« Projekte

Bitte aktivieren Sie JavaScript in Ihren Browsereinstellungen, um das Forschungsportal nutzen zu können.

Sie verwenden einen sehr veralteten Browser und können Funktionen dieser Seite nur sehr eingeschränkt nutzen. Bitte aktualisieren Sie Ihren Browser. http://www.browser-update.org/de/update.html

Das maßstabsgetreue Meereis-Projekt

Projektleiter:

Prof. Dr. Thomas Richter

Projektbearbeiter:

Dr. Piotr Minakowski

Projekthomepage:

http://sasip-climate.github.io/

Finanzierung:

Stiftungen - Sonstige; 01.08.2021 bis 31.07.2025

Das Scale-Aware Sea Ice Project zielt darauf ab, ein wirklich innovatives, maßstabsgerechtes Kontinuums-Meereismodell für die Klimaforschung zu entwickeln, das die Meereisdynamik und die Thermodynamik von getreu abbildet und physikalisch fundiert, datenadaptiv, hochgradig parallelisiert und rechnerisch effizient ist. SASIP wird maschinelles Lernen und Datenassimilation einsetzen, um große Datensätze zu nutzen, die sowohl aus Simulationen als auch aus der Fernerkundung stammen.

Durch die Weiterentwicklung bestehender wichtiger Simulatoren auf dem neuesten Stand der Technik, die von einigen der Forscher entwickelt wurden, wird SASIP ein datenbeschränktes Meereismodell erstellen, das auf einer festkörperähnlichen Physik beruht. Dieses Modell wird verbesserte hochauflösende und großmaßstäbliche Vorhersagen über das arktische und antarktische Meereis sowie die Ausbreitung von meereisbedingten Klima-Rückkopplungen ermöglichen. Der Einsatz hybrider Datenassimilations- und maschineller Lernansätze als fester Bestandteil der Modellarchitektur wird objektive Kombinationen von Modellen und Daten ermöglichen. Letztendlich wird SASIP durch die Entwicklung eines Modells, das Unsicherheiten im Zusammenhang mit globalen Erdsystemen verringert, ein besseres Verständnis der Auswirkungen einer verstärkten Erwärmung in den Polarregionen ermöglichen.

The Scale-Aware Sea Ice Project

The Scale-Aware Sea Ice Project aims to develop a truly innovative, scale-aware continuum sea ice model for climate research; one that faithfully represents sea ice dynamics and thermodynamics and that is physically sound, data-adaptive, highly parallelized and computationally ef cient. SASIP will use machine learning and data assimilation to exploit large datasets obtained from both simulations and remote sensing.

Through the further development of existing important state-of-the-art simulators created by some of the investigators, SASIP will build a data-constrained sea ice model that is based on solid-like physics. This model will allow improved high resolution and large scale predictions of Arctic and Antarctic sea ice, and the propagation of sea ice related climate feedback. Employing hybrid data assimilation and machine learning approaches as a native part of the model architecture will allow for objective combinations of models and data. Ultimately, SASIP will give a better understanding of the impact of amplified warming in polar regions through the development of a model that reduces uncertainties related to global earth systems.