SEEDLING
Améliorer et renouveler les paramétrisations des ondes de gravité en s’appuyant sur les
données
Axes Environnement
Mathématiques
∩ Physique
Aperçu
Améliorer la représentation des ondes de gravité atmosphériques dans les modèles climatiques.
Mots clefs
Climate, modeling, dynamics, parameterizations, machine learning, nonlinearity.
Coordination
- Aurélie Fischer (Université Paris Cité, Laboratoire de Probabilités, Statistique et Modélisation)
- Riwal Plougonven (École Polytechnique, Laboratoire de Météorologie Dynamique, Institut Polytechnique de Paris)
- Antoine Venaille (ENS Lyon)
Financement
- 549 269 € sur 60 mois (Projet scientifique lauréat de l’appel à projets 2024)
Résumé
Le projet scientifique SEEDLING réunit mathématiciennes et mathématiciens, physiciennes et physiciens et climatologues pour améliorer la représentation des ondes de gravité atmosphériques dans les modèles climatiques, un élément clé de l’Oscillation Quasi-Biennale (QBO).
Le projet combine apprentissage statistique, observations par ballons et simulations numériques à haute résolution pour contraindre les paramétrisations existantes et développer un modèle atmosphérique idéalisé bidimensionnel. Ses retombées : paramétrisations plus fiables, meilleure compréhension des interactions ondes-écoulement moyen et nouvelles collaborations interdisciplinaires autour des processus non résolus dans les modèles climatiques.
- Contraindre et améliorer les paramétrisations des ondes de gravité.
- Développer un modèle atmosphérique idéalisé pour analyser les interactions ondes-écoulement.
- Favoriser les échanges interdisciplinaires et initier des collaborations durables autour de la QBO.
- Apprentissage statistique et assimilation de données pour relier observations et modèles.
- Modélisation bidimensionnelle et simulations idéalisées.
- Analyse des processus non résolus dans les modèles climatiques.
- Apprentissage statistique et méthodes de calibration.
- Simulations numériques haute résolution.
- Analyse des ondes de gravité et paramétrisations dans les modèles climatiques
- Paramétrisations plus précises pour les modèles climatiques.
- Meilleure compréhension des mécanismes physiques de la QBO.
- Renforcement des collaborations interdisciplinaires en sciences du climat
Plus de projets
