AI Fixes a Critical Flaw in Arctic Climate Data Used Worldwide
Researchers used machine learning to correct a systematic error in the world's most widely used Arctic weather dataset, revealing that sea ice grows 30–40% slower than previously thought. The fix could reshape climate models, shipping forecasts, and infrastructure planning across the Arctic economy.
Originaltitel: Machine Learning Eliminates Reanalysis Warm Bias and Reveals Weaker Winter Surface Cooling Over Arctic Sea Ice
Klimatmodeller underskattar Arktis vinterkylning över havis — ett fel som påverkar prognoser för ismängd och havsytans betydelse för värmereglering. Forskare vid Alfred-Wegener-Institut har tränat ett neuralt nätverk för att korrigera systematiska fel i ERA5-reanalysdata över området norr om 70°N från 1994–2024. Metoden reducerar osäkerheten i nettokortslågning med cirka 40 procent och eliminerar ERA5:s varmöversättning på cirka 4 Kelvin under vinter. Resultat visar att vinterkylningen är cirka 50 procent svagare än ERA5 indikerar, vilket ger en iskrysstillväxt på 80–120 centimeter — överensstämmande med satellitobservationer från SMOS och CryoSat, inte de 150–200 centimeter som ERA5 förutsäger. Korrigerade data förbättrar havismodeller och klimatscenarier. För energiinvesterare som värderar energibehov och polarregional stabilitet blir detta relevant för långsiktig infrastrukturplanering i höga norra breddgrader.
Abstract The surface energy budget governs Arctic sea‐ice growth/melt, yet observations are sparse, and reanalysis data sets suffer from systematic biases. Here, we train a neural network with observational data to bias‐correct hourly ERA5 fluxes over Arctic ice‐covered regions (≥70°N; sea‐ice concentration >80%) for 1994–2024. Training data cover two full seasonal cycles and different sea‐ice regimes. The neural network reduces RMSE for net shortwave radiation by ∼40%, downward longwave radiation by ∼16% and the total surface energy budget by ∼55%, eliminating the wintertime warm bias of ∼4 K in ERA5. Wintertime surface cooling is reduced by ∼50%, yielding thermodynamic ice‐growth estimates of ∼80–120 cm, consistent with SMOS–CryoSat satellite thickness increases and in contrast to the 150–200 cm growth implied by ERA5. Our bias‐corrected data capture the observed clear/cloudy states of the winter boundary layer and can be used to study Arctic climatology, evaluate climate models and drive sea‐ice‐ocean models.