Satellitter har målt utbredelsen av Polhavets havisen siden slutten av 70-tallet. Men først siden 2010 er de også i stand til å måle istykkelsen og dermed overvåke nedgangen i det totale isvolumet. Denne informasjonen ville vært uvurderlig for klimastudier, hvis bare disse nye satellittene hadde blitt sendt i bane ti år tidligere. Siden vi har ingen tidsmaskin, kan vi lære nok fra det siste tiåret (siden 2010) til å rekonstruere et tidligere tiår? Vi har en numerisk modell som kan reprodusere den kjente fysikken og assimilere satellittmålinger av hav og isen i løpet av det godt observerte tiåret; dette er et veletablert verktøy, men det kan ikke assimilere istykkelsen målt før satellittene: forskningstokt, eldre satellitter og proxy-målinger fordi de er spredt for tynnt. Et nyere verktøy introdusert av TARDIS-teamet kombinerer dataassimilering og maskinlæring for å bygge datadrevne relasjoner mellom istykkelsen og andre faktorer. Verktøyet er utviklet og validert mot uavhengige fortøyningsdata i år, og har vist seg mer nøyaktig enn en enkel korreksjon. For å ytterligere forbedre havisens tykkelsesrekonstruksjon etter klasser av istykkelse, har vi utnyttet den nye satellitten IceSAT2 som gir flere tusen av istykkelsesmålinger innenfor en enkelt modellnettcelle. Dette er treningsdataene våre for å lære subgrid-skala sannsynlighetsfordelingen av istykkelsen, som inneholder minnet om havisens utvikling, og er derfor en nøkkelinformasjon for å reversere historien.
TARDIS bruker denne metoden for å rekonstruere tidligere istykkelse for klimastudier. Hvis TARDIS lykkes med sine tidsreiser og romlig interpolasjon over den arktiske havisen, vil teamet vurdere analoge anvendelser av samme metodikk I andre klimastudier.
The project will explore two possible ways to extend Data Assimilation (DA) techniques using Machine Learning (ML).
The first will reconstruct a Sea Ice Thickness (SIT) in a past period when satellite data was incomplete. The second ML approach will be trained to retrieve the unobserved subgrid-scale Ice Thickness Distribution (ITD).
TARDIS will start from a DA reanalysis of the Arctic Ocean (without ML), it will then carry out a multivariate statistical exploratory analysis to select auxiliary variables interest to train the ML networks.
The selection and testing of different ML algorithms will be done on the most recent 10 years, when satellite SIT observations are gapless. The empirical relationships between SIT and predictor variables will then be extrapolated to extend the SIT time series to the previous decade and retrieve the ITD after DA. Independent in situ data will be used to tune the ML hyperparameters.
The oceanographic interpretation of the new dataset in terms of Arctic heat budget will also be carried out within TARDIS.
The project will last for 4 years, and will employ researchers working at the Nansen Center, plus a 3-years post doc to be recruited and a remote sensing expert at NORCE. International partners in China will contribute to the interpretation of the results, while partners in France and UK will bring expertise in ML and DA techniques.
The acronym TARDIS refers to a device able to travel in time and space in the British cult series Doctor Who.