海冰和海洋中产生一致的偏差**。 为了克服海冰模型中的这些固有问题，Gregory和他的同事们首次选择了一种应用卷积神经网络的深度学习算法。
我们经常需要近似某些物理定律以节省计算时间，因此我们经常使用一种称为数据同化的过程将气候模型**与观测结果相结合，以产生对气候系统的“最佳猜测”。 最佳猜测模型和原始**之间的差异提供了一条线索，说明我们最初的气候模型是多么错误。
这个想法是，一旦神经网络理解了观测到的海冰的特征，它就可以自行纠正模型，因为它“可以**气候模型的海冰条件是多么错误，而实际上不需要看到任何海冰观测。 格雷戈里解释道。
为此，他们使用了气候模型模拟的变量，例如海洋温度、盐度和海冰速度。 这些变量中的每一个都有助于模型中地球气候的整体情况。
模型状态变量只是由气候模型表示的物理学，“格雷戈里解释道。 “例如，海面温度是一个模型状态变量，对应于海洋顶部两米的温度。
人工智能在气候科学中的应用正在增长，但仍处于起步阶段。 格雷戈里说，他和他的团队现在正在测试他们的神经网络是否可以推广到海冰以外的其他条件。
由于这是一个非常新且活跃的研究领域，因此肯定有一些限制使其令人兴奋，并且弄清楚如何将这种深度学习模型应用于气候**的完整气候模型将是有趣且具有挑战性的。
我是技术创造者