Assessing the key drivers of arctic sea ice decline through machine learning techniques

The Arctic region is experiencing warming at a rate that is four times faster than the global average, a phenomenon known as Arctic Amplification. This warming is accelerating the melting of sea ice, which is contributing to feedback mechanisms such as the ice-albedo effect, where the retreating ice exposes darker ocean water that absorbs more heat, further exacerbating ice melt. The rapid decline of Arctic sea ice is one of the most significant indicators of climate change, with profound implications for the global climate system. This thesis explores the key drivers behind the reductions of Arctic sea ice thickness using machine learning techniques for feature selection, focusing on the role of hydro-meteorological variables and teleconnections. To this aim, a variety of datasets are used, including sea ice thickness data from the Pan-Arctic Ice-Ocean Modeling and Assimilation System (PIOMAS), meteorological data from the Global Historical Climatology Network (GHCN), discharge from major Arctic rivers (ArcticGRO), and teleconnections (NOAA). To tackle the complex and high-dimensional nature of the problem, machine learning algorithms are employed to unveil the relationships between drivers and sea ice thickness. The analysis relies on three automatic feature selection algorithms: the Wrapper for Quasi Equally Informative Subset Selection (W-QEISS), the Iterative Input Selection (IIS), and the Python Coral Reef Optimization with Substrate Layers (PyCRO-SL). The results show that the three algorithms generally produce consistent outcomes, though some differences exist (e.g., PyCROSL is more inclusive). The IIS input subset provides the highest predictive accuracy. Minimum and maximum temperatures stand out as the most influential meteorological drivers for the evolution of sea ice, while precipitation, snow-related variables, and river streamflows have a secondary role. Teleconnections, particularly the Atlantic Multidecadal Oscillation, emerge as key factors in integrating hydro-meteorological information and improving predictive accuracy, highlighting that the modeling of Arctic processes cannot ignore the interactions with processes outside the Polar region.

La regione artica si riscalda a una velocità quattro volte superiore alla media globale, un fenomeno noto come Arctic Amplification. Questo riscaldamento accelera lo scioglimento del ghiaccio marino, favorendo meccanismi di feedback come l'effetto albedo, in cui il ghiaccio che si ritira espone acqua oceanica più scura che assorbe più calore, intensificando ulteriormente il riscaldamento. Il rapido declino del ghiaccio marino artico è uno dei principali indicatori del cambiamento climatico, con gravi implicazioni per il clima globale. Questa tesi esplora i fattori alla base delle riduzioni dello spessore del ghiaccio marino artico utilizzando tecniche di machine learning (ML) per la selezione delle variabili, concentrandosi sul ruolo delle variabili idrometeorologiche e delle teleconnessioni. A tal fine, sono utilizzati diversi set di dati, tra cui i dati sullo spessore del ghiaccio marino da Pan-Arctic Ice-Ocean Modeling and Assimilation System (PIOMAS), i dati meteorologici da Global Historical Climatology Network (GHCN), i deflussi dei principali fiumi artici (ArcticGRO) e le teleconnessioni (NOAA). Per affrontare la natura complessa e ad alta dimensione del problema, vengono impiegati algoritmi di ML per svelare le relazioni tra i fattori e lo spessore del ghiaccio. L'analisi si basa su tre algoritmi di feature selection: Wrapper for Quasi Equally Informative Subset Selection (W-QEISS), Iterative Input Selection (IIS), e Python Coral Reef Optimization with Substrate Layers (PyCRO-SL). I risultati mostrano che i tre algoritmi producono generalmente risultati coerenti, anche se con alcune differenze (ad esempio, PyCRO-SL è più inclusivo). Il sottoinsieme di variabili selezionato dall'IIS fornisce la massima precisione predittiva. Le temperature minime e massime emergono come i principali fattori meteorologici influenti nell'evoluzione del ghiaccio marino, mentre le precipitazioni, le variabili legate alla neve e i deflussi fluviali hanno un ruolo secondario. Le teleconnessioni, in particolare l'Atlantic Multidecadal Oscillation, emergono come fattori chiave nell'integrazione delle informazioni idrometeorologiche e nel miglioramento della precisione predittiva, evidenziando che la modellizzazione dei processi artici non può ignorare le interazioni con i processi al di fuori della regione polare.