Descripción del proyecto
Aprendizaje profundo con conservación de la estructura para optimizar la modelización meteorológica de áreas
Ante el agravamiento de la crisis climática y el aumento de las temperaturas extremas, resulta fundamental disponer de previsiones meteorológicas regionales precisas. Para lograrlo, se emplean modelos de área limitada (LAM, por sus siglas en inglés), que funcionan a alta resolución para captar las características meteorológicas de grano fino. Sin embargo, están conectados a un modelo de previsión global que funciona con una resolución inferior, por lo que es incapaz de distinguir estos detalles más finos. El equipo del proyecto GeometricLAMs, financiado por las acciones Marie Skłodowska-Curie, aprovecha las técnicas de aprendizaje profundo para recuperar con precisión estructuras meteorológicas detalladas que son esenciales para la integración de los LAM y los modelos globales. El objetivo principal del proyecto es desarrollar nuevas tecnologías que utilicen el aprendizaje profundo con preservación de la estructura, optimizando el acoplamiento de estos modelos de forma determinista. La iniciativa se ajusta a los esfuerzos de modelización atmosférica de la Oficina Meteorológica del Reino Unido.
Objetivo
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.
Ámbito científico (EuroSciVoc)
CORDIS clasifica los proyectos con EuroSciVoc, una taxonomía plurilingüe de ámbitos científicos, mediante un proceso semiautomático basado en técnicas de procesamiento del lenguaje natural.
CORDIS clasifica los proyectos con EuroSciVoc, una taxonomía plurilingüe de ámbitos científicos, mediante un proceso semiautomático basado en técnicas de procesamiento del lenguaje natural.
- ciencias agrícolasagricultura, silvicultura y pescaagriculturagranos y semillas oleoaginosas
- humanidadesfilosofía, ética y religiónfilosofía
Para utilizar esta función, debe iniciar sesión o registrarse
Palabras clave
Programa(s)
- HORIZON.1.2 - Marie Skłodowska-Curie Actions (MSCA) Main Programme
Régimen de financiación
HORIZON-TMA-MSCA-PF-EF - HORIZON TMA MSCA Postdoctoral Fellowships - European FellowshipsCoordinador
7491 Trondheim
Noruega