Science：人工智能揭示了南极冰流的新见解

斯坦福大学的研究人员将机器学习与高分辨率卫星和飞机观测相结合，以了解南极洲大规模冰运动背后的物理学。结果表明，目前的模型缺少准确预测南极冰盖现在和未来的动态和质量损失所需的关键复杂性。

　　

随着地球变暖，南极冰盖正在融化，导致全球海平面上升。南极储存了足够的冰冻水，足以使全球海平面上升190英尺，因此准确预测其现在和未来的移动和融化情况对于保护沿海地区至关重要。然而，由于数据稀少以及海洋、大气和冰冻表面之间相互作用的复杂性，大多数气候模型难以准确模拟南极冰的移动。

3月13日发表在《科学》杂志上的一篇论文中，斯坦福大学的研究人员首次利用机器学习分析南极冰运动的高分辨率遥感数据。他们的研究揭示了控制南极冰盖大规模运动的一些基本物理规律，并可能有助于改善对未来大陆变化的预测。

“在卫星时代，大量的观测数据已经广泛可用，”斯坦福可持续发展学院地质物理学助理教授、论文资深作者赖清瑶说，“我们将这些广泛的观测数据集与物理信息深度学习相结合，以获得关于冰在其自然环境中行为的新见解。”

南极冰盖是地球上最大的冰体，面积接近澳大利亚的两倍，它像一块海绵一样，通过将淡水以冰的形式储存起来，保持海平面稳定。为了理解正在逐年加速缩小的南极冰盖的运动，现有的模型通常依赖于从实验室实验中得出的关于冰的力学行为的假设。但赖清瑶表示，南极的冰比实验室中能模拟的要复杂得多。由海水形成的冰与由压实的雪形成的冰的性质不同，冰盖可能还包含大裂缝、气泡或其他影响运动的不一致之处。

“这些差异以现有模型或实验室环境中未能捕捉到的方式影响冰盖的整体力学行为，即所谓的本构模型，”赖清瑶说。

她和同事们并没有试图捕捉这些单独的变量。相反，他们构建了一个机器学习模型，分析2007年至2018年间用卫星图像和飞机雷达记录的冰的大规模运动和厚度。研究人员要求该模型符合冰运动的几条现有物理定律，并用它来推导描述冰的黏度——即其抵抗运动或流动的能力——的新本构模型。

研究人员关注了南极的五个冰架——从陆地冰川延伸到海洋的浮动冰平台，它们阻挡着南极大部分的冰川冰。他们发现，靠近大陆的冰架部分正在被压缩，这些区域的本构模型与实验室实验相当一致。然而，随着冰离大陆越来越远，它开始被拉向海洋。这种拉伸导致该区域的冰在不同方向上具有不同的物理性质——就像木头沿着纹理比横着更容易裂开一样——这是一个被称为各向异性的概念。

“我们的研究表明，大部分冰架都是各向异性的，”该研究的第一作者王永吉说，他在赖清瑶的实验室进行了这项工作，“靠近冰盖的压缩区只占冰架的不到5%。其余的95%是延伸区，不遵循相同的规律。”

随着全球气温上升，准确理解南极冰盖的运动将变得越来越重要——海平面上升已经在增加低洼地区和岛屿的洪水，加速海岸侵蚀，并加剧飓风和其他严重风暴造成的破坏。直到现在，大多数模型都假设南极冰在所有方向上具有相同的物理性质。研究人员知道这是一个过度简化的假设——现实世界的模型永远不会完全复制自然条件——但赖清瑶、王永吉及其同事所做的工作明确表明，现有的本构模型未能准确捕捉到卫星所看到的冰盖运动。

“人们以前想过这个问题，但从未得到验证，”现在在纽约大学担任博士后研究员的王永吉说，“现在，基于这种新方法以及其背后的严谨数学思维，我们知道预测南极未来演变的模型应该是各向异性的。”

研究作者们还不清楚是什么导致延伸区呈现各向异性，但他们打算随着更多来自南极大陆的数据的可用，继续完善他们的分析。研究人员也可以利用这些发现更好地理解可能导致冰架出现裂缝或崩解——即大块冰突然从冰架上断裂——的压力，或者将其作为将更多复杂性纳入冰盖模型的起点。这项工作是朝着构建更准确模拟我们可能面临的未来条件的模型迈出的第一步。

赖清瑶和她的同事们还相信，这里使用的技术——将观测数据和既定物理定律与深度学习相结合——可以用来揭示其他具有大量观测数据的自然过程的物理规律。他们希望他们的方法将有助于更多的科学发现，并促进与地球科学界的进一步合作。

“我们试图表明，你可以真正利用人工智能来学习新东西，它仍然需要受到一些物理定律的约束，但这种结合的方法使我们能够发现超出之前已知的冰的物理规律，并可能真正推动对地球和行星过程在自然环境中的新理解。”

其他共同作者来自奥塔哥大学和麻省理工学院。

这项工作由斯坦福多尔探索基金、普林斯顿大学研究院长办公室、美国国家科学基金会、美国国家航空航天局、施密特数据X基金和新西兰皇家学会资助。