Umělá inteligence mění předpovědi mořského ledu, klíčová však zůstávají data z pozorování

Spolehlivé předpovědi vývoje mořského ledu, na nichž stále více závisí jak vědecké pochopení klimatického systému, tak praktický provoz arktických komunit a námořních plavidel, se dnes ve velké míře opírají o nástroje umělé inteligence. Podle skupiny vědců – Clare Eayrs, Zachary Labe, François Massonnet, Tian Tian a Malte Müller –, kteří se problematice věnují, ovšem úspěch těchto systémů nestojí jen na výpočetní síle či kvalitě algoritmů. Klíčovým faktorem zůstává dostupnost trvalých a kvalitních pozorování, bez nichž nelze modely trénovat ani ověřovat.

Mořský led hraje zásadní roli v regulaci klimatu Země – ovlivňuje výměnu tepla mezi oceánem a atmosférou, mořské proudění i albedo planety. Jeho předpověď má proto význam nejen pro vědu, ale i pro praktické rozhodování, od plánování plaveb v polárních vodách až po podporu života komunit žijících v blízkosti ledových oblastí. Historie předpovědních metod sahá k pracím jako Chen a Yuan z roku 2004 nebo pozdějším studiím Hollanda a kolegů z roku 2013, které položily základy dynamického modelování ledu. Postupně se tyto přístupy vyvinuly v komplexní nástroje využívané v rámci klimatických služeb, jak dokládají i novější práce, například Vitart a Robertson z roku 2018 nebo Massonnet a kolegové z roku 2023.

V posledních letech zaznamenal obor výrazný posun směrem k využití umělé inteligence. V současnosti existují desítky AI systémů zaměřených na předpověď mořského ledu, které slibují rychlejší a v některých ohledech přesnější odhady než tradiční fyzikální modely. Jejich spolehlivost ovšem stojí a padá s kvalitou vstupních dat. Jak upozorňují autoři, trénink i validace těchto systémů vyžadují dlouhodobé a konzistentní pozorovací řady, jejichž sběr a zpracování zůstává ve skutečnosti velkou výzvou.

Právě na tento problém reaguje iniciativa ORCAS, založená v roce 2025. Jejím cílem je zlepšit dostupnost a využitelnost pozorovacích dat o mořském ledu tak, aby je bylo možné efektivně nasadit při vývoji a ověřování AI modelů. ORCAS se soustředí na odstraňování bariér, které dosud bránily širšímu využití existujících datových zdrojů – jde především o otázky dostupnosti dat, jejich standardizace a vzájemné interoperability mezi různými pozorovacími systémy a výzkumnými institucemi po celém světě.

Konkrétním příkladem praktické práce v terénu byla podpora korejského ledoborce R/V Araon v Jižním oceánu v lednu 2024, při níž byla sbírána pozorování sloužící právě k validaci předpovědních modelů. Taková terénní měření jsou podle autorů nenahraditelná – poskytují referenční data, díky nimž lze ověřit, zda AI systémy skutečně zachycují fyzikální procesy probíhající v reálném prostředí, nebo zda se spoléhají na statistické vzorce, které se u budoucích, dosud nezaznamenaných podmínek klimatu nemusí ukázat jako platné.

Autoři zdůrazňují, že bez trvalého financování a koordinace pozorovacích programů hrozí, že pokrok v oblasti AI předpovědí narazí na limity dané nedostatkem spolehlivých dat. Odkazují přitom i na práci Andersson a kolegů z roku 2021, která se zabývala využitím strojového učení při zpracování satelitních pozorování mořského ledu a poukázala na podobné závěry – totiž že kvalita a dostupnost vstupních dat je limitujícím faktorem i pro nejpokročilejší modely.

Dalším tématem, které podle vědců vyžaduje pozornost, je otázka propojení dat z různých pozorovacích platforem – satelitů, bójí, ledoborců i pozemních stanic – do jednotného, snadno přístupného systému. Bez takové integrace zůstává potenciál AI metod nevyužitý, protože modely nemají k dispozici dostatečně rozmanitá a geograficky reprezentativní data, zejména z odlehlých oblastí jako je Jižní oceán.

Zlepšení v této oblasti by podle autorů mělo přímý dopad na kvalitu předpovědí dostupných pro praktické využití, od plánování lodní dopravy po podporu rozhodování v oblastech ohrožených úbytkem mořského ledu. Práce iniciativy ORCAS tak představuje snahu propojit vědecký vývoj AI nástrojů s dlouhodobou potřebou kvalitních a dostupných observačních dat, bez nichž by další pokrok v předpovídání mořského ledu zůstal omezený.