DOI: https://doi.org/10.1126/sciadv.ady8957
PMID: https://pubmed.ncbi.nlm.nih.gov/41477855
تاريخ النشر: 2026-01-01
المؤلف: William K. Gregory وآخرون
الموضوع الرئيسي: ديناميات الجليد في القطب الشمالي والقطب الجنوبي
نظرة عامة
تقدم هذه القسم إطار عمل نمذجة هجينة يدمج استنتاج التعلم الآلي (ML) في نموذج المناخ GFDL SPEAR لتصحيح انحيازات الجليد البحري خلال التنبؤات الاستعادية العالمية المتكاملة لمدة عام واحد. تقارن الدراسة بين تكوينين هجينين: Hybrid CPL، الذي يتضمن ردود فعل متكاملة بين الجليد والغلاف الجوي والمحيط، وHybrid IO، الذي لا يتضمن ذلك.
تشير النتائج إلى أن Hybrid CPL يحسن بشكل كبير من دقة التنبؤ، مما يقلل بشكل منهجي من الأخطاء الموسمية في القطب الشمالي ويحقق تقليصًا يزيد عن الضعف في توقعات مدى الجليد البحري في القطب الجنوبي خلال فصل الشتاء لفترات زمنية تتراوح بين 4-6 أشهر، وخاصة للأشهر من مايو إلى ديسمبر. بالمقابل، يظهر Hybrid IO مشاكل في الأداء خارج العينة، مما يبرز الدور الحاسم لآليات التغذية الراجعة في تعزيز القدرات التنبؤية لنماذج المناخ.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على التغيرات الكبيرة في غطاء الجليد البحري على الأرض خلال العقود القليلة الماضية، وخاصة في القطب الشمالي، حيث كان هناك ترقق واسع النطاق وتراجع موسمي للجليد البحري. ساهمت هذه الخسارة في ردود فعل مناخية في المناطق العالية، بما في ذلك تضخيم القطب الشمالي، مما أدى إلى ارتفاع درجات الحرارة السطحية بمعدل يقارب أربعة أضعاف المتوسط العالمي. بالمقابل، أظهر الجليد البحري في القطب الجنوبي اتجاهًا إيجابيًا متواضعًا حتى السنوات الأخيرة، عندما أثارت المستويات القياسية المنخفضة في الصيف والشتاء القلق بشأن تحول محتمل في النظام مرتبط بارتفاع درجة حرارة المحيط الجنوبي. تكشف التباينات في نماذج المناخ، وخاصة تلك المقدمة إلى المرحلة السادسة من مشروع المقارنة بين النماذج المتكاملة (CMIP6)، عن تناقضات في محاكاة الاتجاهات التاريخية للجليد البحري، حيث تقدر النماذج عمومًا حساسية القطب الشمالي بشكل أقل وتبالغ في تقدير حساسية القطب الجنوبي تجاه الاحتباس الحراري.
تؤكد الورقة على الحاجة الملحة لتحسين قدرات التنبؤ بالجليد البحري، وخاصة لجليد القطب الجنوبي، حيث تشير الدراسات الحديثة للمقارنة بين النماذج إلى أن النماذج الإحصائية تتفوق على النماذج المناخية المتكاملة في التنبؤ بالتباين الإقليمي. يقترح المؤلفون إطار عمل جديد قائم على التعلم الآلي (ML) لتصحيح الانحياز يهدف إلى تعزيز مهارة التنبؤ بالجليد البحري العالمي. يستخدم هذا الإطار نموذج ML واحد للتنبؤ ببيانات دمج تركيز الجليد البحري عبر جميع تواريخ التهيئة وسنوات التنبؤ، مع معالجة الانحيازات النظامية للنموذج بينما يتضمن ردود فعل متكاملة بين الجليد والغلاف الجوي والمحيط. تمثل هذه الدراسة جهدًا رائدًا لتطبيق استنتاج ML المتكامل على توقعات الجليد البحري العالمية المتكاملة، مما قد يعزز دقة التنبؤات الموسمية إلى متعددة السنوات.
طرق
توضح قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. تفصل المواد المستخدمة، بما في ذلك الكواشف المحددة، والمعدات، وأي عينات بيولوجية، لضمان إمكانية تكرار التجارب. تشمل المنهجية البروتوكولات المتبعة لجمع البيانات، بما في ذلك أي تحليلات إحصائية تم تطبيقها لتفسير النتائج.
بالإضافة إلى ذلك، قد يصف القسم الظروف التجريبية، مثل درجة الحرارة، والمدة، وأي ضوابط تم تنفيذها للتحقق من النتائج. تعتبر الوضوح والدقة في هذا القسم حاسمة للسماح للباحثين الآخرين بتكرار الدراسة والتحقق من نتائجها. بشكل عام، تعتبر الطرق المستخدمة جزءًا لا يتجزأ من نزاهة وموثوقية نتائج البحث المقدمة في الورقة.
