Значение аномалий температуры поверхности Атлантического океана для изменчивости арктического морского льда, выявленное с помощью глубокого обучения

Почему отдалённые океаны важны для арктического льда

Когда люди думают о таянии арктического морского льда, они обычно представляют дымовые трубы и углекислый газ, а не тёплые воды на тысячи километров в Атлантическом океане. Тем не менее это исследование показывает, что тонкие изменения температуры поверхности моря в отдельных районах Атлантики оставляют чёткий отпечаток на площади арктического льда. Применив современные методы глубокого обучения прямо к наблюдениям, авторы обнаружили удивительно сильную и быструю связь между отдалёнными тёплыми морями и судьбой полярного льда, проливающую свет на то, почему арктические условия могут меняться из года в год так, что стандартным климатическим моделям трудно это уловить.

Отслеживая подъёмы и спады арктического льда

За последние четыре десятилетия арктический морской лёд истончился и сократился, что способствовало повышению температур, смещению треков штормов и росту экстремальных погодных явлений в средних широтах. Хотя долгосрочное антропогенное потепление объясняет общий нисходящий тренд, естественная годовая и декадная изменчивость по‑прежнему играет большую роль. Одним из ключевых подозреваемых в этой изменчивости является распределение температур поверхности океана вне полярных регионов, но прошлые исследования расходились во мнениях о том, какой океан — Тихий, Атлантический или Индийский — важнее, а традиционные линейные статистические методы испытывали трудности при разделении их индивидуальных вкладов.

Давая глубокому обучению «прочитать» океаны

Чтобы решить эту задачу, исследователи обучили три отдельные модели глубоких нейронных сетей, каждая из которых получала только суточные аномалии температуры поверхности моря из одного бассейна — Тихого, Атлантического или Индийского океана — за 1982–2022 годы. Задача была требовательной, но простой по сути: по одному снимку температур поверхности океана модель должна была реконструировать совокупную площадь морского льда в Арктике для этого дня. Авторы тщательно оптимизировали, где в каждом бассейне смотреть, за какой временной лаг использовать температуры и с каким пространственным и временным разрешением. Они обнаружили, что использование детализированных суточных данных оказалось критически важным: модели значительно хуже работали при подаче только месячных усреднений или более грубых карт, что указывает на то, что для арктического льда важны относительно быстрые, мелкомасштабные океанические сигналы.

Атлантические воды выделяются на фоне других

Сеть, обученная на данных Атлантики, явно превосходила модели, натренированные на Тихом или Индийском океанах. Она воспроизводила не только долгосрочное сокращение арктического льда, но и большую часть годовой изменчивости, и делала это последовательно в разные периоды времени. Её навыки оставались значимыми даже после математического удаления долгосрочного тренда потепления, что означает: модель фиксировала подлинную вариабельность, а не просто следила за устойчивой потерей льда. Связь была особенно сильна летом и зимой — в сезоны, когда морской лёд Арктики наиболее предсказуем, и когда обратные связи между льдом и солнечным излучением или атмосферой наиболее активны. В отличие от этого, модели для Тихого и Индийского океанов показали более слабые и прерывистые связи: они могли уловить отдельные эпизоды, например некоторые экстремально малоледные годы, но не выдерживали стабильной работы на протяжении всего четырёхдесятилетнего периода.

Горячие точки в Карибском море и течении Гольфстрим

Глубокие нейронные сети часто критикуют как «чёрные ящики», поэтому команда применила методы объяснимого ИИ, чтобы выяснить, где в Атлантике модель черпает информацию. Два независимых метода — интегрированные градиенты и систематический «тест окклюзии», который временно скрывает небольшие участки океана от модели — сошлись на одном ответе: основными горячими точками являются Карибское море и район Гольфстрима. Более тёплая, чем обычно, вода в этих областях как правило ассоциировалась с уменьшением арктического морского льда примерно через 20 дней. Дальнейший анализ предположил, что эта связь передаётся не медленными океаническими течениями, а быстрыми атмосферными изменениями, вызванными усилением испарения и теплообмена от аномально тёплой воды в воздух. Когда авторы построили новые модели, используя только компонент поверхностного теплообмена, прямо связанный с температурой поверхности моря, они достигли сопоставимого уровня работы модели, основанной на температуре Атлантики, и выявили почти идентичные горячие точки.

Скрытые ритмы и нелинейные связи

Рассматривая временные характеристики этих сигналов, авторы разложили температурные паттерны Атлантики на медленные, декадные колебания и более быстрые межгодовые вариации продолжительностью от двух до семи лет. Стандартная линейная регрессионная модель в основном извлекала пользу из медленных, более плавных компонентов. Модель глубокого обучения, напротив, извлекла дополнительную предсказательную силу из более высокочастотных межгодовых сигналов, которые в простых статистических анализах выглядят нерегулярными и эпизодическими. Вейвлет‑анализ подтвердил, что в Карибском море и районе Гольфстрима всплески межгодовой температурной изменчивости иногда синхронизируются с изменениями арктического льда, часто с опережением со стороны океана. Такое поведение указывает на сложные, нелинейные атмосферные пути, вероятно связанные с изменениями переноса влаги, образованием облачности и крупными циркуляционными паттернами, такими как Арктическая и Североатлантическая осцилляции.

Что это означает для будущего арктического льда

Проще говоря, исследование утверждает, что определённые тёплые участки Атлантики — особенно в Карибском море и вдоль Гольфстрима — играют непропорционально большую роль в формировании год‑от‑года покрываемости Арктики морским льдом. Используя глубокое обучение и инструменты интерпретируемости, авторы показывают, что эти регионы воздействуют на Арктику быстро, в течение нескольких недель, главным образом через усиленное испарение и перенос тепла в атмосферу, что затем изменяет погодные условия над полярными морями. В то время как антропогенное потепление остаётся главным двигателем долгосрочной потери льда, понимание этих отдалённых океанических «регуляторов» может улучшить сезонные прогнозы и помочь учёным разложить, как естественные климатические ритмы и тренды, вызванные парниковыми газами, в совокупности формируют быстро меняющуюся Арктику.

Цитирование: Li, Y., Gan, B., Zhu, R. et al. Significance of Atlantic sea surface temperature anomalies to Arctic sea ice variability revealed by deep learning. npj Clim Atmos Sci 9, 70 (2026). https://doi.org/10.1038/s41612-026-01347-2

Ключевые слова: Арктический морской лед, Атлантический океан, телесвязи, глубокое обучение, климатическая изменчивость