Utforskning av latenta rum för konvektiv dataassimilation
- Diarienummer
- SM24-0059
- Projektledare
- Landelius, Tomas
- Start- och slutdatum
- 250701-270630
- Beviljat belopp
- 756 000 kr
- Förvaltande organisation
- Linköping University
- Forskningsområde
- Beräkningvetenskap och tillämpad matematik
Summary
Regionala vädermodeller utvecklas mot hektometerskalan, där det är viktigt att ta hänsyn till icke-hydrostatisk dynamik och icke-linjära effekter. Detta gör att traditionella metoder för dataassimilering, med antaganden om linjära system och normalfördelat brus, inte längre fungerar. Det föreslagna projektet går i korta drag ut på att: 1) Använda "autoencoders" följda av "normalizing flows" eller diffusionsmodeller för att omvandla högdimensionella icke-Gaussiska processer (som de i atmosfären) till Gaussiska ekvivalenter i ett latent run med lägre dimension. 2) Utforska dessa icke-linjära men Gaussiska latenta rum för att applicera effektiv dataassimilering med Sequential Monte Carlo eller "score based" dataassimilering. 3) Studera möjligheten att använda "Koopman-neural operators" för att lära sig linjära projektioner av dynamiken i det latenta rummet, vilket möjliggör användning av konventionella Kalman-filter. 4) Undersöka om neurala ODEs kan modellera Perron-Frobenius-operatorer för dynamiska system vilket skulle säkerställa att lösningarna följer Liouville-ekvationen. För att göra problemet hanterbart kommer en enkel icke-hydrostatisk modell att användas, specifikt utformad för dataassimilering i konvektiv skala. STIMA-avdelningen, med sin omfattande expertis inom spatio-temporal maskininlärning, Bayesiansk statistik, tillståndsestimering/icke-linjär filtrering och diffusionsmodellering, erbjuder en idealisk miljö för att genomföra projektet.
Populärvetenskaplig beskrivning
Numeriska väderprognoser utvecklas nu mot att kunna beskriva fenomen på detaljerade skalor av storleksordningen 100 meter. För att göra prognoser måste man dock först ha en beskrivning av hur vädret ser ut nu. På de nya detaljerade skalorna fungerar inte längre traditionella metoder för att hitta en sådan beskrivning. Här beter sig atmosfären på ett mer komplext, icke-linjärt sätt jämfört med vad som sker på skalor kring några kilometer i dagens modeller. Detta projekt syftar till att förbättra väderprognoser genom att utveckla nya metoder för att hitta nulägesbeskrivningar som kan hantera dessa komplexiteter. Varför är detta viktigt? Väderprognoser spelar en avgörande roll i många samhällssektorer, från jordbruk och energisystem till katastrofberedskap. Genom att utveckla metoder för att beskriva aktuella väderförhållanden mer detaljerat möjliggör vi prognoser på skalor runt 100 meter. Sådana högupplösta prognoser är viktiga för exempelvis planering vid lokalt extremväder, beslut om bevattning och besprutning av åkrar, styrning av vindkraftsparker samt bekämpning av skogsbränder. Hur ska vi göra detta? Förenkla komplex data: Vi kommer att använda maskininlärning för att omvandla komplexa väderdata till enklare former som är lättare att arbeta med. Effektiv dataintegration: Genom att dra nytta av dessa förenklade dataformer kan vi tillämpa effektiva metoder för att integrera nya observationer av väderläget, vilket är nödvändigt för att starta en ny prognos. Sannolikhetsprognoser: Atmosfären är ett kaotiskt system, vilket innebär att det inte går att göra lika långsiktiga prognoser på en skala av 100 meter som på 1 kilometer med samma kvalitet. Lösningen är att använda sannolikhetsprognoser som beskriver olika möjliga väderutvecklingar. Trots att ingen enskild prognos kan vara exakt på skalan 100 meter, kan dessa prognoser ändå fånga detaljer som prognoser på 1 km missar.