Denne artikkelen er produsert og finansiert av UiT Norges arktiske universitet - les mer.

For fartøy som ferdes i polare havstrøk er det kritisk å ha kontroll på utbredelsen av sjøisen.
For fartøy som ferdes i polare havstrøk er det kritisk å ha kontroll på utbredelsen av sjøisen.

Kunstig intelligens kan gjøre varsling av sjøis enklere

Store ressurser brukes på å gi fartøy i polare hav pålitelige varsler om utbredelsen av sjøis. Kunstig intelligens kan gjøre dette mye billigere og raskere.

Publisert

For fartøy som ferdes i polare havstrøk er det kritisk å ha kontroll på utbredelsen av sjøisen. Derfor brukes det store ressurser på å hente inn data og beregne utviklingen frem i tid for å gi pålitelige sjøisvarsler.

– I dag bruker Meteorologisk institutt og andre varslingssentre store ressurser på å lage disse isvarslingene, sier Sindre Markus Fritzner, stipendiat ved Institutt for fysikk og teknologi på UiT Norges arktiske universitet.

Han har nylig avlagt en doktorgrad der han så på muligheten for å bruke kunstig intelligens til å gjøre isvarslingen raskere, bedre og mye mer tilgjengelig enn det er i dag.

Dagens varsler krever superdatamaskiner

Dagens isvarslinger er basert på dynamiske datamodeller som mates med satellittobservasjoner av isdekket og oppdatert data på istykkelse og snødybde.

Dette genererer heftige datamengder og det må derfor kraftige superdatamaskiner til for å kjøre disse beregningene.

– Dynamiske modeller er fysiske modeller og krever mye data. Skal du varsle fremover i tid, så må du bruke en superdatamaskin, forklarer Fritzner.

Dette er en begrenset og kostbar ressurs og gjør at slike varslinger bare kan gjøres med tilgang til de rette ressursene.

Med kunstig intelligens går det på laptop

Fritzner har sett på hvordan kunstig intelligens kan brukes for å gi slike sjøisvarsler raskere, bedre og billigere – på en helt vanlig laptop.

Maskinlæring er et felt innen kunstig intelligens, hvor man bruker statistiske metoder for å la datamaskiner finne sammenhenger i store datamengder.

Maskinen lærer i stedet for å bli programmert. Det handler om å utvikle algoritmer som gjør datamaskiner i stand til å lære fra og utføre beregninger basert på empiriske data.

Fritzner lastet inn data for hvordan isen ser ut en bestemt uke, og deretter data for hvordan den ser ut en uke senere.

– Maskinen lærer seg selv sammenhengen mellom utviklingen i disse ukene. På den måten kan den beregne utviklingen videre, sier Fritzner.

Ferdig utviklet vil en slik algoritme kreve langt mindre datakraft enn en tradisjonell fysisk modell.

– Bruker du kunstig intelligens og har en ferdig trent modell, så kan du kjøre en beregning av sjøisvarsler på en vanlig laptop, sier Sindre Markus Fritzner.
– Bruker du kunstig intelligens og har en ferdig trent modell, så kan du kjøre en beregning av sjøisvarsler på en vanlig laptop, sier Sindre Markus Fritzner.

Hvert fartøy kan beregne på egen hånd

Dette åpner opp for flere bruksområder, blant annet kan det gi mer nøyaktige værmeldinger i nordområdene.

I tillegg peker Fritzner på at det kan brukes av skipsfart som beveger seg i nærheten av iskanten, en type trafikk som bare øker.

– Du har for eksempel cruisetrafikken. For dem blir det veldig viktig å vite hvor isen er og hvordan den vil bevege seg de neste dagene, sier han.

Slik det er nå, kan det ikke kjøres høyoppløste modeller på skipet. De må kontakte Meterologisk institutt, som så kjører modellen på en superdatamaskin, før de sender data tilbake til skipet.

– Er du ute på et skip i Barentshavet, så er du dermed avhengig av nettdekning for å laste ned varslene fra Meterologisk institutt. Utstyrt med rett program og kunstig intelligens så kan du kjøre dette selv på skipet. Det krever nesten ikke datakraft, sier Fritzner.

Krever mer utvikling

Selv om forskningen så langt virker lovende, er det fortsatt ikke like bra som de tradisjonelle metodene, men utviklingen av maskinlæring og kunstig intelligens går for fullt. Fritzner er ikke i tvil om mulighetene som ligger i dette.

– Erfaringene så langt er bra, men de er ikke perfekte. Det jeg så når jeg sammenlignet maskinlæring med de fysiske tradisjonelle modellene, er at de er mye raskere. Så lenge det var små endringer i isen, så var maskinlæring veldig bra.

– Når det var større endringer, med mye smelting, så slet modellene mer enn de fysiske modellene, forklarer Fritzner.

Han peker på at utfordringen er at modellene som kjører kunstig intelligens, bare baserer seg på historiske data, mens de fysiske modellene hele tiden tilpasses store endringer, som for eksempel stor smelting og hurtige værendringer.

I sine forsøk brukte Fritzner data som temperatur, konsentrasjon av sjøis og havtemperatur. Han tror nøyaktigheten kan økes ved å tilføre mer data til modellen, slik at den har et bredere datagrunnlag for varslingene.

– Særlig hvis du tar med vind og istykkelse, så vil maskinlæringen fungere mye bedre, sier han.

Han tror videre forskning og utvikling vil kunne frigjøre det store potensiale som ligger i denne formen for maskinlæring.

Referanse:

Sindre Markus Fritzner: On sea-ice forecasting. Doktoravhandling ved UiT Norges arktiske universitet, 2020. Sammendrag.