如今，大量資源被用來為極地海域的船只提供有關(guān)海冰擴散的警告。人工智能可以使這些警告更便宜，更快并且對每個人都可用。

對于進入極地海域的船只而言，保持對海冰擴散的控制至關(guān)重要，這意味著要花費大量資源來收集數(shù)據(jù)并確定未來的發(fā)展，以提供可靠的海冰警告。

挪威北極大學(UiT Arctic University)的博士研究員Sindre Markus Fritzner說：“到目前為止，需要大量資源來制作這些冰雪警告，并且大部分是由挪威氣象研究所和類似的中心制作的。”

他受雇于物理和技術(shù)系，最近提交了一篇博士論文，研究了利用人工智能使冰警告比現(xiàn)在更快，更好和更容易獲得的選擇。

需要超級計算機

傳統(tǒng)上，當今使用的冰雪警告?zhèn)鹘y(tǒng)上是基于動態(tài)計算機模型的，該模型帶有衛(wèi)星對冰蓋的觀測數(shù)據(jù)，并且可以收集有關(guān)冰厚度和雪深的任何更新數(shù)據(jù)。這會生成大量數(shù)據(jù)，然后需要強大的超級計算機對其進行處理以提供計算結(jié)果。

Fritzner解釋說：“動態(tài)模型是物理模型，需要處理大量數(shù)據(jù)。如果要對未來事件發(fā)出警告，則需要使用超級計算機。”

這是一種有限且昂貴的資源，這使得在無法訪問正確資源的情況下無法進行這些警告。

人工智能使計算可在常規(guī)筆記本電腦上進行

Fritzner研究了如何在常規(guī)筆記本電腦上使用人工智能比以往更快，更好，更便宜地提供這些海冰警告。

機器學習是人工智能領(lǐng)域中的一個專門領(lǐng)域，在該領(lǐng)域中，統(tǒng)計方法用于讓計算機查找大量數(shù)據(jù)中的模式和一致性。機器學習而不是編程，而一切都取決于開發(fā)算法，使計算機可以根據(jù)經(jīng)驗數(shù)據(jù)進行學習并進行計算。

例如，在弗里茲納(Fritzner)的工作中，他加載了數(shù)據(jù)以查看一個特定星期的發(fā)展情況，然后提供一個星期后的狀況數(shù)據(jù)。

Fritzner說：“因此，這是機器在這兩個星期之間的發(fā)展連貫性，它們可以自我學習，并且可以以此方式預測其發(fā)展方式。”

全面開發(fā)后，與傳統(tǒng)的物理模型相比，這種算法將需要更少的計算能力。

“如果您使用人工智能并擁有經(jīng)過全面訓練的模型，則可以在常規(guī)筆記本電腦上進行這樣的計算，” Fritzner說。

每艘船都可以自己計算

這打開了多個使用領(lǐng)域，其中之一是The High North中更精確的天氣預報。Fritzner還指出，靠近邊緣冰區(qū)的航運業(yè)可以使用這種運輸方式，并且這種運輸方式只會增加。

弗里茲納說：“一個例子就是郵輪交通，對于郵輪來說，知道冰在哪里以及在接下來的幾天里冰將在哪里流動非常重要。”

就目前而言，高分辨率模型無法在船只上運行。他們必須聯(lián)系挪威氣象學院，然后挪威氣象學院需要在超級計算機上運行該模型，然后再將數(shù)據(jù)傳輸回船舶。

“如果您在巴倫支海的一艘船上，則需要連接到網(wǎng)絡才能從挪威氣象研究所下載警告。

Fritzner說：“如果配備了正確的程序和人工智能，則可以通過船只本身完成，而幾乎不需要任何計算能力。”

需要更多的發(fā)展

盡管迄今為止的研究看起來很有希望，但是結(jié)果仍然不如傳統(tǒng)方法，但是機器學習/人工智能的發(fā)展正在如火如荼地進行，弗里茨納對此毫無疑問。

“到目前為止，體驗是好的，但不是完美的。我在比較機器學習和傳統(tǒng)物理模型時觀察到的是它們的速度要快得多，而且只要冰上的變化很小，機器學習就可以很好地發(fā)揮作用。當變化更大，融合很多時，模型比物理模型更費力。” Fritzner解釋說。

他指出，在人工運行模式的挑戰(zhàn)智力只依靠歷史數(shù)據(jù)，而物理模型不斷地適應于像增加熔化和天氣變化較快較大的地球物理變化。

在他的實驗中，弗里茨納使用了溫度，海冰濃度和海溫等數(shù)據(jù)。他認為，可以通過向模型中添加更多數(shù)據(jù)來提高準確性，以便為模型提供更多的警告數(shù)據(jù)。

他說：“特別是如果增加風和冰的厚度，機器學習會更好地工作。”

他認為，進一步的研究和開發(fā)將釋放這種形式的機器學習的巨大潛力。