Tilbake til søkeresultatene

KLIMAFORSK-Stort program klima

The big data and climate FRONTIER: making sense of the explosive increase in climate data through smart designs and big data methods

Alternativ tittel: Forskningsfronten for Big Data og klima: Å forstå den eksplosive økningen i klimadata gjennom bruk av smart design og Big Data metoder

Tildelt: kr 10,3 mill.

Prosjektnummer:

301777

Søknadstype:

Prosjektperiode:

2020 - 2024

Midlene er mottatt fra:

Samarbeidsland:

Den neste forskningsfront knyttet til regionale klimaendringer er ikke knytet til produksjon av mer data, men til å produsere mer informasjon Informasjon om klima blir stadig viktigere for effektiv planlegging, tilpasning og begrensing av fremtidige kostnader og forandringer som følge av klimavariabilitet og endring. Denne økte etterspørselen etter klimainformasjon fører til en eksplosiv økning i mengden tilgjengelige klimadata. Den eksplosive økningen i datatilgang skaper problemer for mange av brukere som trenger tilgang til disse dataene. Å kunne arbeide med et så stort volum av klimadata vil kreve svært spesialiserte ferdigheter og verktøy som kan være for dyre for mange brukere. Derfor en økende utfordring å sikre at klimainformasjonen forblir tilgjengelig for alle brukere og beslutningstakere. FRONTIER tar sikte på å møte denne utfordringen gjennom å adressere viktige spørsmål om dataproduksjon og dataanalyse. I dette prosjektet har vi utviklet en ny metrikk kalt Bergen Metrics for å forenkle evalueringen av store ensembler av regionale klimasimuleringer. Feilmålinger er nyttige for å evaluere modellytelse og har blitt mye brukt i klimaendringer. Til tross for overfloden av feilmålinger i litteraturen, bruker de fleste studier bare én eller to beregninger. Siden hver beregning evaluerer et spesifikt aspekt av forholdet mellom referansedata og modelldata, begrenser det å begrense sammenligningen til bare én eller to beregninger rekkevidden av innsikt som utledes fra analysen. Denne studien foreslår et nytt rammeverk og sammensatte feilmålinger kalt Bergen Metrics for å oppsummere den generelle ytelsen til klimamodeller og for å lette tolkningen av resultater fra flere feilmålinger. Rammeverket til Bergen Metrics er basert på p-normen, og den første normen er valgt for å evaluere klimamodellene. Rammeverket inkluderer bruk av en ikke-parametrisk klyngeteknikk på flere feilmålinger for å redusere antall feilmålinger med minimalt tap av informasjon. Et eksempel på Bergen Metrics er gitt gjennom dens anvendelse på det store ensemblet av regionale klimasimuleringer tilgjengelig fra EURO-CORDEX-initiativet. Denne studien beregner 38 forskjellige feilmålinger for å vurdere ytelsen til 89 regionale klimasimuleringer av nedbør og temperatur over Europa. Den ikke-parametriske klyngeteknikken brukes på disse 38 metrikkene for å redusere antall metrikker som skal brukes i Bergen Metrics for 8 forskjellige underregioner i Europa. Disse gir nyttig informasjon om ytelsen til feilmålingene i forskjellige regioner. Resultatene viser at det er mulig å observere motstridende atferd blant feilmålinger når man undersøker en enkelt modell. Derfor understreker studien også betydningen av å bruke flere feilmålinger avhengig av den spesifikke brukssaken for å oppnå en grundig forståelse av modellens oppførsel. FRONTIER har utviklet et nytt mutli-objektsporingsverktøy for å bedre forstå ekstreme klima og deres utvikling. Klimaendringer øker hyppigheten og intensiteten av ekstrem nedbør, som i kombinasjon med økende befolkning øker eksponeringen for store flommer. En forbedret forståelse av de atmosfæriske prosessene som forårsaker ekstreme nedbørshendelser vil bidra til å fremme spådommer og prognoser av slike hendelser. Til dags dato har slike analyser vanligvis blitt utført ganske usystematisk og over begrensede områder (f.eks. USA) som har resultert i motstridende funn. Her presenterer vi Multi-Object Analysis of Atmospheric Phenomenon-algoritmen som bruker et sett med 12 vanlige atmosfæriske variabler for å identifisere og spore tropiske og ekstra-tropiske sykloner, cut-off lows, frontale soner, antisykloner, atmosfæriske elver (AR), jetfly, mesoscale konvektive systemer (MCS) og ekvatorialbølger. Vi bruker algoritmen på globale historiske data mellom 2001–2020 og assosierer fenomener med timebaserte og daglige satellittavledede ekstremnedbørsestimater i store klimaregioner. Vi finner at MCS-er produserer det store flertallet av ekstrem nedbør i tropene og noen landområder på middels breddegrad, mens ekstrem nedbør i hav- og kystregioner på middels og høye breddegrader domineres av sykloner og AR. Viktigere er at de fleste ekstreme nedbørshendelser er assosiert med fenomener som samhandler på tvers av skalaer som forsterker nedbør. Disse interaksjonene er en funksjon av intensiteten (dvs. sjeldenheten) til ekstreme hendelser. Den presenterte metodikken og resultatene kan ha omfattende anvendelser, inkludert opplæring av maskinlæringsmetoder, lagrangisk-basert evaluering av klimamodeller og prosessbasert forståelse av ekstrem nedbør i et klima i endring.

FRONTIER focuses on providing a fundamental breakthrough on how climate model data is generated and analysed, so that we can provide more reliable climate information using less data and computer resources, and thereby accelerating time to science discovery by orders of magnitude. In FRONTIER, we aim to quantitatively assess the simulation of high impact weather events in regional climate models, reduce the number of performance metrics for more efficient analysis, and constrain the size of climate ensembles through a novel approach called Design of Experiment (DoE)-based ensemble. We believe that the next frontier of regional climate modeling is not in producing more data, but in producing more information through a targeted reduction of the data volume and by increasing its representativeness. This will make a substantial contribution towards Sustainable Development Goal (SDG) 13 "Climate action" by directly influencing the production of representative and skilful climate information. The methodological approach of FRONTIER is based on: (1) Developing novel process-based model analysis metrics in Lagrangian space to identify optimal model resolutions to capture societally relevant processes (2) Developing a new reduced set of performance metrics using Big Data methods to simplify and improve efficiency in data analysis (3) Exploring a new approach to multi-model ensembles, which we call Design of Experiment (DoE)-based ensemble, and contrast it with the current 'ensemble of opportunity' In FRONTIER, we believe that the next frontier of regional climate modeling is not in producing more data, but in producing less (more representative) information and improving efficiency in data analysis. Hence, we propose three underpinning frontier questions: a) can the RCM added value be better detected in a Lagrangian framework? b) can the number of performance metrics be reduced? c) can the ensemble of opportunity be replaced by something better?

Publikasjoner hentet fra Cristin

Ingen publikasjoner funnet

Ingen publikasjoner funnet

Ingen publikasjoner funnet

Budsjettformål:

KLIMAFORSK-Stort program klima