Descrizione del progetto
Apprendimento profondo di mantenimento della struttura per ottimizzare la modellizzazione meteorologica di aree
Previsioni meteorologiche regionali precise sono di fondamentale importanza alla luce dell’aggravarsi della crisi climatica e del crescente verificarsi di temperature estreme. A tal fine, si ricorre a modelli ad area limitata, che operano ad alta risoluzione per catturare le caratteristiche meteorologiche a grana fine. Essi sono tuttavia collegati a un modello di previsione globale che opera a una risoluzione più bassa e non è quindi in grado di discernere questi dettagli più fini. Il progetto GeometricLAMs, finanziato dal programma di azioni Marie Skłodowska-Curie, sfrutta le tecniche di apprendimento profondo per recuperare con precisione le strutture meteorologiche dettagliate che sono essenziali per l’integrazione dei modelli ad area limitata e dei modelli globali. L’obiettivo primario del progetto è quello di sviluppare nuove tecnologie utilizzando l’apprendimento profondo di mantenimento della struttura, ottimizzando l’accoppiamento di tali modelli in modo deterministico. L’iniziativa è in linea con gli sforzi di modellizzazione atmosferica del Met Office del Regno Unito.
Obiettivo
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.
Campo scientifico (EuroSciVoc)
CORDIS classifica i progetti con EuroSciVoc, una tassonomia multilingue dei campi scientifici, attraverso un processo semi-automatico basato su tecniche NLP. Cfr.: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
CORDIS classifica i progetti con EuroSciVoc, una tassonomia multilingue dei campi scientifici, attraverso un processo semi-automatico basato su tecniche NLP. Cfr.: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
- scienze agricoleagricoltura, silvicoltura e pescaagricolturacereali e semi oleosi
- scienze umanistichefilosofia, etica e religionefilosofia
È necessario effettuare l’accesso o registrarsi per utilizzare questa funzione
Parole chiave
Programma(i)
- HORIZON.1.2 - Marie Skłodowska-Curie Actions (MSCA) Main Programme
Invito a presentare proposte
(si apre in una nuova finestra) HORIZON-MSCA-2022-PF-01
Vedi altri progetti per questo bandoMeccanismo di finanziamento
HORIZON-TMA-MSCA-PF-EF - HORIZON TMA MSCA Postdoctoral Fellowships - European FellowshipsCoordinatore
7491 Trondheim
Norvegia