Opis projektu
Algorytmy udoskonalające prognozowanie opadów deszczu
Region śródziemnomorski jest obszarem, gdzie wpływ czynników antropogenicznych na zmianę klimatu jest szczególnie silny. W celu skutecznego planowania krótkoterminowego decydenci w sektorach zależnych od pogody uzależnieni są od umiejętnego prognozowania opadów w skali czasowej od subsezonowej do sezonowej (ang. sub-seasonal to seasonal, S2S). Jednak pewne fundamentalne wyzwania uniemożliwiają wiarygodne prognozowanie na okresy dłuższe niż około 10 dni. W ramach finansowanego ze środków UE projektu CausalBoost zastosowana zostanie innowacyjna metoda poprawy prognoz S2S opadów deszczu w regionie śródziemnomorskim. Podejście to opiera się na połączeniu innowacyjnych algorytmów odkrywania przyczyn przy użyciu uczenia maszynowego z operacyjnymi modelami prognostycznymi. W ramach projektu zidentyfikowane zostaną główne czynniki S2S wpływające na opady deszczu w regionie śródziemnomorskim, następnie zostaną one systematycznie ocenione za pomocą modeli prognostycznych, a ponadto opracowane zostaną oparte na procesach korekty błędów.
Cel
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.
Dziedzina nauki
Program(-y)
Temat(-y)
System finansowania
MSCA-IF-EF-ST - Standard EFKoordynator
RG6 6AH Reading
Zjednoczone Królestwo