Para ilmuwan telah mengembangkan metode peramalan yang memprediksi luas es laut Arktik hingga empat bulan ke depan, dengan fokus pada minimum tahunan di September. Pendekatan ini mengungguli model yang ada dengan mengintegrasikan pola iklim jangka panjang, siklus musiman, dan pengaruh cuaca jangka pendek. Alat ini bertujuan membantu komunitas dan industri yang bergantung pada kondisi Arktik.
Es laut Arktik, yang memantulkan sinar matahari untuk mendinginkan planet dan memengaruhi pola cuaca global, menghilang dengan cepat akibat perubahan iklim. Peneliti dari Amerika Serikat dan Inggris telah memperkenalkan sistem prediksi baru yang dirinci dalam jurnal Chaos, diterbitkan oleh AIP Publishing. Model ini menargetkan September, ketika es laut mencapai titik terendahnya, menggunakan data dari National Snow and Ice Data Center sejak 1978. Sistem ini memperlakukan perubahan es laut sebagai proses yang saling terkait yang dipengaruhi oleh skala waktu yang bervariasi: memori iklim jangka panjang, siklus tahunan, dan pergeseran cuaca cepat. Uji coba menggunakan data waktu nyata dari September 2024 dan catatan historis menunjukkan bahwa ia memberikan ramalan yang lebih akurat satu hingga empat bulan ke depan dibandingkan metode lain. Dengan memasukkan detail regional di seluruh pan-Arktik, model ini menangani variasi tahun-ke-tahun secara efektif. «Komunitas Arktik adat bergantung pada perburuan spesies seperti beruang kutub, anjing laut, dan walrus, yang untuknya es laut menyediakan habitat esensial», kata penulis Dimitri Kondrashov. «Ada aktivitas ekonomi lain, seperti pengeboran gas dan minyak, perikanan, dan pariwisata, di mana pengetahuan mendahului kondisi es yang akurat mengurangi risiko dan biaya». Kondrashov menambahkan, «Model ini mencakup beberapa wilayah Arktik besar yang membentuk pan-Arktik. Meskipun ada perbedaan besar dalam kondisi es laut dari tahun ke tahun di wilayah berbeda, model ini dapat menangkapnya dengan akurat yang wajar». Sementara proyeksi iklim jangka panjang tetap andal, ramalan jangka pendek telah meningkat melalui integrasi ini. Tim berencana meningkatkan model dengan menambahkan faktor seperti suhu udara dan tekanan permukaan laut untuk menangkap variabilitas musim panas dengan lebih baik. Penelitian, yang dipimpin oleh Dmitri Kondrashov, Ivan Sudakow, Valerie Livina, dan Qingping Yang, muncul di Chaos (2026; 36(2)), dengan DOI: 10.1063/5.0295634.