Prosjekt

SNOWDEPTH kombinerer lasermålinger fra satellitten ICESat-2 med data fra andre satellitter, kart, klima-reanalyser og statistisk modellering for å kartlegge hvor mye snø som ligger på bakken. Sluttproduktet er tidsserier med snødybdekart for hele verden.

Tilsvarende data eksisterer ikke nå, siden det ikke finnes noen enkel og tidsbesparende metode for å måle snødybde over større områder i fjellet. Snømengden om vinteren er ikke bare nyttig å vite for skiføret i Norge - mest av alt avgjør den hvor mye smeltevann elvene fører om våren og sommeren. Snø er en viktig kilde for drikkevann, vannkraft, vanning, men også flommer for store deler av verdens befolkning.

Målinger i felt, som fra værstasjoner, finnes hovedsakelig på lett tilgjengelige steder i rike land. SNOWDEPTH kommer til å levere hittil ukjent, og svært ettertraktet, global informasjon om snødybde. Det vil være nyttig data for mange relaterte fagfelt samt vannkraftindustrien i Norge, og er av stor betydning særlig for mindre utviklede land og steder hvor det ikke finnes et tett nett med målestasjoner.

I første del av prosjektet skal vi utvikle metoder for å lage globale snødybdekart basert på ensemble-baserte data assimilationsmetoder, som ligner de som brukes for å lage klima-reanalyser.

Del to av prosjektet inkluderer tre dypdykk i bruksområder der snødybde har et spesielt stort potensial for å bidra til ny kunnskap, og som er relevante for å følge med på klimaforandringer:

1. permafrost: snø isolerer bakken fra den kalde vinterlufta, så nøyaktige kart over snødybden er helt avgjørende for å modellere permafrost korrekt;
2. klima-reanalyser: snødybdemålinger fra SNOWDEPTH kan forbedre modellene for steder med få observasjonspunkter, som per i dag har lav kvalitet; og
3. nedbørsmengder i høyfjellet: nedbørsprosesser i høyden er dårlig forstått fordi det finnes få målepunkter. Satellitt-baserte snødybdedata vil kunne fylle et kunnskapshull der.

Prosjekt

Prosjekt

Luftforurensning er et globalt problem med alvorlige konsekvenser for helse og velvære. Ifølge Verdens helseorganisasjon (WHO) er luftforurensning skyld i syv millioner dødsfall per år på verdensbasis. Med tanke på dette er det et klart behov for et luftkvalitetsstyringssystem (Air Quality Management System - AQMS) som kan gi luftkvalitetsinformasjon i høy oppløsning, både med hensyn til tid (innen få minutter) og rom (del av gate) til offentlige og andre relevante etater.

Systemet bør være situasjonsbetinget og støtte folk i å ta egne avgjørelser om hensiktsmessige luftkvalitetstiltak. Per i dag finnes det ikke noe AQMS som tilfredsstiller alle disse behovene.

Dette prosjektet tar sikte på å oppfylle disse behovene via en programvareløsning som tillater autonom og intelligent databehandling av luftkvalitet (AQ) fra skyen til flere nivåer av nettverksenheter mot kanten av nettverket (f.eks. switcher, rutere og embedded servere).

For å oppnå dette foreslår AirQMan en ny databehandlingsmodell som er i stand til å selvstendig bestemme den optimale AQ-databehandlingsflyten og de riktige opplærte maskinlæringsmodellene for å maksimere nøyaktigheten av en prediksjon for en AQ-forespørsel.

AirQMan inneholder også et databehandlingsrammeverk som avgjør den optimale distribusjonen av de nevnte databehandlingsplattformene. Dette gir effektiv beregning av maskinlæringsmodeller, samtidig som det tilfredsstiller kravene til nøyaktig luftkvalitetsprediksjon og informasjonsforsyning med kort ventetid.