11 октября 2023 г. состоялся Научный семинар ГЦ РАН, на котором был представлен доклад старшего инженера-исследователя Сколковского института науки и технологий, кандидата физико-математических наук Тимофея Андреевича Григорьева на тему: «Прогнозирование ледовой обстановки в Арктике с помощью методов машинного обучения». Семинар прошел в рамках Научного совета РАН по изучению Арктики и Антарктики (НС РАН по ИАА) под руководством председателя НС академика РАН А. Д. Гвишиани.

Аннотация доклада:

За последние четыре десятилетия наблюдается уменьшение площади арктического морского льда, превышающее 30%, а также уменьшение толщины этого льда. Эти изменения открывают новые возможности для морских маршрутов, но при этом возрастает риск ледяных заторов, угрожающих безопасности судов. В таких условиях оперативные прогнозы сплоченности морского льда становятся ключевым инструментом для нивелирования этих рисков, позволяя судам адаптировать свои маршруты и избегать участков скопления льда.

В данном докладе рассказано о возможностях машинного обучения, и, в частности, глубокого обучения, в прогнозировании сплоченности морского льда. Традиционные численные модели, связывающие океан и лед, требуют значительных вычислительных ресурсов для прогнозирования, в то время как машинное обучение предоставляет более гибкую и эффективную альтернативу в этой задаче.

Доклад сосредоточен на оперативном посуточном прогнозировании сплоченности морского льда в морях Арктики. Для такого прогнозирования использована простая и в то же время эффективная нейронная архитектуру U-Net. Такой подход позволяет создавать оперативные прогнозы сплоченности морского льда в регионах Баренцева, Лабрадорского морей и моря Лаптевых, ключевых для Арктики.

Основные результаты включают:

1. Создание бенчмарк-датасетов, которые могут быть использованы для будущих исследований.
2. Проведение многочисленных экспериментов по прогнозированию сплоченности морского льда с помощью модели U-Net в двух режимах и сравнение результатов с простыми бейзлайнами.
3. Разработку быстрого и надежного инструмента, который предоставляет оперативные прогнозы сплоченности морского льда в регионах Баренцева, Лабрадорского морей и моря Лаптевых.
4. Сравнение производительности модели U-Net в режимах рекуррентного и прямого прогнозирования и выявление преимуществ и недостатков обоих режимов работы.