Advancing Subseasonal PredIctions at Reduced computational Effort
The new frontier for weather prediction is the so-called subseasonal time scale of two weeks to two months ahead. To take preventive measures at an early stage, reliable forecasts on this time scale are becoming increasingly impor...
ver más
TOSCP
Towards Operational Supermodel Climate Prediction
150K€
Cerrado
Vis4Weather
Improved Communication of High Impact Weather Events
149K€
Cerrado
CGL2011-25327
DESARROLLO Y EVALUACION DE TECNICAS DE PREDICCION POR CONJUN...
190K€
Cerrado
SENTINEL
Design and Implementation of an Advanced Nonlinear and Non-G...
165K€
Cerrado
TED2021-130056B-I00
NUEVOS ALGORITMOS DE CALIBRACION Y PROCESADO DE SEÑAL DE RAD...
185K€
Cerrado
UNJA10-1E-189
Equipamiento para el fomento de las actividades de investiga...
181K€
Cerrado
Últimas noticias
27-11-2024:
Videojuegos y creaci...
Se abre la línea de ayuda pública: Ayudas para la promoción del sector del videojuego, del pódcast y otras formas de creación digital
27-11-2024:
DGIPYME
En las últimas 48 horas el Organismo DGIPYME ha otorgado 1 concesiones
Descripción del proyecto
The new frontier for weather prediction is the so-called subseasonal time scale of two weeks to two months ahead. To take preventive measures at an early stage, reliable forecasts on this time scale are becoming increasingly important for multiple socio-economic sectors. Subseasonal predictability can be gained from recurring patterns in the Earth system. ASPIRE will focus on one of these, namely modes of tropical convective variability. Long-standing systematic errors due to the parametrization of processes in numerical weather prediction models prevent the predictability of these modes from being exploited. Simply running models at a resolution high enough to resolve tropical convection is not feasible due to high computational costs. Taking advantage of three recent developments, ASPIRE will explore new ways to better exploit the intrinsic predictability of tropical convective modes without exhausting the currently available computing resources.
The uniqueness of ASPIRE is its cross-disciplinary approach that builds on my experience in atmospheric dynamics and predictability, numerical modeling, and machine learning (ML). First, ASPIRE will identify the source regions and pathways of tropical forecast errors that prevent the intrinsic predictability from being exploited using a new set of subseasonal ensemble hindcasts. Second, ASPIRE will quantify for the first time the added value of locally confined kilometer-scale resolution in the source regions identified before, and generate probabilistic predictions from deterministic forecasts through ML-based post-processing. Third, to enable simulations at kilometer-scale resolution in operations, ASPIRE will develop ML approaches that emulate the integrated effect of the resolved convection in the tropics at substantially reduced costs. If successful, this approach would be a breakthrough towards improved operational weather forecasts at substantially lower computational costs, for a global socio-economic benefit.
Seleccionando "Aceptar todas las cookies" acepta el uso de cookies para ayudarnos a brindarle una mejor experiencia de usuario y para analizar el uso del sitio web. Al hacer clic en "Ajustar tus preferencias" puede elegir qué cookies permitir. Solo las cookies esenciales son necesarias para el correcto funcionamiento de nuestro sitio web y no se pueden rechazar.
Cookie settings
Nuestro sitio web almacena cuatro tipos de cookies. En cualquier momento puede elegir qué cookies acepta y cuáles rechaza. Puede obtener más información sobre qué son las cookies y qué tipos de cookies almacenamos en nuestra Política de cookies.
Son necesarias por razones técnicas. Sin ellas, este sitio web podría no funcionar correctamente.
Son necesarias para una funcionalidad específica en el sitio web. Sin ellos, algunas características pueden estar deshabilitadas.
Nos permite analizar el uso del sitio web y mejorar la experiencia del visitante.
Nos permite personalizar su experiencia y enviarle contenido y ofertas relevantes, en este sitio web y en otros sitios web.