DOI: https://doi.org/10.1038/s41612-026-01347-2
تاريخ النشر: 2026-02-04
المؤلف: Yanqin Li وآخرون
الموضوع الرئيسي: ديناميات الجليد في القطب الشمالي والقطب الجنوبي
نظرة عامة
تبحث الدراسة في التغيرات الكبيرة في مدى جليد البحر في القطب الشمالي (SIE) على مدى العقود الأربعة الماضية، منسوبة بشكل أساسي إلى درجة حرارة سطح البحر الشاذة (SST) في المحيطات خارج القطب. تستخدم الدراسة نموذج شبكة عصبية عميقة (DNN) لإعادة بناء تقلبات SIE في القطب الشمالي بشكل مستقل باستخدام بيانات شذوذ SST اليومية من المحيط الهادئ والأطلسي والهندي. تشير النتائج إلى أن نموذج DNN، وخاصة عند استخدام بيانات SST من المحيط الأطلسي، يقدم أكثر إعادة بناء دقيقة ومستقرة لـ SIE في القطب الشمالي، متفوقًا على نماذج الانحدار الخطي التقليدية.
تظهر النتائج الرئيسية أن البحر الكاريبي والتيار الخلاني هما منطقتان حرجتان حيث يؤثر تقلب SST بشكل كبير على SIE في القطب الشمالي. تؤكد الدراسة على قدرة DNN على التقاط الاتصالات المعقدة وتبرز الدور الحاسم لتقلبات SST الأطلسية بين السنوات في التأثير على ديناميات جليد البحر في القطب الشمالي، على الأرجح من خلال شذوذ تدفق الحرارة الكامنة المدفوعة بـ SST. تؤكد هذه الدراسة على ضرورة فهم تقلبات SST الأطلسية لتحسين توقعات تغيرات جليد البحر في القطب الشمالي.
مقدمة
شهدت منطقة القطب الشمالي ارتفاعًا في درجات الحرارة بمعدل يزيد عن أربعة أضعاف المتوسط العالمي من 1979 إلى 2021، مصحوبًا بانخفاض كبير في جليد البحر، مما له آثار عميقة على أنماط المناخ والأحداث الجوية المتطرفة. بينما يُنسب الانخفاض طويل الأمد في جليد البحر بشكل أساسي إلى انبعاثات غازات الدفيئة الناتجة عن الأنشطة البشرية، لعبت التقلبات المناخية الداخلية أيضًا دورًا كبيرًا، حيث ساهمت بين 20% إلى 50% في الانخفاض الملحوظ. يعد فهم التفاعل بين عوامل المناخ المختلفة، وخاصة شذوذات درجة حرارة سطح البحر (SST) في المحيطات الهادئة والأطلسية والهندية، أمرًا حيويًا لتحسين توقعات جليد البحر المستقبلية. ومن الجدير بالذكر أن التذبذب العقدي الهادئ (PDO) والتذبذب المتعدد العقود الأطلسي (AMO) تم تحديدهما كمحركات رئيسية لتقلب SST التي تؤثر على جليد البحر في القطب الشمالي، حيث يرتبط الطور السلبي لـ PDO بفقدان جليد البحر المتسارع من خلال تغييرات في دوران الغلاف الجوي.
على الرغم من الأبحاث الواسعة حول تأثير SSTs خارج القطب على جليد البحر في القطب الشمالي، توجد تناقضات بين البيانات الملاحظة ومحاكاة نماذج المناخ، خاصة فيما يتعلق بقوة واتجاه هذه العلاقات. تواجه الطرق الملاحظة التقليدية قيودًا، مثل عدم القدرة على التقاط الاستجابات غير الخطية وإخفاء الإشارات عالية التردد. لمعالجة هذه التحديات، تقترح الدراسة نهج التعلم العميق لتحليل تأثيرات SST على جليد البحر في القطب الشمالي باستخدام البيانات الملاحظة. من خلال استخدام إطار عمل شبكة عصبية عميقة (DNN)، تهدف الدراسة إلى إعادة بناء سلسلة زمنية لمدى جليد البحر في القطب الشمالي (SIE) من مجالات SST اليومية واستخدام تقنيات الذكاء الاصطناعي القابلة للتفسير لتحديد المناطق الحرجة لـ SST وتعزيز قابلية تفسير النموذج، مما يوضح الآليات الفيزيائية الأساسية التي تؤثر على تقلب جليد البحر في القطب الشمالي.
