Opis projektu
Technologia SI pomaga w przewidywaniu cyklonów
Silne cyklony, które często powstają w regionie Morza Śródziemnego, należą do niebezpiecznych zjawisk. Dlatego zdolność do przewidywania tego rodzaju ekstremalnych zdarzeń jest kluczowa w kontekście zarządzania ryzykiem katastrof. Podczas gdy współczesne systemy prognozowania są skuteczne w przewidywaniu anomalii zmiennych atmosferycznych, takich jak temperatura i opady, zdecydowanie gorzej radzą sobie ze skrajnymi zdarzeniami wyzwalanymi przez procesy o małej skali. Użycie sztucznej inteligencji może pomóc w rozwiązaniu tego problemu. Celem wspieranego z działania „Maria Skłodowska-Curie” projektu CYCLOPS jest poprawa zdolności do przewidywania intensywnych cyklonów występujących w regionie śródziemnomorskim poprzez połączenie zaawansowanych technik SI i najnowocześniejszego systemu przewidywania dynamicznych zjawisk sezonowych.Badacze poszerzą naszą wiedzę na temat procesów uczestniczących w formowaniu się cyklonów w regionie śródziemnomorskim, czym utorują drogę do stworzenia dokładniejszego systemu przewidywania zjawisk sezonowych.
Cel
Cyclones form frequently over the Mediterranean Sea. The most intense systems cause extensive damage in the region and beyond. The ability to make climate predictions several months in advance of such extreme events has a large number of crucial socio-economic applications for disaster risk reduction.
State-of the-art Seasonal Prediction Systems exhibit a good skill in predicting anomalies in the seasonal mean of meteorological fields such as temperature and precipitation. The models’ ability to reproduce variations in the occurrence of extreme events tends to be however much lower. This is particularly true in regions such as the Mediterranean, where extreme events are often driven by small scale processes that are not well reproduced at the resolution at which SPS typically run.
The use of artificial intelligence techniques such as machine learning in the study of climate has gained great traction in recent years. The power of those techniques lies in the ability to detect patterns in large datasets without having to make explicit statistical assumptions, allowing to build predictive model whose skill continuously improves as the volume of data on which the models are trained increases. One promising field of application is to use artificial intelligence to improve the prediction of extremes in climate models. In this setting a machine learning model is trained to find relationships between large-scale climate variables (for which dynamical models have a good predictive skill) and the occurrence of extremes.
The aim of this project is to improve the predictability of intense Mediterranean cyclones combining advanced artificial intelligence techniques and a state-of-the-art dynamical seasonal prediction system. The project will not only contribute to the knowledge of climate extremes predictability, but also lead to the implementation of a pre-operational dynamical-statistical prediction system with the potential to be extended to include different extremes.
Dziedzina nauki
Słowa kluczowe
Program(-y)
- HORIZON.1.2 - Marie Skłodowska-Curie Actions (MSCA) Main Programme
Zaproszenie do składania wniosków
Zobacz inne projekty w ramach tego zaproszeniaSystem finansowania
HORIZON-TMA-MSCA-PF-EF - HORIZON TMA MSCA Postdoctoral Fellowships - European FellowshipsKoordynator
73100 Lecce
Włochy