Development and application of data-driven models for environmental analyses (DTA.AD001.025)

Area tematica

Scienze del sistema Terra e tecnologie per l'ambiente

Area progettuale

Struttura responsabile del progetto di ricerca

Istituto sull'inquinamento atmosferico (IIA)

Responsabile di progetto

ANTONELLO PASINI
Telefono: 0690672274
E-mail: pasini@iia.cnr.it

Abstract

Il clima è un sistema complesso per il cui studio si utilizzano normalmente modelli dinamici, i cosiddetti Global Climate Models (GCMs), che sono in grado sia di ricostruire in maniera generalmente soddisfacente il clima passato, sia di comprendere le cause preminenti del recente riscaldamento globale, sia di fornire proiezioni future. Tali modelli presentano però alcune criticità ed incertezze nelle routine di parametrizzazione e nel bilanciamento tra i vari moduli. Per questo fatto, e per la considerazione che lo studio dei sistemi complessi può beneficiare della sua analisi da parte di modelli di tipo diverso, in questo progetto si sviluppano e applicano allo studio del clima modelli di tipo data-driven, in particolare modelli a rete neurale e di causalità di Granger. Le applicazioni vanno dagli studi di attribution globale e regionale, alle previsioni decadali (punto debole dei GCMs), fino all'abbassamento di scala (downscaling) e ai relativi studi di impatto locale, anche in seguito all'ottenimento di scenari futuri a questa scala. Inoltre, uno sviluppo recente di modelli a rete neurale consente anche di effettuare previsioni meteorologiche stagionali ad alta risoluzione.

Obiettivi

Obiettivi di questo progetto sono:
- ottenere risultati di attribution a varie scale da confrontare con quelli dei GCMs al fine di valutare la robustezza dei risultati stessi, ottenuti ora da modelli completamente indipendenti;
- analizzare aspetti particolari dei cambiamenti climatici recenti che si possono esplorare più compiutamente con i modelli data-driven;
- procedere al downscaling statistico (con modelli a rete neurale) ed effettuare particolari studi di impatto locale sul territorio, sia per la ricostruzione passata che per scenari futuri;
- effettuare affidabili previsioni climatiche decadali (particolarmente critiche per i GCMs) con modelli data-driven;
- effettuare affidabili previsioni meteorologiche stagionali ad alta risoluzione.

Data inizio attività

01/01/2016

Parole chiave

Clima, Reti neurali, Granger causality

Ultimo aggiornamento: 06/07/2025