Description du projet
Des algorithmes améliorant les prévisions de précipitations
La région méditerranéenne est une zone sensible face au changement climatique d’origine anthropique. Pour garantir l’efficacité d’une planification à court terme, les décideurs des secteurs tributaires des conditions météorologiques dépendent de prévisions pertinentes en matière de précipitations sur des échelles de temps sub-saisonnières à saisonnières (SAS). Cependant, certaines problématiques fondamentales empêchent l’établissement de prévisions fiables au-delà d’une dizaine de jours. Le projet CausalBoost, financé par l’UE, appliquera une méthode innovante afin d’améliorer les prévisions SAS des précipitations de la région méditerranéenne. L’approche s’appuie sur une combinaison d’algorithmes de découverte causale innovants issus de l’apprentissage automatique et dotés de modèles de prévision opérationnels. Le projet identifiera les principaux facteurs SAS des précipitations de la région méditerranéenne, les évaluera de manière systématique à l’aide de modèles de prévision et produira des corrections de biais basées sur les processus.
Objectif
The Mediterranean region (MED) is a hotspot of anthropogenic climate change and impacts are probably already felt today; recent heatwaves and persistent droughts have led to crop failures, wild fires and water shortages, causing large economic losses. Climate models robustly project further warming and drying of the region, putting it at risk of desertification. The particular vulnerability of this water-limited region to climatic changes has created an urgent need for reliable forecasts of rainfall on subseasonal to seasonal (S2S) timescales, i.e. 2 weeks up to a season ahead. This S2S time-range is particularly crucial, as the prediction lead time is long enough to implement adaptation measures, and short enough to be of immediate relevance for decision makers. However, predictions on lead-times beyond approximately 10 days fall into the so-called “weather-climate prediction gap”, with operational forecast models only providing marginal skill. The reasons for this are a range of fundamental challenges, including a limited causal understanding of the underlying sources of predictability.
The proposed research effort aims to improve S2S forecasts of MED rainfall by taking an innovative, interdisciplinary approach that combines novel causal discovery algorithms from complex system science with operational forecast models. This will overcome current limitations of conventional statistical methods to identify relevant sources of predictability and to evaluate modelled teleconnection processes. The outcomes of this project will (i) identify key S2S drivers of MED rainfall, (ii) systematically evaluate them in forecast models, (iii) derive process-based bias corrections to (iv) boost forecast skill. My strong background in both causal inference techniques and atmospheric dynamics puts me in a unique position to lead this innovative effort and to achieve real progress in reducing the “weather-climate prediction gap” for the MED region.
Champ scientifique
Programme(s)
Régime de financement
MSCA-IF-EF-ST - Standard EFCoordinateur
RG6 6AH Reading
Royaume-Uni