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 isrygger og dype sprekker kalt isleder. Isleder er lange, rette åpninger i isen som lar vann møte den kalde luften, og noen ganger danner ny is. Isrygger er hauger med is presset sammen, titalls meter brede og ofte omtrent en meter høye. Isens bevegelse rundt isleder og rygger skaper mønstre av isbevegelse kalt lineære kinematiske egenskaper (LKF-er), som vi enkelt kan observere med satellitter og 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 å bedre forstå isens oppførsel og gir nye måter å forutsi endringer i Arktis på.
Etter vår tidlige suksess brukte vi BBM i andre forskningsprosjekter. BBM har hjulpet oss med å lære mer om hvordan ledninger dannes i havis og hvordan klimaendringer påvirker den eldste arktiske isen. Vi samarbeidet også med partnere for å legge til BBM i SI3-havismodellen, som er en del av den mye brukte NEMO-havmodellen. Dette arbeidet har forbedret vår forståelse av arktisk havis og vist at BBM er et verdifullt og pålitelig verktøy. Ved å lære mer om havisdynamikk kan vi nå studere hvordan ledninger og rygger påvirker forbindelsene mellom atmosfæren, havet og havisen.
For å bygge videre på det vi har lært, brukte vi satellittbilder av is for å utvikle en ny metode for å sammenligne modeller med data fra den virkelige verden. Tradisjonelle analysemetoder innen geofag har begrensninger, så vi vendte oss til datasyn og maskinlæring, på samme måte som ansiktsgjenkjenning fungerer. Denne nye tilnærmingen har hjulpet oss med å se hvordan BBM reagerer på ulike inngangsinnstillinger, noe som gjør det enklere å forstå og justere modellen. Den 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 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 de i spillgrafikkort. 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 seks 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 viktige klimaspørsmål og forbedre vår forståelse av Arktis.
Arktisk havis er tett knyttet til havet og atmosfæren. For å studere dette satte vi opp en modell som kobler neXtSIM-havismodellen med BBM til den velkjente NEMO-havmodellen. Å legge til en ny del, som BBM, til et kombinert system kan være vanskelig, men det har hjulpet oss å lære mer om hvordan is og hav samhandler. Vi fant ut at når isen brytes opp og beveger seg mer, påvirker det havet nedenfor ved å styrke Ekman-pumping, noe som midlertidig kan la havet lagre mer ferskvann. Deretter ønsker vi å se hvordan BBM kan endre prognoser om arktisk reise og hjelpe oss med å forberede oss på fremtidige klimaendringer. Disse trinnene er viktige for å bruke MuSIC og BBM til å oppdage Arktis og svare på viktige spørsmål om klimaendringer og havisens oppførsel.
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.
