“可预测未来1年”……UNIST开发北极海冰浓度预测AI模型
Im Jeongho教授团队基于UNET深度学习预测海冰浓度
平均预测误差不足6%…最长可预测1年
一种能够预测最长达1年后北极海冰变化的人工智能（AI）模型已经问世。
该模型可提供中长期预测信息，有望在北极航道开发、海洋资源勘探等领域发挥作用。
蔚山科学技术院（UNIST，总长 Park Jongrae）城市环境工程系 Im Jeongho 教授团队开发出一种人工智能模型，能够在误差不超过6%的范围内预测1年后的北极海冰浓度。海冰浓度是指单位面积中被冰覆盖区域的比例。
研究团队利用 UNET，学习了过去北极海冰浓度的变化模式以及气温、海水温度、太阳辐射量、风等主要气候因素之间的复杂关系，从而开发出这一人工智能模型。UNET 是一种深度学习算法，可让人工智能学习卫星图像等影像数据之间的关系。
该模型在中长期预报中展现出较高的准确度。通过将人工智能模型的预测值与过去的实际海冰浓度值进行比较来评估准确度，结果显示，在3个月、6个月和12个月的预测中，平均预测误差均低于6%。而既有模型在预测期越长时，平均预测误差越大。
此外，该模型在海冰异常急剧减少的情况下也表现出稳定的预测性能。以2007年、2012年夏季等海冰急剧融化的情况为例，既有模型的平均预测误差为17.35%，而新开发的人工智能模型的平均预测误差为7.07%，平均预测误差降至原来的一半以下。
研究团队还揭示了在海冰浓度中长期预测中发挥重要作用的气候要素。对 UNET 模型预测结果之间的差异进行分析后发现，在冰层较薄的海冰边缘区域，太阳辐射热和风是起主要作用的变量。
Im Jeongho 教授表示：“本研究克服了既有物理基础模型的局限，阐明了多种环境因素对北极海冰变化产生的复合影响”，“有望为制定北极航道开发、海洋资源勘探以及应对气候变化的政策提供帮助”。
该研究于12月11日在线发表在国际学术期刊《环境遥感》（Remote Sensing of Environment）上，并在极地研究所和海洋水产部的支持下完成。
版权所有 © 阿视亚经济 (www.asiae.co.kr)。 未经许可不得转载。
