Skip to main content
Vai all'homepage della Commissione europea (si apre in una nuova finestra)
italiano it
CORDIS - Risultati della ricerca dell’UE
CORDIS

Data Assimilation and Machine learning for online Parameter Estimation

Descrizione del progetto

Modelli più avanzati per il ghiaccio marino artico

È ormai evidente che la perdita di ghiaccio marino artico stia modificando i sistemi meteorologici e oceanici globali. Ciò che deve essere verificato è il livello di precisione con cui i modelli climatici sono in grado di prevederla. Sostenuto dal programma di azioni Marie Skłodowska-Curie, il progetto DAMPEn sta sviluppando un quadro basato sui dati per ridurre le incertezze nella modellizzazione del ghiaccio marino, migliorando il modo in cui i modelli climatici rappresentano la conducibilità termica della neve. Il progetto abbinerà l’assimilazione dei dati derivati dalle osservazioni satellitari e in situ con le tecniche di apprendimento automatico al fine di ricavare stime dei parametri variabili nello spazio e nel tempo. Verranno utilizzate reti neurali convoluzionali per apprendere le relazioni tra le variabili di stato ambientali e le correzioni di conducibilità, consentendo la sostituzione dei parametri statici dei modelli con una rappresentazione dinamica. L’obiettivo del progetto è rafforzare le proiezioni climatiche future.

Obiettivo

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.

Campo scientifico (EuroSciVoc)

Parole chiave

Programma(i)

Argomento(i)

Meccanismo di finanziamento

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

Vedi tutti i progetti finanziati nell’ambito di questo schema di finanziamento

Invito a presentare proposte

(si apre in una nuova finestra) HORIZON-MSCA-2025-PF

Vedi tutti i progetti finanziati nell’ambito del bando

Coordinatore

UNIVERSITY COLLEGE LONDON
Contributo netto dell'UE
€ 260 347,92
Indirizzo
GOWER STREET
WC1E 6BT London
Regno Unito
Regione
London Inner London — West Camden and City of London
Tipo di attività
Higher or Secondary Education Establishments
Collegamenti
Costo totale
Nessun dato