Tilbake til søkeresultatene

FRINATEK-Fri prosj.st. mat.,naturv.,tek

Thickness of Arctic sea ice Reconstructed by Data assimilation and artificial Intelligence Seamlessly

Alternativ tittel: Rekonstruksjon av tykkelsen av sjøien i Arktisk ved sømløs bruk av dataassimilering og kunstig intelligens

Tildelt: kr 11,5 mill.

Satellitter har målt utbredelsen sjøisen i Arktis siden slutten av 1970-tallet. Men bare siden 2010 har målinger av istykkelsen vært tilgjengelig og vi kan dermed overvåke reduksjonen i det totale sjøisvolumet. Denne type informasjon ville vært til uvurderlig nytte i klimastudier hvis disse nye satellittene hadde blitt sendt i bane ti år tidligere. I mangel av en tidsmaskin, kan vi kanskje lære av dataene fra det siste tiåret (siden 2010) til å rekonstruere et tidligere tiår? Vi har en numerisk modell som kan gjenskape fysiske endringer i sjøisen og assimilere satellittmålinger av havet og havisen i løpet av det tiåret med begge typer målinger; Dette er et velutviklet verktøy, men det kan ikke bruke sporadiske målinger fra forskningstokt, eldre satellitt målinger eller proxy målinger av istykkelsen. Et nytt verktøy introdusert av TARDIS-teamet lar oss nå kombinere data assimilering og maskinlæring for å bygge datadrevne relasjoner mellom disse metodene. TARDIS vil anvende dette verktøyet for å rekonstruere istykkelsen for perioden før slike satellittmålinger ble rutinemessig tilgjengelig. Resultatene vil bli av stor nytte i klimastudier. Hvis TARDIS lykkes med sin “tidsreise og romlig interpolasjon” av den arktiske sjøisen, vil teamet vurdere analoge anvendelser av denne metoden på andre tidserier av klimadata. .

The project will explore two possible ways to extend Data Assimilation (DA) techniques using Machine Learning (ML). The first will reconstruct a Sea Ice Thickness (SIT) in a past period when satellite data was incomplete. The second ML approach will be trained to retrieve the unobserved subgrid-scale Ice Thickness Distribution (ITD). TARDIS will start from a DA reanalysis of the Arctic Ocean (without ML), it will then carry out a multivariate statistical exploratory analysis to select auxiliary variables interest to train the ML networks. The selection and testing of different ML algorithms will be done on the most recent 10 years, when satellite SIT observations are gapless. The empirical relationships between SIT and predictor variables will then be extrapolated to extend the SIT time series to the previous decade and retrieve the ITD after DA. Independent in situ data will be used to tune the ML hyperparameters. The oceanographic interpretation of the new dataset in terms of Arctic heat budget will also be carried out within TARDIS. The project will last for 4 years, and will employ researchers working at the Nansen Center, plus a 3-years post doc to be recruited and a remote sensing expert at NORCE. International partners in China will contribute to the interpretation of the results, while partners in France and UK will bring expertise in ML and DA techniques. The acronym TARDIS refers to a device able to travel in time and space in the British cult series Doctor Who.

Budsjettformål:

FRINATEK-Fri prosj.st. mat.,naturv.,tek