Tilbake til søkeresultatene

POLARPROG-Polarforskningsprogram

Multi-scale Sea Ice Code

Alternativ tittel: Sjøis kode for modellering på fin og grov skala

Tildelt: kr 8,6 mill.

Prosjektnummer:

325292

Søknadstype:

Prosjektperiode:

2021 - 2025

Midlene er mottatt fra:

Det arktiske havisen 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 publiserte vi en artikkel som beskrev den nye modellen kalt Brittle Bingham-Maxwell rheology (BBM). Denne artikkelen er det første trinnet i å få anerkjennelse av den nye modellen. Vi viste at BBM gir en enda bedre representasjon av småskalabevegelsen og oppbruddet av isen enn forgjengeren. Avgjørende er at BBM også jobber for simuleringer som dekker flere år, hvor forgjengeren ga urealistiske resultater. Etter dette vellykkede første trinnet har vi brukt BBM i MuSIC og andre prosjekter. I de andre prosjektene har vi allerede brukt BBM for å få innsikt i rollen som leads i havisdannelse om vinteren. Vi har også brukt den til å forstå bedre hvordan vi mister den eldste arktiske havisen til klimaendringer. Dette arbeidet har gitt viktig innsikt i naturen og oppførselen til arktisk havis, samtidig som det har demonstrert nytten av BBM som et vitenskapelig verktøy. I MuSIC har vi begynt å sammenligne BBM-resultater og satellittobservasjoner av isen for å skape et mer robust rammeverk for å sammenligne modeller og observasjoner. Denne sammenligningen er utfordrende, basert på å sammenligne intrikate mønstre av LKF-er i modeller og observasjoner. Vi har derfor valgt å etablere vårt nye rammeverk på metoder og algoritmer fra datasynsstudier og maskinlæring med gode resultater. Rammeverket vil hjelpe oss å forbedre modellresultatene våre ytterligere og sementere grunnlaget for bredere bruk av BBM i havisens modelleringssamfunn.

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.

Budsjettformål:

POLARPROG-Polarforskningsprogram