Projektbeschreibung
Künstliche Intelligenz trifft fortgeschrittene jahreszeitliche Vorhersagen
Jahreszeitliche Vorhersagen sind Klimaprognose-Instrumente, die zur Verhütung von Gefahren im Zusammenhang mit Extremwetterlagen beitragen. Obwohl mit den jüngsten Fortschritten bei den statistischen Methoden und der numerischen Modellierung eine Verbesserung der Leistung der jahreszeitlichen Vorhersagen einherging, hielt sich deren Nutzen, insbesondere in den mittleren Breitengraden, oft in Grenzen. Das EU-finanzierte Projekt ARTIST wird nun die Erkenntnisse über die Vorhersagbarkeit des Klimas im Rhythmus der Jahreszeiten verbessern, um die Leistungsfähigkeit der vorhandenen Vorhersagesysteme zu erhöhen. Das Projekt entwickelt ein statistisches und dynamisches Hybridmodell, das ein dem neuesten Stand der Technik entsprechendes dynamisches jahreszeitliches Vorhersagesystem und ein statistisches Modell auf der Grundlage moderner Verfahren des maschinellen Lernens zusammenführt und die jahreszeitliche Vorhersage von Temperaturextremen in Europa zum Schwerpunkt hat. Dieses Hybridmodell wird die theoretische Grundlage und die Interpretierbarkeit der physikalischen Modellierung mit den durch künstliche Intelligenz ermittelten räumlich-zeitlichen Vorhersagezusammenhängen kombinieren.
Ziel
Seasonal Forecasts are critical tools for early-warning decision support systems, that can help reduce the related risk associated with hot or cold weather and other events that can strongly affect a multitude of socio-economic sectors. Recent advances in both statistical approaches and numerical modeling have improved the skill of Seasonal Forecasts. However, especially in mid-latitudes, they are still affected by large uncertainties that make their application often complicated.
The ARTIST project aims at improving our knowledge of climate predictability at the seasonal time-scale, focusing on the role of unexplored drivers, to finally enhance the performance of current prediction systems. This effort is meant to reduce uncertainties and make forecasts efficiently usable by regional met-services and private bodies. A statistical/dynamical hybrid model will be designed through the synthesis of (a) a cutting-edge dynamical Seasonal Prediction System and (b) a statistical model based on advanced Machine Learning (ML) techniques. Such a hybrid approach may become critical to improve climate forecasts, because it combines the theoretical foundation and interpretability of physical modeling with the power of Artificial Intelligence (AI), that can reveal unknown or disregarded spatio-temporal features.
ARTIST will focus on seasonal prediction of temperature hot/cold extremes in Europe, but its scalable nature can make it applicable across a wide range of variables and geographical areas. Besides the employment of AI, a strength of the action stands in the use of local land surface predictors to instruct the empirical model.
The fellowship, which includes a variety of training activities, will be mainly conducted at the Barcelona Supercomputing Centre (Spain), a world-renowned institute for climate predictions and applications. A secondment period is projected at the Max Planck Institute for BGC (Germany), prominent in land studies and ML employment in earth science.
Wissenschaftliches Gebiet
Programm/Programme
Thema/Themen
Aufforderung zur Vorschlagseinreichung
Andere Projekte für diesen Aufruf anzeigenFinanzierungsplan
MSCA-IF-EF-ST - Standard EFKoordinator
08034 Barcelona
Spanien