新模型可以将冰川建模速度提高1000倍

2022年3月25日，美国哥伦比亚大学发布最新研究成果称，该校地球研究所研究人员开发出“指示冰川模型”（Instructed Glacier Model，IGM），用于模拟冰川动力学、物质平衡及其耦合，以预测冰川、冰原或冰盖的演变。该模型通过卷积神经网络（CNN）对冰川特征进行建模，模拟速度比早期的斯托克斯模型（Stokes）快1000倍，且准确率达到90%以上。

对冰盖和冰川进行高分辨率物理建模是一项巨大的挑战。在过去的20年中，科学家们致力于开发能够模拟冰流及其相关物理过程以及它与气候的相互作用的模型。但是，这些研究中，增加模型的复杂性会增加仿真的计算成本，因此大多数模型通常使用斯托克斯方程的近似值。虽然斯托克斯方程最准确地描述了冰流特征，但往往需要在精度和计算成本之间做出折衷。该研究将深度学习应用于冰川建模，研究人员建立了一个CNN模型，它以一种通用的方式从给定的地形变量和基础滑动参数化中预测冰流。该CNN模型通过大型数据集训练得到，该数据集是从2个最先进的模型（PISM和CfsFlow）获得的冰流模拟生成，这些模型配备了2种不同的机制（混合SIA+SSA和Stokes），并且拥有2种不同的空间分辨率（2 km和100 m）。研究人员将质量平衡和质量守恒与模拟器相结合，以获得时间尺度演化模型，用Python语言编写了“Instructed Glacier Model”（IGM）模型，它允许高效且机械地进行最先进的冰流模拟。该策略允许研究人员压缩这些模型产生的动态状态，并利用这些信息用简单的模拟器替代昂贵的冰流模型，从而大大加快整体时间演化模拟速度。新的模拟器不仅可以实现对千年历史规模大型冰川的流动与演变的模拟，还能用于单独小型冰川的模拟，比传统的混合和斯托克斯模型（Stokes）模型的准确度超过90%，模拟速度分别超过20倍和1000倍，通过切换到更强大的GPU，模拟速度还可以提高200倍和2000倍。此外，IGM在全球冰川建模以及古代和现代冰盖模拟中也具有应用潜力。

研究人员表示，在过去十年中，人工智能和机器学习在地球科学领域应用大幅增加，研究人员正在积极探索人工智能模型，以为其领域内的挑战性问题提供原型设计解决方案。

转载本文请注明来源及作者：中国科学院兰州文献情报中心《气球科学动态监测快报》2022年第07期，刘文浩 编译。