< Terug naar vorige pagina

Project

Diep leren voor de kwaliteitscontrole van crowdsourced data en naadloze weersvoorspellingen. (OZR3893)

Het volume de en diversiteit aan weerwaarnemingen, zoals
crowdsourced en nieuwe satellietobservaties, is de afgelopen jaren
enorm toegenomen. In combinatie met fijnmazige weermodellen
hebben deze nieuwe observaties het potentieel om betere
voorspellingen te doen en de samenleving te beschermen tegen
klimaatextremen. De huidige weersvoorspellingssystemen maken
echter onvoldoende gebruik van deze grote hoeveelheid heterogene
waarnemingen met een vaak variabele nauwkeurigheid. Om optimaal
gebruik te maken van de groeiende hoeveelheid crowdsourced
observaties, zullen we een deep learning-gebaseerde emulator
ontwikkelen om een contextgevoelige kwaliteitscontrole uit te voeren.
Een tweede uitdaging is het combineren van nowcasts
(kortetermijnvoorspellingen op basis van de extrapolatie van
waarnemingen) en verschillende weermodellen om één naadloze en
nauwkeurige weersvoorspelling te verkrijgen.
In dit onderzoeksproject zullen we deep learning (DL, diep leren)
gebruiken om deze uitdagingen aan te pakken. Deep learning is een
veelbelovende tak van machine learning, een deelgebied van artificiële
intelligentie waarin een computerprogramma leert van een set
trainingsgegevens. Deep learning maakt gebruik van neurale netwerken
met vele lagen om abstracties te leren en zeer complexe relaties vast te
leggen, zoals de fysische wetten achter de atmosferische dynamica. We
zullen nieuwe domeinspecifieke DL-architecturen ontwikkelen die leren
hoe we informatie uit meerdere weermodellen en waarnemingen
optimaal kunnen combineren en die systematische fouten in deze
modellen kunnen corrigeren.
Datum:1 feb 2022 →  Heden
Trefwoorden:Deep learning, crowdsourced observaties, persoonlijke weerstations, klimaatadaptatie, stedelijk klimaat, naadloze prognoses, nowcasting, gegevensassimilatie
Disciplines:Machine learning en besluitvorming, Meteorologie, Fysica van steden, Patroonherkenning en neurale netwerken