Opis projektu
Uczenie maszynowe w celu zwiększania wiedzy na temat wymuszenia radiacyjnego aerozoli i chmur
Porozumienie klimatyczne z Paryża to ogromny krok w kierunku rozwiązania problemu zmiany klimatu. Jego wdrożenie nastręcza jednak szereg trudności. Główną przeszkodą jest brak dowodów naukowych na wymuszenie radiacyjne gazów innych niż cieplarniane pod wpływem interakcji pomiędzy aerozolami a chmurami. Mimo że do zrozumienia tych interakcji oraz ich wpływu na zmianę klimatu wykorzystuje się technologię dużych zbiorów danych, sztuczna inteligencja i uczenie maszynowe nie są jeszcze w pełni stosowane w badaniach klimatu, a naukowcy nie są odpowiednio przeszkoleni. Zespół finansowanego ze środków UE projektu iMIRACLI proponuje połączyć sztuczną inteligencję, uczenie maszynowe i nauki o klimacie w celu przeanalizowania istniejących danych i zwiększenia naszej wiedzy na temat wpływu wymuszenia radiacyjnego aerozoli i chmur na klimat. W ramach projektu przeszkoleni zostaną naukowcy na wczesnym etapie kariery, którzy staną się podstawą nowego pokolenia ekspertów ds. danych klimatycznych.
Cel
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.
Dziedzina nauki
- 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
Słowa kluczowe
Program(-y)
Zaproszenie do składania wniosków
Zobacz inne projekty w ramach tego zaproszeniaSystem finansowania
MSCA-ITN - Marie Skłodowska-Curie Innovative Training Networks (ITN)Koordynator
OX1 2JD Oxford
Zjednoczone Królestwo