Se for deg at du står i utkanten av et vidstrakt, frossent landskap, hvor arktisk havis strekker seg så langt du kan se. Overflaten er ikke glatt, men fylt med skrugarder og dype råker. Råker er lange, rette åpninger i isen som lar vann møte den kalde luften, og noen ganger dannes det ny is. Skrugarder er hauger med is presset sammen, titalls meter brede og ofte omtrent en meter høye. Isbevegelse rundt råker og skrugarder skaper mønstre av isbevegelse kalt Linear Kinematic Features (LKF-er), som vi kan observere med satellitter og som er et velkjent kjennetegn ved det arktiske havisdekket. Nåværende havismodeller sliter imidlertid med å representere LKF-er nøyaktig. I MuSIC utvikler vi en ny modell for å simulere isbevegelse bedre og forbedre hvordan klimamodeller representerer LKF-er.
I løpet av MuSICs første år introduserte vi en ny modell for havisbevegelse kalt Brittle Bingham-Maxwell-reologi (BBM). BBM skiller seg ut fordi den kan vise detaljert bevegelse og isbrytning i mye mindre skala enn eldre modeller. Tradisjonelle modeller overså ofte disse små, men betydningsfulle endringene, som er nøkkelen til å forstå hvordan is oppfører seg. BBM fanger ikke bare opp disse detaljene, men sporer også endringer i istykkelse mer nøyaktig. Å kunne simulere både småskalaegenskaper og langsiktige endringer hjelper oss med å forstå isens oppførsel bedre og gir nye måter å forutsi endringer i Arktis på.
Arktisk havis er tett knyttet til havet og atmosfæren. For å studere dette satte vi opp en modell som kobler neXtSIM-havismodellen, hvor vi utviklet BBM, til den velkjente NEMO-havmodellen. Å legge til en ny del, som BBM, i et kombinert system kan være vanskelig, men det har hjulpet oss med å forstå bedre hvordan is og hav samhandler. Vi fant ut at når isen brytes opp og beveger seg mer, påvirker det havet nedenfor ved å styrke den såkalte Ekman-pumpingen, som midlertidig kan la havet lagre mer ferskvann. Vi har også vist at vi kan bruke dette oppsettet til å analysere endringer i istykkelse og isalder de siste 20 årene. Vi bruker for tiden dette oppsettet til å studere polynyer, som er store åpninger i isen, vanligvis dannet nær kysten. Disse har stor innvirkning på det lokale samspillet mellom atmosfæren og havet i Arktis, og med BBM i neXtSIM, koblet til NEMO, kan vi studere dem nærmere enn noen gang før.
Ved å bygge på det vi har lært, brukte vi satellittbilder av is til å utvikle en ny metode for å sammenligne modeller med satellittobservasjoner. Tradisjonelle analysemetoder innen geofag har begrensninger, så vi vendte oss til datasyn og maskinlæring, omtrent som ansiktsgjenkjenning. Denne nye tilnærmingen har hjulpet oss med å se hvordan BBM reagerer på ulike inngangsinnstillinger, noe som gjør det lettere å forstå og justere modellen. Det lar oss også finjustere modellen avhengig av oppløsning, noe som er viktig for både praktisk bruk og vitenskapelig forskning. Dette rammeverket vil hjelpe oss med å fortsette å forbedre resultatene våre og støtte en bredere bruk av BBM i havismodelleringsmiljøet.
For å bruke BBM i høyoppløselige havismodeller for globale simuleringer trenger vi den nyeste maskinvaren. Superdatamaskiner går fra CPU-er, som finnes i de fleste datamaskiner, til GPU-er, som finnes i grafikkort til spill. Programmering for GPU-er er nytt og utfordrende, og ikke mange eksperter kan oppdatere geofysiske modeller for dem. MuSIC-forskere har slått seg sammen med disse ekspertene og laget en versjon av neXtSIM-havismodellen som kjører BBM på en GPU. Denne prototypen viser at BBM kan kjøre mye raskere og med høyere oppløsning på en GPU. Tidlige tester viser at den kan være opptil 6 ganger raskere på en GPU enn på en CPU. Med denne hastigheten kan vi kjøre mer detaljerte simuleringer og levere mer nøyaktige klimaprognoser, noe som hjelper forskere med å svare på presserende klimaspørsmål og forbedre forståelsen av Arktis.
