Actively learning experimental designs in terrestrial climate science

Opis projektu

Asymilacja danych poprawia obserwacje w narażonych regionach arktycznych

Zrozumienie zmian w systemie ziemskim wymaga dokładnego zbadania wymiany węgla, wody i energii między lądem a atmosferą. Niestety naukowcy nie dysponują metodologią szacowania tych strumieni powierzchniowych w skali pojedynczej komórki siatki w ramach modelu systemu ziemskiego. Finansowany przez UE projekt ACTIVATE ma przynieść rozwiązanie tego problemu polegające na połączeniu dronów, stacji meteorologicznych i technologii satelitarnej w celu obserwacji interakcji między lądem a atmosferą. Obserwacje te są zintegrowane z modelami dzięki zastosowaniu metod asymilacji danych. W ramach projektu opracowane zostaną adaptacyjne bayesowskie ramy projektowania eksperymentalnego pozwalające na optymalizację wykorzystania rojów dronów do gromadzenia danych. Celem jest ulepszenie asymilacji danych modelowych, lepsze zrozumienie tych interakcji i poprawa obserwacji w regionach Arktyki, dla których brakuje solidnych danych obserwacyjnych.

Cel

While land-atmosphere exchanges of carbon, water, and energy are key to understanding changes in the Earth system, we still fundamentally lack a methodology to obtain representative estimates of these surface fluxes at the scale of a single grid cell of an Earth System Model (typically 10-100 km), let alone for a wider region. ACTIVATE combines an observing system consisting of a swarm of drones carrying meteorological sensors and gas analyzers, mobile and stationary flux towers, as well as satellites, and fuses their observations with different land-atmosphere models using data assimilation methods. ACTIVATE will develop an adaptive Bayesian Experimental Design framework to generate maximally informative observation strategies for expensive data collection, and adaptively reposition drone swarms during a flight as new observations become available to optimally infer surface fluxes in the landscape. We will demonstrate the framework (i) in idealized synthetic experiments, (ii) at managed and industrial sites with known flux hotspots, and (iii) in targeted high-resolution simulations in poorly represented regions with expensive models that explicitly resolve subgrid-scale processes in Earth System models. We will apply the ACTIVATE framework around existing observatories in vulnerable arctic regions, where the lack of strong observational constraints from state-of-the-art observing systems is particularly apparent and problematic. ACTIVATE will produce: unprecedented observational datasets for new model developments in some of the most data-sparse regions on Earth, uncertainty-aware parameter estimates for critically unconstrained processes, and a pioneering active experimental design framework for terrestrial observing systems. The broader vision of ACTIVATE is to develop active learning capabilities for improved data assimilation in models to elevate our understanding of land-atmosphere interactions across spatio-temporal scales.