< Terug naar vorige pagina
Project
Deep learning gecombineerd met fysische modellering voor weer-, klimaat- en geofysica-toepassingen (FEDTWIN2)
De huidige weer- en klimaatsystemen produceren steeds meer heterogene en volumineuze gegevens, b.v. multimodale satellietgegevens maar ook gegevens uit ongestructureerde bronnen zoals smartphones en particuliere weerstations. De gezamenlijke analyse en assimilatie van deze gegevens in een numeriek weersvoorspellingsmodel stelt ons voor enorme uitdagingen. Gezien de ambitie van het RMIB om een open databeleid te voeren en zijn rol als datahub voor weer-, klimaat- en geofysische gegevens te versterken, is onderzoek naar moderne data-analysetools essentieel om toegevoegde waarde te creëren voor de onderzoeksoutput en -diensten van het RMIB.
De diepgaande knowhow van het RMIB inzake fysica-gebaseerde niet-lineaire numerieke modellering en voorspelling moet worden uitgebreid met data-driven machine learning (ML), zoals deep learning (DL), dat zijn bekwaamheid heeft bewezen om heterogene gegevens te aggregeren en te verwerken in talrijke toepassingen. In combinatie met fysische modellen zijn deze data-gedreven methoden in staat om de prestaties op verschillende manieren te verhogen door het vastleggen van de hardnekkige niet-lineariteiten, verborgen in de data. Het onderzoek van VUB-ETRO naar nieuwe DL paradigma's zal voordeel halen uit de goed gedocumenteerde enorme datasets van RMIB en uit de know-how over fysische modellering om domeinspecifieke DL methodologieën te ontwerpen.
DL is een evolutie van Neurale Netwerken die recent tot maturiteit is gekomen. Het is een generiek instrumentarium dat inputgegevens transformeert in representatieve en compacte outputgegevens met een lagere dimensionaliteit dan de input, waarbij het transformatiemodel niet a-priori volledig wordt opgelegd door fysieke modellering, maar in plaats daarvan wordt geleerd uit trainingsdatasets. DL presteert in veel toepassingen beter dan traditionele methoden.
Het doel van DEEP is om een lange termijn onderzoeksprogramma op te zetten waarbij DL wordt toegepast in de toepassingsdomeinen (AD's) die van belang zijn voor RMIB, namelijk weersvoorspelling, klimaatmonitoring en ruimteweer. Momenteel zijn de methoden die in deze AD's worden gebruikt, meestal gebaseerd op a-priori fysische modellering. De overkoepelende onderzoeksuitdaging zal erin bestaan de bestaande fysische modellering te verbeteren door ze te combineren met DL-methoden. Dit vereist een verregaande integratie van onderzoeksexpertise op beide gebieden, via een specifieke gezamenlijke onderzoekspositie op lange termijn, zoals in het voorstel wordt uiteengezet.
DL-technieken die zullen worden bestudeerd zijn onder meer: Data Transformatie, Fusie en Voorspelling, Gecombineerde Fysische en DL Modellering - in het bijzonder Residual Learning, Interpretable Deep Learning, Hybride Methoden - en Proces Emulatie.
Als eerste tweejarig toepassingsproject zal een DL-systeem worden ontwikkeld voor de waarneming en naadloze nowcasting/forecasting van de hoeveelheid en het type neerslag op basis van satelliet- en radarwaarnemingen, alsmede NWP-modellen. Sinds de vorige indiening van DEEP (score 5,5/6) zijn al substantiële nieuwe resultaten geboekt bij het nowcasten van de hoeveelheid en het type neerslag. Om de vier jaar zullen in de drie AD's toepassingsprojecten worden gedefinieerd om het generieke onderzoeksinstrumentarium te verfijnen en uit te breiden en het af te stemmen op de verschillende AD's en hun behoeften. Een andere doelstelling is de verbetering van de kwaliteit van de RMIB-diensten en de creatie van nieuwe diensten. Het gezamenlijk onderzoek zal worden ondersteund door de strategie voor kennis- en technologietransfer van de VUB-ETRO. Het zal ook van bij de start internationaal zijn: RMIB wordt partner van het gemeenschappelijk laboratorium waarin de VUB, Duke University, UCLonden en UGent samenwerken.