Through neXtSIM and the BBM, MuSIC has already contributed substantially to the work of the sea-ice physics group at the Nansen Centre, as noted in section \ref{sec:results}. The broader significance of the work carried out in MuSIC lies in the development of BBM and in demonstrating that it is a viable new way to model sea ice. We hope researchers outside the MuSIC group will take up this development and that BBM will eventually become the default method for simulating sea ice.
In parallel, we have implemented BBM in the SI3 sea-ice model, which is used by default in the NEMO ocean model (Brodeau et al., 2024). This is the most widely used sea-ice model in Europe and one of the most widely used in the world. We are aware of two groups of researchers in Europe who have started using this code, but neither has published their results so far.
By making its way into sea-ice models worldwide, we hope that the development of BBM in MuSIC will help improve the simulation of Arctic sea-ice and ocean processes in regional and global climate models. We have already shown that the new physics yields improved ice and ocean simulations, but much remains to be explored in this context.
An unexpected result of our work in MuSIC is the interest the model's results have generated within the Artificial Intelligence community. The Arctic sea-ice cover is very heterogeneous, and emulating this with AI is a substantial challenge. AI researchers have therefore shown interest in neXtSIM results because the model realistically reproduces this heterogeneity and allows us to generate a copious amount of data to train AI models (e.g. Durand et al., 2024; Finn et al., 2024; Brajard et al., 2024).
References:
J. Brajard et al. Super-resolution of satellite observations of sea ice thickness using diffusion models and physical modeling. Eur. Geosci. Union Gen. Assembly 2024 (EGU24), p. 3826, 2024.
C. Durand et al. Data-driven surrogate modeling of high-resolution sea-ice thickness in the Arctic. The Cryosphere, 18(4):1791–1815, 2024. doi:10.5194/tc-18-1791-2024.
T. S. Finn et al. Towards diffusion models for large-scale sea-ice modelling. 2024. doi:10.48550/arXiv.2406.18417.
The Arctic sea-ice cover is not a continuous stretch of pristine ice but rather crisscrossed by ridges and leads, which are the result of the constant drift of the ice. The signature of this can be seen in the large-scale drift in a phenomenon referred to as Linear Kinematic Features (LKFs). Commonly used large-scale sea-ice models struggle to capture the relevant properties of LKFs, especially when run at a resolution commonly used for climate simulations. The team behind this proposal is now ready to propose a new sea-ice dynamics model which, unlike previous attempts, can both capture LKF properties and is suitable for climate applications. The proposed model will also improve the long-term pan-Arctic drift of the ice, capturing the multi-scale nature of sea-ice dynamics.
In MuSIC we will address the simulation of drift and deformation of the ice at climate scales, both spatial and temporal. This will consist of a study of the large scale drift, focusing on seasonal variations and the long term trend attributed to climate change. We will then undertake another study showing the importance of correctly simulating the flux of heat through leads at different model resolutions and how the new model makes this possible.
Proper tuning and understanding of the role of different model parameters are necessary before using the model in a large-scale setting, and this need will be addressed by MuSIC. Here we will take advantage of the wealth of satellite observations available of the Arctic, as well as novel machine learning methods to constrain model parameters and improve our understanding of how to tune the model in different settings.
Computational efficiency is ever important in climate modelling. In MuSIC we will spend considerable time ensuring that the new model is as efficient as possible on today’s computational architectures. In addition, we will explore how best to write an efficient version of the model for a GPU based computational architecture.
