Skip to main content
Ir a la página de inicio de la Comisión Europea (se abrirá en una nueva ventana)
español es
CORDIS - Resultados de investigaciones de la UE
CORDIS

Data Assimilation and Machine learning for online Parameter Estimation

Descripción del proyecto

Modelos más avanzados del hielo marino del Ártico

La pérdida de hielo marino en el Ártico está alterando el sistema climático y los océanos. La cuestión es hasta qué punto los modelos climáticos pueden predecirla con precisión. En el proyecto DAMPEn, respaldado por las acciones Marie Skłodowska-Curie, se desarrollará un marco basado en datos para reducir las incertidumbres en la modelización del hielo marino mediante una representación más precisa de la conductividad térmica de la nieve en los modelos climáticos. Para ello, se combinará la asimilación de datos de observaciones satelitales y sobre el terreno con técnicas de aprendizaje automático para obtener estimaciones de parámetros que varían en el espacio y en el tiempo. Las redes neuronales convolucionales permitirán determinar las relaciones entre las variables de estado ambiental y las correcciones de la conductividad, de modo que los parámetros estáticos de los modelos puedan sustituirse por una representación dinámica. El objetivo del proyecto es mejorar las proyecciones del clima futuro.

Objetivo

Over the past four decades the Arctic sea ice cover has undergone dramatic changes as a result of anthropogenic CO2 emissions, with precipitous declines in both sea ice thickness and area. Such changes have direct consequences for global climate and human populations, through impacts Ono mid-latitude weather, large-scale ocean circulation patterns and high-latitude climate feedbacks with regulate global-mean temperature. Our ability to quantify the impacts of continued sea ice loss on society and the environment depends on the accuracy with which climate models simulate the coupled interactions between the atmosphere, ocean, and sea ice. However, structural errors associated with the calibration of model physics parameters lead to systematic biases and uncertainty in future projections. For sea ice, one major source of parameter uncertainty comes from the representation of snow thermal conductivity. DAMPEn will demonstrate a unique and multi-disciplinary framework for deriving state-dependent parameter estimates of snow thermal conductivity in the large-scale sea ice model, SI3. For the first time, this framework will allow the estimation of spatially and temporally varying sea ice model parameters. This will be achieved by a three-step process: (1) Estimate snow conductivity parameter corrections via the assimilation of sate-of-the-art sea ice thickness and snow depth data into SI3. (2) Use convolutional neural networks to learn functional relationships between model state variables and snow conductivity corrections. (3) Replace the default (static) snow conductivity parameter in SI3 with the machine learning representation. This data-driven scheme is expected to reduce multi-decadal sea ice biases and uncertainty in future projections. Furthermore, it will provide the groundwork for future developments into the calibration of numerous sea ice model parameters, reducing the cost and carbon footprint associated with climate model calibration activities.

Ámbito científico (EuroSciVoc)

Palabras clave

Programa(s)

Tema(s)

Régimen de financiación

HORIZON-TMA-MSCA-PF-EF - HORIZON TMA MSCA Postdoctoral Fellowships - European Fellowships

Ver todos los proyectos financiados en el marco de este régimen de financiación

Convocatoria de propuestas

(se abrirá en una nueva ventana) HORIZON-MSCA-2025-PF

Ver todos los proyectos financiados en el marco de esta convocatoria

Coordinador

UNIVERSITY COLLEGE LONDON
Aportación neta de la UEn
€ 260 347,92
Dirección
GOWER STREET
WC1E 6BT London
Reino Unido
Región
London Inner London — West Camden and City of London
Tipo de actividad
Higher or Secondary Education Establishments
Enlaces
Coste total
Sin datos