De diepgaande knowhow van het RMIB inzake fysica-gebaseerde niet-lineaire numerieke modellering en voorspelling moet worden uitgebreid met data-driven machine learning (ML), zoals deep learning (DL), dat zijn bekwaamheid heeft bewezen om heterogene gegevens te aggregeren en te verwerken in talrijke toepassingen. In combinatie met fysische modellen zijn deze data-gedreven methoden in staat om de prestaties op verschillende manieren te verhogen door het vastleggen van de hardnekkige niet-lineariteiten, verborgen in de data. Het onderzoek van VUB-ETRO naar nieuwe DL paradigma's zal voordeel halen uit de goed gedocumenteerde enorme datasets van RMIB en uit de know-how over fysische modellering om domeinspecifieke DL methodologieën te ontwerpen.
DL is een evolutie van Neurale Netwerken die recent tot maturiteit is gekomen. Het is een generiek instrumentarium dat inputgegevens transformeert in representatieve en compacte outputgegevens met een lagere dimensionaliteit dan de input, waarbij het transformatiemodel niet a-priori volledig wordt opgelegd door fysieke modellering, maar in plaats daarvan wordt geleerd uit trainingsdatasets. DL presteert in veel toepassingen beter dan traditionele methoden.
Het doel van DEEP is om een lange termijn onderzoeksprogramma op te zetten waarbij DL wordt toegepast in de toepassingsdomeinen (AD's) die van belang zijn voor RMIB, namelijk weersvoorspelling, klimaatmonitoring en ruimteweer. Momenteel zijn de methoden die in deze AD's worden gebruikt, meestal gebaseerd op a-priori fysische modellering. De overkoepelende onderzoeksuitdaging zal erin bestaan de bestaande fysische modellering te verbeteren door ze te combineren met DL-methoden. Dit vereist een verregaande integratie van onderzoeksexpertise op beide gebieden, via een specifieke gezamenlijke onderzoekspositie op lange termijn, zoals in het voorstel wordt uiteengezet.
DL-technieken die zullen worden bestudeerd zijn onder meer: Data Transformatie, Fusie en Voorspelling, Gecombineerde Fysische en DL Modellering - in het bijzonder Residual Learning, Interpretable Deep Learning, Hybride Methoden - en Proces Emulatie.
Als eerste tweejarig toepassingsproject zal een DL-systeem worden ontwikkeld voor de waarneming en naadloze nowcasting/forecasting van de hoeveelheid en het type neerslag op basis van satelliet- en radarwaarnemingen, alsmede NWP-modellen. Sinds de vorige indiening van DEEP (score 5,5/6) zijn al substantiële nieuwe resultaten geboekt bij het nowcasten van de hoeveelheid en het type neerslag. Om de vier jaar zullen in de drie AD's toepassingsprojecten worden gedefinieerd om het generieke onderzoeksinstrumentarium te verfijnen en uit te breiden en het af te stemmen op de verschillende AD's en hun behoeften. Een andere doelstelling is de verbetering van de kwaliteit van de RMIB-diensten en de creatie van nieuwe diensten. Het gezamenlijk onderzoek zal worden ondersteund door de strategie voor kennis- en technologietransfer van de VUB-ETRO. Het zal ook van bij de start internationaal zijn: RMIB wordt partner van het gemeenschappelijk laboratorium waarin de VUB, Duke University, UCLonden en UGent samenwerken.
Datum:1 okt 2021 → Heden
Trefwoorden:Earth Sciences
Disciplines:Andere aardwetenschappen niet elders geclassificeerd, Meteorologie, Machine learning en besluitvorming