原创 NicholasGolledge AGU美国地球物理学会

一种基于人工智能的新方法可以帮助加速对极地冰融化和未来海平面上升的预测。

在对全球海平面的重要预测中，南极冰架现在和未来的融化量被认为是一个“深度不确定性(deep uncertainty)”的来源。其中一部分原因是，由于所涉及的位置偏远和难以到达冰架空洞，对冰架底部融化的测量极其少见。因此，基于模型的模拟必不可少，而传统的海洋模型运行的计算成本很高。

为了解决这个问题，Burgard等人[2023]开发了一种新方法，使用神经网络和深度学习方法来模拟海洋模型的预测。尽管模拟的融冰还不能与传统模型完美匹配，但该方法在如何对这些具有挑战性的环境进行建模方面向前迈出了重要一步。这是因为统计模型的运行速度通常比传统模型快得多，这意味着这一进展有可能加速和完善未来对融化的预测，从而减少未来海平面上升的不确定性。

一座冰山从南极洲的罗斯冰架上崩解。图片来源：Luis, Adobe Stock

以上点评英文原文发表于：AGU Eos Editors' Highlights，中文翻译仅供参考。

原文作者：Nicholas Golledge, Associate Editor, JAMES

原文链接：https://eos.org/editor-highlights/deep-learning-tackles-deep-uncertainty

Text © 2023. The authors. CC BY-NC-ND 3.0

论文原文

扫码访问原文

https://doi.org/10.1029/2023MS003829