Il programma ha l’obiettivo di sviluppare un approccio data-centered trasversale che vada a complementare e rafforzare, grazie a specifici progetti, gli altri programmi con finalità tematiche più verticali. La necessità di strutturare un programma su questo tema nasce dall’enorme e continua crescita della disponibilità di dati, anche da fonti non tradizionali, che, insieme a tecniche di AI, possono essere usati anche se non direttamente riguardanti le variabili primarie di interesse. Inoltre, molte policies definiscono un nuovo paradigma sull’uso e sulla condivisione dei dati, che non sono più considerati un ausilio per raggiungere determinati scopi ma diventano un obiettivo sé stante.
Il programma si basa sia sui know-how già esistenti, quali le capacità modellistiche e le conoscenze dei processi a livello di dettaglio territoriale molto superiore a quello tipico delle comunità degli earth system modelers, sia su know-how di più recente interesse per Fondazione CIMA. Tra questi, le tecniche fondamentali di AI, in particolare di machine learning.
Il primo nuovo campo di azione da esplorare per la caratterizzazione del programma si basa sull’utilizzo di tecniche che uniscono la AI con metodologie di data assimilation (e.g. Deep Data Assimilation), con potenzialità di applicazione sia sul tema della previsione impact-based in tempo reale, sia su quello dei profili multi-rischio con approccio probabilistico. Tale azione potrà consentire di risolvere alcune criticità che ancora impediscono l’uso operativo di tecniche di data assimilation avanzate in alcuni elementi della catena modellistica o l’utilizzo di dati non direttamente legati alle variabili predittive principali. Nello specifico, i primi obiettivi da perseguire (in parte già inclusi in progetti di recente attivazione) sono l’accoppiamento di tecniche 4DVAR e Ensemble Kalman Filter; l’applicazione di deep neural networks nel downscaling statistico per migliorare la previsione di qualità dell’aria e di produzione di energia da fonte eolica; l’esplorazione del tema della selection of observations for data assimilation and feature engineering con tecniche di deep learning e, infine, l’ esecuzione di bias corrections per scenari climatici con tecniche di machine/deep learning.