نتائج
في هذه الدراسة، أجرى المؤلفون سلسلة من إعادة التنبؤات المستندة إلى التجميع لمدة عام واحد تم تهيئتها في اليوم الأول من كل شهر من يناير 2018 إلى ديسمبر 2023، مما أسفر عن إجمالي 72 توقعًا تجميعيًا للتقييم عبر كلا نصفي الكرة الأرضية. قارنوا بين نموذجين مختلفين من نماذج التعلم الآلي (ML) لتصحيح الانحياز ضمن مجموعات تجريبية منفصلة لإعادة التنبؤ. النموذج الأول، المعروف باسم Hybrid IO، مدرب على توقع بيانات دمج تركيز الجليد البحري (SIC) باستخدام تكوين جليدي-محيطي مدفوع بإعادة تحليل لمدة 36 عامًا، والذي يتضمن دفع درجة حرارة سطح البحر (SST). النموذج الثاني، Hybrid CPL، مدرب على تكوين SPEAR المتكامل بالكامل الذي يدفع SSTs جنبًا إلى جنب مع مجالات الغلاف الجوي ثلاثية الأبعاد، بما في ذلك درجة الحرارة، والرياح، والرطوبة.
تتأثر بيانات التدريب لكلا النموذجين بشكل كبير بالمحيط والغلاف الجوي المدفوع، لكن نموذج Hybrid CPL يسهل بشكل فريد ردود فعل متكاملة بين الجليد والغلاف الجوي والمحيط، على عكس نموذج Hybrid IO. من خلال مقارنة هذه النماذج الهجينة، تهدف الدراسة إلى تقييم أهمية هذه التغذيات الراجعة المتكاملة في تدريب نماذج ML المخصصة للاستخدام في المحاكاة المتكاملة الحرة. جميع النتائج المقدمة في هذا القسم مستمدة من مجالات المتوسط التجميعي، مما يبرز قوة النتائج.
مناقشة
تقييم قسم المناقشة في الورقة البحثية أداء النماذج الهجينة، وخاصة Hybrid IO وHybrid CPL، في توقع تركيز الجليد البحري (SIC) في القطبين الشمالي والجنوبي باستخدام نموذج المناخ GFDL SPEAR. تكشف التحليلات أن Hybrid CPL يتفوق باستمرار على SPEAR في القطب الشمالي، وخاصة للتنبؤات التي تم تهيئتها بين مايو وديسمبر، بينما يظهر Hybrid IO تدهورًا منهجيًا في مهارة التنبؤ خلال نفس الفترة. يُعزى هذا التدهور إلى سلوك خارج العينة المرتبط بانحيازات ملوحة سطح البحر (SSS) والتغذيات الراجعة المتكاملة التي تؤدي إلى انحرافات سلبية في SIC والسماكة، مما يزيد من الخلط العمودي في المحيط ويؤدي إلى ظروف شبه خالية من الجليد في الصيف القطبي الجنوبي.
تؤكد الدراسة على أهمية تدريب نماذج التعلم الآلي (ML) على بيانات تعكس بدقة العمليات المتكاملة بين الجليد والغلاف الجوي والمحيط لتعزيز التعميم عبر الإنترنت في المحاكاة المتكاملة الحرة. على الرغم من أن Hybrid CPL يظهر وعدًا في تحسين الحالة المتوسطة لتوقعات الجليد البحري، إلا أنه يواجه أيضًا تحديات خلال أشهر الصيف في القطب الجنوبي بسبب الانحيازات غير الموجودة في بيانات التدريب. يقترح المؤلفون أن تشمل الأعمال المستقبلية توليد بيانات دمج تركيز الجليد البحري في تكوين حر لتوثيق هذه العمليات المتكاملة بشكل أفضل وتحسين قوة توقعات النموذج. بشكل عام، تسلط النتائج الضوء على إمكانيات أطر تصحيح الانحياز القائمة على ML لتعزيز التنبؤات الموسمية التشغيلية، بينما تشير أيضًا إلى الحاجة لمزيد من التحسين لمعالجة أوجه القصور المحددة في النموذج.
DOI: https://doi.org/10.1126/sciadv.ady8957
PMID: https://pubmed.ncbi.nlm.nih.gov/41477855
Publication Date: 2026-01-01
Author(s): William K. Gregory et al.
Primary Topic: Arctic and Antarctic ice dynamics
Overview
This section presents a hybrid modeling framework that integrates machine learning (ML) inference into the GFDL SPEAR climate model to correct sea ice biases during global fully-coupled 1-year retrospective forecasts. The study compares two hybrid configurations: Hybrid CPL, which incorporates coupled ice-atmosphere-ocean feedbacks, and Hybrid IO, which does not.
