Projektbeschreibung
Durch maschinelles Lernen den Einfluss von Aerosolwolken verstehen
Das Übereinkommen von Paris ist ein großer Schritt auf dem Weg zu einer Lösung des Klimawandelproblems. Doch bei der Umsetzung treten viele verschiedene Schwierigkeiten auf. Ein Hauptproblem ist die mangelnde wissenschaftliche Nachweislage zum Klimaantrieb durch Gase, die keine Treibhausgase sind und von Aerosolwolken beeinflusst werden. Zwar hat die Wissenschaft bereits auf Big Data zurückgegriffen, um die Wechselwirkungen zwischen Aerosolwolken und Klima genauer zu verstehen, doch noch immer kommen künstliche Intelligenz (KI) und maschinelles Lernen in der Klimaforschung nicht vollständig zum Einsatz und Wissenschaftlerinnen und Wissenschaftler sind noch nicht adäquat ausgebildet. Das EU-finanzierte Projekt iMIRACLI schlägt vor, KI, maschinelles Lernen und Klimaforschung miteinander zu verknüpfen, um bestehende Daten tiefer zu analysieren und den Kenntnisstand über den Einfluss von Aerosolwolken zu erweitern. In dem Projekt werden Nachwuchsforscherinnen und -forscher zu einer neuen Generation von Klima- und Datenfachleuten ausgebildet.
Ziel
Climate change is one of the most urgent problems facing mankind. Implementation of the Paris climate agreement relies on robust scientific evidence. Yet, the uncertainty of non-greenhouse gas forcing associated with aerosol-cloud interactions limits our constraints on climate sensitivity. Radically new ideas are required. While the majority of forcing estimates are model based, model uncertainties remain too large to achieve the required uncertainty reductions. The quantification of aerosol cloud climate interactions in Earth Observations is thus one of the major challenges of climate science. Progress has been hampered by the difficulty to disentangle aerosol effects on clouds and climate from their covariability with confounding factors, limitations in remote sensing, very low signal-to-noise ratios as well as computationally, due to the scale of the big (>100Tb) datasets and their heterogeneity. Such big data challenges are not unique to climate science but occur across a wide range of data science applications. Innovative techniques developed by the AI and machine learning community show huge potential but have not yet found their way into climate sciences – and climate scientists are currently not trained to capitalise on these advances. The central hypothesis of IMIRACLI is that merging machine learning and climate science will provide a breakthrough in the exploration of existing datasets, and hence advance our understanding of aerosol-cloud forcing and climate sensitivity. Its innovative training plan will match each ESR with supervisors from climate and data sciences as well as a non-academic advisor and secondment and provide them with state-of-the-art data and climate science training. Partners from the non-academic sector will be closely involved in each of the projects and provide training in a commercial context. This ETN will produce a new generation of climate data scientists, ideally trained for employment in the academic and commercial sectors.
Wissenschaftliches Gebiet
- natural sciencescomputer and information sciencesdata sciencebig data
- engineering and technologyenvironmental engineeringremote sensing
- social scienceseconomics and businessbusiness and managementemployment
- natural sciencesearth and related environmental sciencesatmospheric sciencesclimatologyclimatic changes
- natural sciencescomputer and information sciencesartificial intelligencemachine learning
Schlüsselbegriffe
Programm/Programme
Thema/Themen
Aufforderung zur Vorschlagseinreichung
Andere Projekte für diesen Aufruf anzeigenFinanzierungsplan
MSCA-ITN - Marie Skłodowska-Curie Innovative Training Networks (ITN)Koordinator
OX1 2JD Oxford
Vereinigtes Königreich