Multi-scale Sea Ice Code

Isen i Polhavet er ikke en sammenhengende strekning med uberørt is, men krysset av skrugarder og åpne sprekker. Disse er resultatene av isens konstante bevegelse, drevet av vind og havstrømmer. Mens skrugarder kan være 100 m brede og åpningene flere kilometer brede, kan begge være mye lengre enn det, noen ganger spenner de over hele Polhavet. Det resulterende mønsteret av smale, nesten rette linjer er kjent som Linear Kinematic Features (LKF). De regnes som et signaturtrekk ved det arktiske isdekket. Til tross for dette sliter dagens sjøismodeller med å gjengi dem godt nok. I MuSIC foreslår vi en ny modell for å simulere isbevegelsen, slik at vi kan representere LKF-er bedre i klimamodeller. I det første året av MuSIC introduserte vi en banebrytende modell for det vitenskapelige miljøet - Brittle Bingham-Maxwell rheology (BBM). Vi håper modellen markerer begynnelsen på en ny æra innen ismodellering. Vi demonstrerte at BBM fanger opp den intrikate bevegelsen og oppbruddet av isen i liten skala mens den yter også enestående i simuleringer som strekker seg over flere år, en prestasjon forgjengeren ikke kunne oppnå. Med utgangspunkt i denne første suksessen har vi inkludert BBM i andre forskningsprosjekter. I disse prosjektene har BBM bevist sitt evne ved å gi verdifull innsikt i rollen som ledere i havisdannelse og virkningen av klimaendringer på Arktis eldste is. Denne vellykkede bruken av BBM forbedrer vår forståelse av arktisk sjøis og bekrefter dens posisjon som et allsidig og pålitelig vitenskapelig verktøy. I MuSIC har vi brukt satellittobservasjon av isen for å lage et nytt, robust rammeverk for å sammenligne modeller og observasjoner. Denne sammenligningen er utfordrende for dataanalysemetoder som tradisjonelt brukes i geovitenskap. Vi har derfor valgt å etablere vårt nye rammeverk på metoder og algoritmer fra datasynsstudier (computer vision) og maskinlæring med gode resultater. Rammeverket vil hjelpe oss å forbedre modellresultatene våre ytterligere og sementere grunnlaget for bredere bruk av BBM i havismodelleringssamfunnet. For å bruke BBM i havismodeller som kjøres med høy oppløsning i globale simuleringer, må vi kunne dra nytte av den nyeste utviklingen innen e-infrastruktur. Verdens superdatamaskiner går nå raskt over fra å drives primært av CPUer, som brukes i vanlige og bærbare datamaskiner, til GPUer, som de som brukes i grafikkort for dataspill. GPU-programmering er imidlertid et utfordrende og nytt felt, med svært få eksperter tilgjengelig for å håndtere omskriving av geofysiske modeller, som havismodeller. MuSIC-forskere har imidlertid etablert et samarbeid med slike eksperter, noe som har resultert i en prototype av sjøismodellen neXtSIM, som kjører BBM på en GPU. Denne prototypen demonstrerer et betydelig potensial for å kjøre BBM på en GPU og å kjøre sjøismodeller raskere, mer effektivt og med høyere oppløsning. Havisen i Arktis er en del av et tett koblet system som involverer havet og atmosfæren. For å reflektere dette vil vi sette opp en modell i MuSIC hvor sjøismodellen neXtSIM, med BBM, er koblet til den veletablerte havmodellen NEMO. Å introdusere en ny komponent, for eksempel BBM, i et koblet system er ofte fullt av vanskeligheter. Men å gjøre det har utdypet vår forståelse av det koblede is-hav-systemet. Arbeidet med et flertiårig eksperiment med den koblede neXtSIM-NEMO-modellen er godt i gang, og vi forventer spennende nye resultater fra dette oppsettet før slutten av 2024.

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.