طرق البحث
تستخدم الدراسة ثلاثة تجارب متميزة لشبكة عصبية عميقة (DNN) لتحليل تأثير الظروف المحيطية على جليد البحر في القطب الشمالي. تطور التجربة الأولى نماذج DNN مستقلة باستخدام مجالات شذوذ درجة حرارة سطح البحر (SST) اليومية من أحواض المحيط الهادئ والأطلسي والهندي، مع أوقات قيادة محسّنة تبلغ 60 و20 و30 يومًا، على التوالي، تم تحديدها من خلال تحليل الحساسية. تبحث التجربة الثانية في الآليات الفيزيائية التي تكمن وراء الاتصال بين الأطلسي والقطب الشمالي من خلال تحليل بيانات ERA5 اليومية، مع التركيز على مختلف شذوذات تدفق الحرارة الكامنة (LHF) المدفوعة بـ SST والظروف الجوية بفارق 20 يومًا. تقيم التجربة الثالثة الخصائص الزمانية والمكانية لـ SST الأطلسي باستخدام بيانات OISST الشهرية المتزامنة، والتي يتم تحليلها من خلال الدوال المتعامدة التجريبية (EOF) وتحليل الارتباط بالميزات المحلية (LFCA) وتحليل الارتباط بالميزات البايزية (BFCA). يتم التحقق من صحة هذا النهج من خلال الاختبارات المقارنة التي تظهر تفوقه على تكوينات شهرية بفارق شهر واحد مع الحفاظ على أداء مماثل للنماذج اليومية المثلى.
تستخدم جميع التجارب مقاييس تقييم متسقة، وهي خطأ المربعات المتوسطة (MSE) ومعامل الارتباط (R) المشتق من سلسلة زمنية لمدى جليد البحر (SIE) المتوسطة الشهرية، لضمان إمكانية المقارنة عبر دقة زمنية مختلفة وتكوينات إدخال متنوعة. يسمح هذا الإطار المنهجي بفهم شامل لتأثيرات الظروف المحيطية على ديناميات جليد البحر في القطب الشمالي على مدى السنوات والعقود.
النتائج
يقدم قسم “النتائج” من ورقة البحث النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. يوضح النتائج التي توصلت إليها الدراسة، مع تسليط الضوء على نقاط البيانات والاتجاهات المهمة التي تم ملاحظتها. غالبًا ما تدعم النتائج تحليلات إحصائية، قد تشمل قيم p، فترات الثقة، أو مقاييس أخرى ذات صلة تؤكد النتائج.
بالإضافة إلى ذلك، قد يتضمن القسم تمثيلات بصرية مثل الرسوم البيانية أو الجداول لتوضيح البيانات بشكل أكثر فعالية. تساعد هذه الوسائل البصرية في تعزيز فهم القارئ للنتائج وآثارها. بشكل عام، تسهم النتائج في السياق الأوسع لسؤال البحث، مقدمة رؤى قد تفيد الدراسات المستقبلية أو التطبيقات العملية في المجال المعني.
