Projektbeschreibung
Strukturerhaltendes Deep Learning für optimale Wettermodellen zu einzelnen Gebieten
Die Klimakrise verschärft sich und extreme Temperaturen treten immer häufiger auf. Daher sind präzise Wettervorhersagen für einzelne Regionen enorm wichtig. Dabei werden Modelle begrenzter Gebiete (Limited Area Model, LAM) mit hoher Auflösung eingesetzt, um kleinste Wettermerkmale zu erfassen. Diese beruhen jedoch auf globalen Vorhersagemodellen mit geringerer Auflösung, sodass diese feineren Details nicht erkannt werden können. Das Projekt GeometricLAMs wird über die Marie-Skłodowska-Curie-Maßnahmen finanziert. Die Forschenden werden Verfahren des Deep Learning anwenden, um präzise detaillierte Wetterstrukturen abzuleiten, die für die Integration von LAM und globale Modelle unerlässlich sind. Das Hauptziel besteht darin, Technologien mit strukturerhaltendem Deep Learning zu entwickeln und so die deterministische Kopplung dieser Modelle zu optimieren. Die Initiative steht im Einklang mit der Arbeit des Met Office im Vereinigten Königreich zur atmosphärischen Modellierung.
Ziel
As the climate crisis progresses, and we see an increase in extreme temperatures, the importance of accuracy in regional weather forecasting significantly increases. These regional models, or limited area models (LAMs), run at the highest feasible resolution to well resolve fine grain features in the model. Due to the global nature of the atmosphere, LAMs are coupled to a global forecast model, which due to the larger size must run at a coarser resolution and does not see the fine grain structures. This project will increase the accuracy of this coupling between LAM and global model. Specifically, the core focus is to utilise deep learning to recover accurate fine grain structures from a coarse global model to be incorporated as boundary data to the LAM.
The philosophy followed is that if one wants to couple two models it is paramount to preserve the physical structures between the two models. One may think of such structures as conserved quantities here. In addition to utilising this philosophy to optimise the coupling between models in the traditional (deterministic) sense, new technologies in structure preserving deep learning will be developed. These aim to resolve the fine grain features to be qualitatively consistent with a global model ran at high resolution.
This is an interesting problem from a mathematical perspective as it applies expertise from numerical analysis and geometric numerical integration to develop the field of machine learning.
This project has been designed to be in line with the UK Met Office atmospheric models and is of high research interest to them.
Wissenschaftliches Gebiet (EuroSciVoc)
CORDIS klassifiziert Projekte mit EuroSciVoc, einer mehrsprachigen Taxonomie der Wissenschaftsbereiche, durch einen halbautomatischen Prozess, der auf Verfahren der Verarbeitung natürlicher Sprache beruht. Siehe: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
CORDIS klassifiziert Projekte mit EuroSciVoc, einer mehrsprachigen Taxonomie der Wissenschaftsbereiche, durch einen halbautomatischen Prozess, der auf Verfahren der Verarbeitung natürlicher Sprache beruht. Siehe: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
- AgrarwissenschaftenLandwirtschaft, Forstwirtschaft und FischereiLandwirtschaftGetreide und Ölsaaten
- GeisteswissenschaftenPhilosophie, Ethik und ReligionPhilosophie
Sie müssen sich anmelden oder registrieren, um diese Funktion zu nutzen
Schlüsselbegriffe
Programm/Programme
- HORIZON.1.2 - Marie Skłodowska-Curie Actions (MSCA) Main Programme
Aufforderung zur Vorschlagseinreichung
(öffnet in neuem Fenster) HORIZON-MSCA-2022-PF-01
Andere Projekte für diesen Aufruf anzeigenFinanzierungsplan
HORIZON-TMA-MSCA-PF-EF - HORIZON TMA MSCA Postdoctoral Fellowships - European FellowshipsKoordinator
7491 Trondheim
Norwegen