(Machinaal) leren van onze fouten: de confrontatie tussen landoppervlakte modellen en artificiele intelligentie

Fysisch-gebaseerde landoppervlakte modellen (LM) weerspiegelen ons huidig inzicht in natuurlijke biogeofysische terrestrische processen. Deze modellen worden gebruikt om de impact van processen op het land op te nemen in voorspellingen van het weer, klimaat en andere toepassingen. Data-gedreven ‘machine learning’ (ML) wordt momenteel bijna in alle onderzoeksvelden gebruikt, en ook in ons dagelijkse leven, maar het potentieel ervan is nog niet helemaal benut in Aardwetenschappen. Dit project wil (i) ML gebruiken om verbanden te vinden tussen landoppervlakte variabelen (zoals bodemvocht, vegetatie, en sneeuw) en meteorologische invoer (zoals neerslag, temperatuur, radiatie en wind), en (ii) ML confronteren met LM en satelliet-gebaseerde data assimilatie over land, om ons inzicht in biogeofysische processen te verbeteren, fysische theorieën te verfijnen, en bij te dragen tot de ontwikkeling van een 'digitale tweeling' van onze planeet Aarde.

Trefwoorden:Land surface modeling, Data assimilation, Artificial intelligence, Soil moisture, Vegetation, Snow, Microwave satellite data

Disciplines:Remote sensing, Hydrologie van oppervlaktewater, Klimatologie, Kanstheorie, Datamining, Kennisrepresentatie en redenering