المناقشة
في هذه الدراسة، تم استخدام إطار عمل شبكة عصبية عميقة (DNN) لتقييم تأثير شذوذات درجة حرارة سطح البحر (SST) خارج القطب على مدى جليد البحر في القطب الشمالي (SIE) من 1982 إلى 2022. ركزت الدراسة على ثلاثة نماذج محددة للمحيطات—PacDNN وAtlDNN وIndDNN—باستخدام بيانات SST اليومية لإعادة بناء SIE. أشارت النتائج إلى أن DNN القائم على المحيط الأطلسي (AtlDNN) قدم أكثر إعادة بناء دقيقة ومستقرة لـ SIE، خاصة مع شذوذات SST التي تسبق تغييرات SIE بحوالي 20 يومًا. تم تحديد المناطق الرئيسية من خلال تقنيات الذكاء الاصطناعي القابلة للتفسير (XAI)، وخاصة البحر الكاريبي والتيار الخلاني، حيث وُجد أنها تسهم بشكل كبير في العلاقة بين SST وSIE، مما يبرز أهمية هذه المناطق في التأثير على تقلب جليد البحر في القطب الشمالي.
كشفت التحليلات أنه بينما أظهرت النماذج الثلاثة درجات متفاوتة من الارتباط مع SIE الملاحظ، تفوق AtlDNN باستمرار على الآخرين، محققًا خطأ المربعات المتوسطة (MSE) قدره 0.22 ومعامل ارتباط (R) قدره 0.48. في المقابل، أظهرت النماذج الهادئة والهندية ارتباطات غير مستقرة وأداءً أضعف بشكل عام. أظهرت الدراسة أيضًا أن AtlDNN تمكنت من التقاط إشارات SST ذات التردد المنخفض والسنوية، والتي غالبًا ما يتم تجاهلها في نماذج الانحدار الخطي التقليدية. يُعزى هذا القدرة إلى قدرة DNN على نمذجة العمليات الجوية غير الخطية المعقدة، خاصة تلك التي تتوسطها شذوذات تدفق الحرارة الكامنة (LHF). تؤكد النتائج على ضرورة إجراء أبحاث مستقبلية لاستكشاف الآليات المحددة التي تربط بين تقلبات LHF المدفوعة بـ SST وتغيرات جليد البحر في القطب الشمالي، فضلاً عن الآثار الأوسع لهذه التفاعلات في سياق تغير المناخ.
DOI: https://doi.org/10.1038/s41612-026-01347-2
Publication Date: 2026-02-04
Author(s): Yanqin Li et al.
Primary Topic: Arctic and Antarctic ice dynamics
Overview
The research investigates the significant changes in Arctic sea ice extent (SIE) over the past four decades, attributing these changes primarily to anomalous sea surface temperature (SST) in extra-polar oceans. The study employs a deep neural network (DNN) model to independently reconstruct Arctic SIE variability using daily observational SST anomaly data from the Pacific, Atlantic, and Indian Oceans. The results indicate that the DNN model, particularly when utilizing Atlantic SST data, yields the most accurate and stable reconstructions of Arctic SIE, outperforming traditional linear regression models.
Key findings reveal that the Caribbean Sea and the Gulf Stream are critical regions where SST variability significantly impacts Arctic SIE. The study emphasizes the DNN’s ability to capture complex teleconnections and highlights the crucial role of interannual Atlantic SST variations in influencing Arctic sea ice dynamics, likely through SST-driven latent heat flux anomalies. This research underscores the necessity of understanding Atlantic SST variability to better predict Arctic sea ice changes.
Introduction
The Arctic region has experienced warming at a rate over four times that of the global average from 1979 to 2021, accompanied by a significant decline in sea ice, which has profound implications for climate patterns and extreme weather events. While the long-term decrease in sea ice is primarily attributed to anthropogenic greenhouse gas emissions, internal climate variability has also played a substantial role, contributing between 20% to 50% to the observed decline. Understanding the interplay between various climate factors, particularly sea surface temperature (SST) anomalies in the Pacific, Atlantic, and Indian Oceans, is crucial for improving future sea ice projections. Notably, the Pacific Decadal Oscillation (PDO) and the Atlantic Multidecadal Oscillation (AMO) are identified as key drivers of SST variability that influence Arctic sea ice, with the negative-phase PDO linked to accelerated sea ice loss through atmospheric circulation changes.
