<scp>AI</scp> sea ice forecasts for Arctic conservation: A case study predicting the timing of caribou sea ice migrations
Notice bibliographique
Résumé
Abstract Every autumn on the south coast of Victoria Island (Nunavut, Canada), endangered Dolphin and Union (DU) caribou ( Rangifer tarandus groenlandicus x pearyi ) wait for sea ice to form before continuing their southwards migration to the mainland. Delayed freeze‐up, less stable ice conditions and ice‐breaking by vessels are putting migrating caribou at risk, but unpredictable freeze‐up times pose challenges for conservation planning. Having early warning of when the caribou sea ice crossing is likely to take place could guide more targeted measures (e.g., ice‐breaking vessel management). In this case study, we use a multi‐stakeholder approach to explore the potential of using observed and forecast sea ice concentration (SIC) to predict when DU caribou are likely to cross the sea ice. We examine links between caribou movement records and coincident satellite observations of SIC collected between 1996–2005 and 2015–2019. We establish probabilistic “percent‐crossed” metrics to convert SIC freeze‐up profiles into anticipated sea ice crossing‐start date ranges and maps. Finally, we assess the potential of using IceNet, an AI‐based 25 km resolution SIC forecast model, to predict these crossing‐start ranges in 2020–2022. We identify a clear link between SIC freeze‐up profiles and crossing‐start times, with median SIC reaching 98.8% (IQR = 94.1%, 100%) when caribou start their crossings. Our percent‐crossed metrics are effective in converting SIC records into crossing‐start date maps which can guide human experts. IceNet results show promise, predicting crossing‐start ranges comparable to those observed in 2022 up to three weeks before the first observed sea ice crossing. In 2021, IceNet's predicted ranges are systematically early, but improve between three‐ to one‐week lead times. Practical implication : AI sea ice forecasts could provide early warning of DU caribou sea ice crossing times, informing mitigation of ice‐breaking vessels and providing a blueprint applicable to other ice‐dependent species. Our case study contributes practical considerations, limitations and areas for future research to drive innovation in this emerging field forward. Ultimately, forecasts could be integrated into human‐expert centred decision‐support tools, guiding dynamic conservation and management for Arctic species.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».