Calibrando as parametricas de desprendimento usando emuladores de rede neural gráfica: Aplicação ao Glaciar Helheim, Groenlândia Oriental

Resumo. O desprendimento é responsável pelo recuo, aceleração e afinamento de numerosos glaciares de maré na Groenlândia. Uma representação precisa desse processo em modelos numéricos de calotas de gelo é crítica para prever melhor a resposta futura da calota de gelo às mudanças climáticas. Embora modelos numéricos tradicionais tenham conseguido simular a dinâmica do gelo e o desprendimento sob condições parametrizadas específicas, a demanda computacional desses modelos torna difícil ajustar essas parametrizações com eficiência, aumentando a incerteza geral na elevação futura do nível do mar. Aqui, desenvolvemos várias arquiteturas padrão de Rede Neural Gráfica (GNN), incluindo rede neural convolucional gráfica (GCN), rede neural de atenção gráfica (GAT) e rede neural convolucional gráfica equivariantes (EGCN), para construir modelos substitutos de simulações de elementos finitos do Modelo de Sistema de Calota de Gelo e Nível do Mar. As GNNs são particularmente adequadas para esse problema, pois capturam naturalmente a representação de malhas não estruturadas usadas por modelos de elementos finitos. Quando essas GNNs são treinadas com os resultados das simulações do Glaciar Helheim, Groenlândia, para diferentes limiares de estresse de desprendimento, elas reproduzem com sucesso a evolução da velocidade do gelo, espessura do gelo e migração da frente de gelo entre 2007 e 2020. As GNNs mostram melhor fidelidade do que as redes neurais convolucionais (CNN), particularmente perto das bordas dos rios de gelo rápidos, e a EGCN supera as outras preservando a equivariância das estruturas gráficas. Usando os emuladores GNN baseados em GPU, que são de 260 a 560 vezes mais rápidos do que as simulações numéricas, determinamos a faixa ideal do limiar de desprendimento que minimiza a discrepância entre as frentes de gelo modeladas e observadas.