Прогнозы морского льда на основе ИИ: скорость без надёжности?

Десять лет назад специализированных систем прогнозирования морского льда на основе искусственного интеллекта (ИИ) почти не существовало. Сегодня их десятки, охватывающих оба полюса на временных масштабах от нескольких дней до сезонов. Расчёты, которые когда-то занимали дни на суперкомпьютере, теперь можно выполнить за минуты на ноутбуке. Но скорость и мастерство — не то же самое, что надёжность. Наблюдения, необходимые для создания и стресс-тестирования этих систем, остаются скудными на обоих полюсах.

Observational Requirements in the Context of AI prediction systems for Sea ice (ORCAS) — новое международное научное сообщество — было сформировано, чтобы восполнить этот пробел. ORCAS была создана в 2025 году как рабочая группа Научного комитета по океаническим исследованиям (SCOR) и целевая группа проекта Polar Coupled Analysis and Prediction for Services (PCAPS) Всемирной программы исследований погоды (WWRP). Мы объединяем наблюдательных учёных, разработчиков ИИ и физических моделиров со всего мира, чтобы оценить, какие наблюдения действительно необходимы возникающим системам прогнозирования морского льда на основе ИИ.

Почему наблюдения по-прежнему важнее всего

Системы прогнозирования морского льда превратились в практические инструменты, которые лежат в основе климатических услуг, операционного принятия решений и безопасности высокоширотных сообществ. Коренные общины в Арктике зависят от надёжных прогнозов для безопасных путешествий и охоты. Морские суда нуждаются в прогнозах в почти реальном времени, чтобы избегать опасных льдин. Рыболовство, поисково-спасательные команды и прибрежные планировщики также зависят от точных прогнозов.

Подходы к климатическому моделированию, основанные на процессах и ИИ, менее независимы, чем могут показаться. Модели ИИ часто обучаются на реанализа, полученных из симуляций, основанных на процессах, создавая общую родословную. Оба полагаются на наблюдательные данные для настройки и инициализации или тестирования и обучения моделей. Наблюдения в почти реальном времени, надёжные, легко доступные и хорошо задокументированные, являются краеугольным камнем прогнозирования морского льда, независимо от подхода.

Пробел в наблюдениях

В полярных регионах сбор наблюдательных данных остаётся скудным, неравномерно распределённым и трудным и дорогостоящим для поддержания. Поскольку изменение климата толкает оба полюса к условиям без исторического прецедента, от прогностических систем требуется работать в сценариях, которые плохо представлены в наблюдениях, используемых для их создания и тестирования.

Наблюдения, готовые для ИИ, и наблюдения, ориентированные на процессы, предлагают различные преимущества и вызовы для возникающего сообщества ORCAS. Данные, готовые для ИИ, обычно стандартизированы, прошли контроль качества, сетчатые, хорошо задокументированы и доступны в масштабах, подходящих для ingestion системами машинного обучения. Наблюдения, ориентированные на процессы, напротив, предназначены для раскрытия того, как работает система морского льда, например, через детальные измерения толщины льда, дрейфа и деформации; свойств снега; или обмена теплом между океаном, льдом и атмосферой. Эти наблюдения могут быть локальными, нерегулярными, основанными на кампаниях или трудными для гармонизации, но они уникально ценны для проверки того, являются ли прогнозы физически достоверными, и для предоставления независимых данных, используемых для валидации моделей.

Одной из общих проблем для систем прогнозирования морского льда будет сделать наблюдательные наборы данных более доступными, совместимыми и пригодными для обучения и оценки ИИ — короче говоря, привести их в соответствие с принципами FAIR (находимые, доступные, совместимые и многоразовые).

Построение доверия к прогнозам морского льда на основе ИИ

Быстрое внедрение систем прогнозирования ИИ в науках о Земле поднимает фундаментальный вопрос: как мы обеспечиваем, чтобы эти инструменты были физически последовательными, мастерскими и заслуживающими доверия? Для прогнозирования морского льда это означает тестирование не только того, даёт ли модель точные прогнозы, но и того, является ли её поведение физически разумным, надёжным в различных условиях и полезным в реальном мире.

Такие оценки требуют общих тестовых случаев, общих наборов данных и чётких рамок для прозрачного бенчмаркинга across архитектур ИИ и против традиционных численных моделей. Не менее важна способность прогнозировать out-of-sample события (т.е. те, которые не включены в обучающий набор модели), которые стали increasingly распространёнными в последние годы. Независимая (внешняя) оценка является центральной для этих усилий.

Через ORCAS мы стремимся разработать руководящие принципы для оценки систем прогнозирования морского льда на всех прогностических временных масштабах. Руководящие принципы будут использовать общие сценарии валидации, согласованные наблюдательные наборы данных и метрики, которые связывают производительность модели с реальными процессами морского льда.

Ключевым результатом нашего недавнего ORCAS Community Workshop был вывод о том, что оценка должна выходить за рамки простых метрик точности, чтобы включить наблюдения, ориентированные на процессы. Эти наблюдения должны быть явно связаны across масштабов через целевые метрики (например, дрейф льда, толщина и транспорт). Системы ИИ также должны проверяться на соответствие известным физическим законам и тестироваться на то, может ли модель, обученная в одном регионе, надёжно предсказывать условия в другом.

Наша работа организована вокруг трёх результатов. Первый — это валидационное упражнение, сравнивающее прогнозы ИИ с историческими полевыми кампаниями, через которое мы разработаем многоразовые рамки оценки. Второй — стратегический отчёт о наблюдательных приоритетах для информирования планирования Пятого Международного полярного года. Третий — доступное руководство для новичков в этой области.

Морской лёд находится на одном из самых требовательных рубежей для прогнозирования ИИ. Данные скудны, условия меняются быстрее, чем модели были обучены обрабатывать, и involved физические процессы тесно связаны across масштабов от отдельных льдин до целых океанических бассейнов. Но эти вызовы не уникальны для полярных регионов. Across системы Земли, возможности прогнозирования ИИ также продвигаются быстрее, чем наша коллективная способность их верифицировать.

ORCAS предлагает ответ на этот вызов, с прогностическими системами, основанными на морском льде, но указывающими на нечто более широкое. Наблюдения, которые мы приоритизируем, оценочные рамки, которые мы строим, и стандарты, которые мы разрабатываем, будут иметь значение далеко beyond следующего сезонного прогноза. Правильное решение этого в одной из самых скудных по данным и быстро меняющихся частей планеты предлагает вклад в гораздо более крупные усилия по созданию доверия к прогнозированию ИИ across наук о Земле, в которых мы надеемся, что более широкое сообщество присоединится к нам.

Источники: Eos, AGU, SCOR, WWRP PCAPS, ORCAS, Andersson et al. (2021), Bushuk et al. (2024), Massonnet et al. (2023), Ullrich et al. (2025), Camps-Valls (2026), Rudin (2019).