Despite extensive research on the influence of extra-polar SSTs on Arctic sea ice, discrepancies exist between observational data and climate model simulations, particularly regarding the strength and direction of these relationships. Traditional observational methods face limitations, such as the inability to capture nonlinear responses and the masking of high-frequency signals. To address these challenges, the study proposes a deep learning approach to analyze the influences of SST on Arctic sea ice using observational data. By employing a deep neural network (DNN) framework, the research aims to reconstruct Arctic sea ice extent (SIE) time series from daily SST fields and utilize explainable AI techniques to identify critical SST regions and enhance model interpretability, thereby elucidating the underlying physical mechanisms driving Arctic sea ice variability.
Methods
The study employs three distinct deep neural network (DNN) experiments to analyze the influence of oceanic conditions on Arctic sea ice. The first experiment develops independent DNN models utilizing daily sea surface temperature (SST) anomaly fields from the Pacific, Atlantic, and Indian Ocean basins, with optimized lead times of 60, 20, and 30 days, respectively, determined through sensitivity analysis. The second experiment investigates the physical mechanisms underlying the Atlantic-Arctic teleconnection by analyzing daily ERA5 data, focusing on various latent heat flux (LHF) anomalies driven by SST and atmospheric conditions at a 20-day lead. The third experiment assesses the spatiotemporal characteristics of Atlantic SST using concurrent monthly OISST data, which is decomposed through empirical orthogonal functions (EOF), local feature correlation analysis (LFCA), and Bayesian feature correlation analysis (BFCA). This approach is validated against comparative testing that demonstrates its superiority over 1-month lead monthly configurations while maintaining performance comparable to optimal daily models.
All experiments utilize consistent evaluation metrics, specifically mean squared error (MSE) and correlation coefficient (R) derived from monthly-averaged sea ice extent (SIE) time series, to ensure comparability across varying temporal resolutions and input configurations. This methodological framework allows for a comprehensive understanding of the interannual-to-decadal influences of oceanic conditions on Arctic sea ice dynamics.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments or analyses. It details the outcomes of the study, highlighting significant data points and trends observed. The results are often supported by statistical analyses, which may include p-values, confidence intervals, or other relevant metrics that validate the findings.
Additionally, the section may include visual representations such as graphs or tables to illustrate the data more effectively. These visual aids serve to enhance the reader’s understanding of the results and their implications. Overall, the findings contribute to the broader context of the research question, offering insights that may inform future studies or practical applications in the relevant field.
Discussion
In this study, a deep neural network (DNN) framework was employed to assess the influence of extra-polar sea surface temperature (SST) anomalies on Arctic sea ice extent (SIE) from 1982 to 2022. The research focused on three ocean-specific models—PacDNN, AtlDNN, and IndDNN—utilizing daily SST data to reconstruct SIE. The results indicated that the Atlantic-based DNN (AtlDNN) provided the most accurate and stable SIE reconstructions, particularly with SST anomalies leading SIE changes by approximately 20 days. Key regions identified through explainable artificial intelligence (XAI) techniques, specifically the Caribbean Sea and Gulf Stream, were found to significantly contribute to the SST-SIE relationship, highlighting the importance of these areas in influencing Arctic sea ice variability.
The analysis revealed that while all three models exhibited varying degrees of correlation with observed SIE, AtlDNN consistently outperformed the others, achieving a mean squared error (MSE) of 0.22 and a correlation coefficient (R) of 0.48. In contrast, the Pacific and Indian models showed nonstationary correlations and weaker overall performance. The study further demonstrated that AtlDNN effectively captured both low-frequency and interannual SST signals, which are often overlooked in traditional linear regression models. This capability is attributed to the DNN’s ability to model complex nonlinear atmospheric processes, particularly those mediated by latent heat flux (LHF) anomalies. The findings underscore the necessity for future research to explore the specific mechanisms linking SST-driven LHF variations to Arctic sea ice changes, as well as the broader implications of these interactions in the context of climate change.