Tölfræðilíkön fyrir jöklafræðigögn - verkefni lokið

Fréttatilkynning verkefnisstjóra

4.5.2021

Líkanið notar eðlisfræði ísfæðis byggða á nálgun sem nefnist shallow ice (SI) nálgunin. Líkanið tekur tillit til tvívíðs rúms og tímavíddarinnar, og tekur inn í reikninginn skekkju vegna tölulegra útreikninga byggða á SI nálguninni og mæliskekkju í athugunum. Áhersla var lögð á að hraða útreikningum fyrir BSL. Hluti verkefnisins fólst í tölfræðilegri líkanagerð á mælingum á sumarafkomu og vetrarafkomu þar sem tilgangurinn var að fá staðbundna spá fyrir þessar stærðir. Spár um sumarafkomu og vetrarafkomu voru notaðar í BSL til að spá fyrir um hæð Langjökuls eitt ár fram í tímann. Bayesíska aðferðafræðin sem þróuð var innan þessa verkefnis gerir kleift að meta óvissu í mati á jöklafræðilegum stuðlum, sérstaklega seigju íss og núningsstuðli undirlags jökuls sem fall af staðsetningu. Ein af mikilvægum niðurstöðum þessa verkefnis er að staðfesta áður fengin möt á seigju íssins í Langjökli og, í fyrsta skipti, að meta óvissuna í þessu mati. Verkefnið mun nýtast vel fræðasamfélagi jöklafræðinga þar sem það gaf af sér nýtt bayesískt líkan fyrir jöklafræðirannsóknir sem gefur mat á stuðlum og spár fyrir lykilbreytur ásamt mati á óvissu stuðlanna og spágildanna. Niðurstöðurnar úr þessu verkefni munu nýtast vel fyrir: (i) framtíðar rannsóknir á tölfræðilegri líkanagerð fyrir jöklafræði; (ii) spár um hæð jökuls; og (iii) spár um sumarafkomu og vetrarafkomu.

The objective of this project was to develop statistical models that jointly utilize glaciological data and theoretical ice flow dynamics with the aim of estimating glaciological parameters and predicting surface elevation and summer and winter mass balance. A Bayesian hierarchical model (BHM) for glaciology data was introduced. This model incorporates ice-flow dynamics through the shallow ice approximation (SIA), it handles two spatial dimensions and the time dimension, and it simultaneously takes into account error due to the numerical solver for the SIA and the measurement error in the observations. Focus was put on posterior computation for the proposed BHM with the aim of reducing the computational time. Part of the project involved statistical modelling of summer and winter mass balance measurements where the purpose was to obtain spatial predictions of the summer and winter mass balance. These mass balance predictions were used in a BHM for the one-year ahead predictions of the surface elevation on the Langjokull Icecap. The Bayesian methodology developed within this project allows scientists to assess the uncertainty in the estimates of the glaciology parameters, in particular, the ice viscosity parameter and the spatially varying basal sliding parameter. One of the important results from this project is confirming previous estimates of the ice viscosity for the Langjokull Icecap and, for the first time, providing the uncertainty in this estimate. The project will have an impact on the glaciological community as it took further Bayesian modelling in glaciology, and provided state of the art methods to estimate parameters, predict key variables and provide coherent assessment of uncertainty in these estimates and predictions. The results from this project will be useful for; (i) future research in statistical modelling for glaciology; (ii) the prediction of surface elevation; and (iii) the prediction of summer and winter mass balance.   

The project’s outputs:

Two published peer reviewed articles in ISI accredited international journals.
One peer reviewed article submitted to ISI accredited international journal.
One Ph.D. thesis from University of Iceland.
Two presentations on international conferences and meetings.

Heiti verkefnis: Tölfræðilíkön fyrir jöklafræðigögn/Statistical Models for Glaciology (SMG)
Verkefnisstjóri: Birgir Hrafnkelsson, Háskóla Íslands
Tegund styrks: Verkefnisstyrkur
Styrktímabil: 2015-2017
Fjárhæð styrks: 19,489 millj. kr. alls
Tilvísunarnúmer Rannís: 152457