Description du projet
Un apprentissage profond préservant la structure pour optimiser la modélisation météorologique régionale
La précision des prévisions météorologiques régionales est d’une importance capitale compte tenu de l’aggravation de la crise climatique et de l’augmentation des températures extrêmes. Pour ce faire, des modèles à aire limitée (LAM pour «limited area model») sont utilisés, fonctionnant à haute résolution pour capturer les caractéristiques météorologiques détaillées. Cependant, ils sont reliés à un modèle de prévision global qui fonctionne à une résolution inférieure, ce qui l’empêche de discerner ces détails plus précis. Le projet GeometricLAMs, financé par le programme MSCA, s’appuie sur des techniques d’apprentissage profond pour récupérer avec précision les structures météorologiques détaillées qui sont essentielles pour l’intégration des LAM et des modèles globaux. L’objectif principal du projet est de développer de nouvelles technologies utilisant l’apprentissage profond préservant la structure, en optimisant le couplage de ces modèles de manière déterministe. Cette initiative s’aligne sur les efforts de modélisation atmosphérique du bureau météorologique britannique.
Objectif
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.
Champ scientifique (EuroSciVoc)
CORDIS classe les projets avec EuroSciVoc, une taxonomie multilingue des domaines scientifiques, grâce à un processus semi-automatique basé sur des techniques TLN. Voir: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
CORDIS classe les projets avec EuroSciVoc, une taxonomie multilingue des domaines scientifiques, grâce à un processus semi-automatique basé sur des techniques TLN. Voir: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
- sciences agricolesagriculture, sylviculture et pêcheagriculturecéréales et oléagineux
- lettresphilosophie, éthique et religionphilosophie
Vous devez vous identifier ou vous inscrire pour utiliser cette fonction
Mots‑clés
Programme(s)
- HORIZON.1.2 - Marie Skłodowska-Curie Actions (MSCA) Main Programme
Appel à propositions
(s’ouvre dans une nouvelle fenêtre) HORIZON-MSCA-2022-PF-01
Voir d’autres projets de cet appelRégime de financement
HORIZON-TMA-MSCA-PF-EF - HORIZON TMA MSCA Postdoctoral Fellowships - European FellowshipsCoordinateur
7491 Trondheim
Norvège