The findings indicate that Hybrid CPL significantly improves forecast accuracy, systematically reducing seasonal errors in the Arctic and achieving over twofold error reduction in Antarctic winter sea ice extent forecasts for lead times of 4-6 months, particularly for the months of May to December. In contrast, Hybrid IO demonstrates out-of-sample performance issues, highlighting the critical role of feedback mechanisms in enhancing the predictive capabilities of climate models.
Introduction
The introduction of this research paper highlights significant changes in the Earth’s sea ice cover over the past several decades, particularly in the Arctic, where there has been widespread thinning and seasonal retreat of sea ice. This loss has contributed to high-latitude climate feedbacks, including Arctic amplification, which has resulted in surface temperatures rising at nearly four times the global average. In contrast, Antarctic sea ice exhibited a modest positive trend until recent years, when record low summer and winter extents have raised concerns about a potential regime shift linked to Southern Ocean warming. The variability in climate models, particularly those submitted to the sixth phase of the Coupled Model Intercomparison Project (CMIP6), reveals discrepancies in simulating historical sea ice trends, with models generally underestimating Arctic sensitivity and overestimating Antarctic sensitivity to global warming.
The paper emphasizes the urgent need for improved sea ice prediction capabilities, particularly for Antarctic sea ice, as recent inter-comparison studies indicate that statistical models outperform coupled climate models in predicting regional variability. The authors propose a novel machine learning (ML)-based bias-correction framework aimed at enhancing global sea ice prediction skill. This framework utilizes a single ML model to predict sea ice concentration data assimilation increments across all initialization dates and forecast years, addressing systematic model biases while incorporating coupled ice-atmosphere-ocean feedbacks. This study represents a pioneering effort to apply integrated ML inference to global fully-coupled sea ice forecasts, potentially advancing the accuracy of seasonal-to-interannual predictions.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the materials used, including specific reagents, equipment, and any biological samples, ensuring reproducibility of the experiments. The methodology encompasses the protocols followed for data collection, including any statistical analyses applied to interpret the results.
Additionally, the section may describe the experimental conditions, such as temperature, duration, and any controls implemented to validate the findings. The clarity and precision in this section are crucial for allowing other researchers to replicate the study and verify its outcomes. Overall, the methods employed are integral to the integrity and reliability of the research findings presented in the paper.
Results
In this study, the authors conducted a series of 1-year ensemble-based reforecasts initialized on the first day of each month from January 2018 to December 2023, yielding a total of 72 ensemble forecasts for evaluation across both hemispheres. They compared two distinct machine learning (ML) models for bias correction within separate reforecast experiment suites. The first model, referred to as Hybrid IO, is trained to predict sea ice concentration (SIC) data assimilation (DA) increments using a 36-year reanalysis-forced ice-ocean configuration of the SPEAR model, which incorporates sea-surface temperature (SST) nudging. The second model, Hybrid CPL, is trained on a fully-coupled SPEAR configuration that nudges SSTs along with three-dimensional atmospheric fields, including temperature, wind, and humidity.
The training data for both models are significantly influenced by the nudged ocean and atmosphere, but the Hybrid CPL model uniquely facilitates coupled ice-atmosphere-ocean feedbacks, unlike the Hybrid IO model. By comparing these hybrid models, the study aims to assess the significance of these coupled feedbacks in training ML models intended for use in free-running, fully-coupled simulations. All findings presented in this section are derived from ensemble mean fields, emphasizing the robustness of the results.
Discussion
The discussion section of the research paper evaluates the performance of hybrid models, specifically Hybrid IO and Hybrid CPL, in predicting sea ice concentration (SIC) in the Arctic and Antarctic using the GFDL SPEAR climate model. The analysis reveals that Hybrid CPL consistently outperforms SPEAR in the Arctic, particularly for forecasts initialized between May and December, while Hybrid IO exhibits systematic degradation in forecast skill during the same period. This degradation is attributed to out-of-sample behavior related to sea surface salinity (SSS) biases and coupled feedbacks that lead to negative SIC and thickness anomalies, exacerbating ocean vertical mixing and resulting in near ice-free conditions in the Antarctic summer.
The study underscores the importance of training machine learning (ML) models on data that accurately reflects coupled ice-atmosphere-ocean processes to enhance online generalization in free-running simulations. Although Hybrid CPL shows promise in improving the mean state of sea ice forecasts, it also faces challenges during Antarctic summer months due to biases not present in the training data. The authors suggest that future work should involve generating sea ice data assimilation increments in a free-running configuration to better capture these coupled processes and improve the robustness of the model’s predictions. Overall, the findings highlight the potential of ML-based bias correction frameworks to enhance operational seasonal predictions, while also indicating the need for further refinement to address specific model deficiencies.