Tilbake til søkeresultatene

KLIMAFORSK-Stort program klima

Machine Ocean – Combining Machine Learning and Earth Observations to Improve Simulations of Turbulent Behavior in the Earth System

Alternativ tittel: Machine Ocean

Tildelt: kr 11,5 mill.

Prosjektnummer:

303411

Søknadstype:

Prosjektperiode:

2020 - 2024

Midlene er mottatt fra:

Samarbeidsland:

Pålitelige vær- og havvarsler er grunnleggende for samfunnets sikkerhet, og forskere jobber kontinuerlig med å forbedre prognosemodellene. Atmosfæren og havet er deler av det komplekse systemet vi kaller Jordsystemet. Globalt sett er dette systemet relativt enkelt: solenergi blir absorbert på jorda, og en tilsvarende mengde energi returneres til verdensrommet. Avhengig av mengden klimagasser i atmosfæren absorberes mer eller mindre langbølget stråling, noe som igjen bestemmer den globale bakketemperaturen. På regional skala er jordsystemet vanskeligere å simulere: energi beveger seg rundt for å kompensere for de regionale ubalansene i innkommende og utgående stråling. Dette oppnås ved vinder og strømmer som interagerer med hverandre og med snø og is. I sentrum for interaksjonene ligger overføring av momentum - stress - på tvers av grensesnittene. Stresset er turbulent og umulig å modellere i en Jordsystem-modell (man ville trengt millimeterskala modell-oppløsning). Derfor er det nødvendig å parametrisere stresset, noe man vanligvis bruker semi-empiriske bulk formler til, basert på sparsomme overflatemålinger. I Machine Ocean har vi latt dataene på egen hånd produsere en "stress-modell" via maskinlæring. Vår hypotese var at den enorme økningen i datamengder som kommer fra ESAs nye Sentinel miljøsatellitter, samt nye maskinlæringsalgoritmer som kan trenes på og lære av enorme datasett, ville gjøre det mulig å utvikle en stress-modell som avhenger mindre av empirisme og mer av teori og data. Denne hypotesen viste seg delvis å stemme: mengden data fra satelittene er fremdeles for liten for klassisk maskinlæring. Men vi hadde nok data til kunne bekrefte at den empiriske stress-modellen vi sammenlignet med ikke kan "slås" med maskinlæring på dette tidspunkt. Dette gir forsterkest støtte til den (empiriske) stressmodellen som brukes i de fleste jordsystem-modeller, og det er jo godt nytt. Vi har brukt Meteorologisk institutts sin stormflovarsel-modell som en av testområdene. Stormflo-varsler avhenger nesten utelukkende av atmosfæretrykk og stressoverføring, så dette er en ideell måte å teste virkningen av forbedret stress. Samtidig står stormflo høyt på listen over farlige klimaendringer i Norge, så forbedring av stormflovarsler er veldig viktig for samfunnet. Vi har utviklet metoder for å korrigere forskjellen mellom stormflo modeller og observasjoner på kysten, med hjelp av maskinlæring. Vår PhD-kandidat Paulina Tedesco kommer til å forsvare doktorgraden sin på sen-vinteren 2024.

The overarching hypothesis for Machine Ocean is that “the present explosion in volume, variety and velocity (VVV) of Earth Observation acquisition (as spearheaded by the Copernicus, in particular the Sentinel 1 mission) combined with new methods to harvest information from big data will allow us to gain further insights into, and significantly reduce the uncertainty in, parameterization of momentum transfer between atmosphere and ocean.” Vertical momentum transfer is one of the most important process in the Earth System, influencing the transfer of carbon, oxygen, heat, freshwater and other quantities between the different spheres, yet possibly the hardest process to measure. The transfer occurs on small horizontal and temporal scales, so it is almost always necessary to parameterize in numerical simulations. The use of machine learning methods to directly predict turbulent stress in Reynolds-averaged Navier–Stokes equations has recently been proposed, and developed for simplified setups, but the field of machine learning applications in fluid dynamics in general and for momentum transfer and larger scale atmosphere models in particular, is in its infancy.

Budsjettformål:

KLIMAFORSK-Stort program klima