Kunstig intelligens kan revolusjonere varsling av sjøis

Det brukes i dag store ressurser på å gi fartøy som ferdes i polare hav pålitelige varsler om utbredelsen av sjøis. Kunstig intelligens kan gjøre slike varslinger vesentlig billigere og raskere og tilgjengelig for alle.

Rolland, Tomas
Publisert: 08.06.20 08:35 Oppdatert: 17.08.20 09:02

Sjøis
Flak med sjøis. Foto: Jørn Berger-Nyvoll
For fartøy som ferdes i polare havstrøk er det kritisk å ha kontroll på utbredelsen av sjøisen og derfor brukes det store ressurser på å hente inn data og beregne utviklingen frem i tid for å gi pålitelige sjøisvarsler.

– Slik det er i dag så kreves det store ressurser for å lage disse isvarslingene og det gjøres stort sett av Meteorologisk institutt og lignende varslingssentre, sier Sindre Markus Fritzner, stipendiat ved UiT Norges arktiske universitet.

Han er ansatt ved Institutt for fysikk og teknologi og har nylig avlagt en doktorgrad der han har sett på muligheten for å bruke kunstig intelligens til å gjøre isvarslingen raskere, bedre og mye mer tilgjengelig enn det er pr. i dag.

Krever superdatamaskiner

Tradisjonelt så baseres dagens isvarslinger på dynamiske datamodeller som mates med satellittobservasjoner av isdekket og det som finnes av oppdatert data på istykkelse og snødybde. Dette genererer heftige datamengder og det kreves derfor kraftige superdatamaskiner for å kjøre disse beregningene.

– Dynamiske modeller er fysiske modeller og krever mye data for å kunne kjøres. Skal du varsle fremover i tid, så må du bruke en superdatamaskin, forklarer Fritzner.

Dette er en begrenset og kostbar ressurs og gjør at slike varslinger ikke er noe man kan gjøre uten tilgang på de rette ressursene.

Kunstig intelligens kan gjøre det på en vanlig laptop

Fritzner har sett på hvordan kunstig intelligens kan brukes for å gi slike sjøisvarsler raskere, bedre og billigere enn noen gang – på en helt vanlig laptop.

Maskinlæring er en spesialisering innen kunstig intelligens, hvor man bruker statistiske metoder for å la datamaskiner finne sammenhenger i store datamengder. Maskinen lærer i stedet for å bli programmert, og det handler om å utvikle algoritmer som gjør datamaskiner i stand til å lære fra og utføre beregninger basert på empiriske data.

I Fritzner sitt arbeid har han for eksempel lastet inn data for hvordan det ser ut en bestemt uke, og deretter data for hvordan det ser ut en uke senere.

– Da er det sammenhengen mellom utviklingen i disse ukene som maskinen selv lærer seg, og på den måten kan den beregne utviklingen, sier Fritzner.

Ferdig utviklet vil en slik algoritme kreve langt mindre datakraft, enn en tradisjonell fysisk modell.

– Bruker du kunstig intelligens og har en ferdig trent modell, så kan du kjøre en slik beregning på en vanlig laptop, sier Fritzner.

Portrett
Sindre Markus Fritzner. Foto: Jonatan Ottesen, UiT

Hvert fartøy kan beregne på egen hånd

Dette åpner opp for flere bruksområder, blant annet kan det være med å gi enda mere nøyaktige værmeldinger i nordområdene. I tillegg peker Fritzner på at dette kan brukes av skipsfarten som beveger seg i nærheten av iskanten, og at dette er en type trafikk som bare øker.

– Du har for eksempel cruisetrafikken, for dem blir det veldig viktig å vite hvor isen er og hvordan den vil bevege seg de neste dagene, sier Fritzner.

Slik det er nå så kan det ikke kjøres høyoppløste modeller på skipet. De må kontakte Metrologisk institutt, som så må kjøre modellen på en supercomputer, før de sender data tilbake til skipet.

– Er du ute på et skip i Barentshavet så er du dermed avhengig av nettdekning for å laste ned varslene fra Metrologisk institutt. Utstyrt med rett program og kunstig intelligens så kan du kjøre dette selv på skipet, det krever nesten ikke datakraft, sier Fritzner.

Krever mer utvikling

Selv om forskningen så langt virker lovende, er det fortsatt ikke like bra som de tradisjonelle metodene, men utviklingen av maskinlæring/kunstig intelligens går for fullt, og Fritzner er ikke i tvil om potensialet som ligger i dette.

– Erfaringene så langt er bra, men de er ikke perfekte. Det jeg så når jeg sammenlignet maskinlæring med de fysiske tradisjonelle modellene er at de er mye raskere, og så lenge det var små endringer i isen så var maskinlæring veldig bra.

Når det var større endringer, med mye smelting, så slet modellene mer enn de fysiske modellene, forklarer Fritzner.

Han peker på at utfordringen er at modellene som kjører kunstig intelligens bare baserer seg på historiske data, mens de fysiske modellene hele tiden tilpasses store geofysiske endringer som for eksempel stor smelting og hurtige værendringer.

I sine forsøk brukte Fritzner data som temperatur, sjøiskonsentrasjon og havtemperatur. Han tror nøyaktigheten kan økes ved å tilføre mer data til modellen, slik at den har et bredere datagrunnlag for varslingene.

– Særlig hvis du tar med vind og istykkelse, så vil maskinlæringen fungere mye bedre, sier han.

Han tror videre forskning og utvikling vil kunne frigjøre det store potensiale som ligger i denne formen for maskinlæring.

Rolland, Tomas
Publisert: 08.06.20 08:35 Oppdatert: 17.08.20 09:02
Vi anbefaler