Kunstig intelligens og maskinlæring kombineres med fysikbaserede modeller for udvikling af værktøjer til forbedret vandmodellering. Projektet styrker danske AI-kompetencer og leverer værktøjer, der fremmer innovation og bæredygtige løsninger på komplekse vandrelaterede udfordringer.
Dette aktivitetsområde har til formål at styrke danske virksomheders adgang til avancerede AI-baserede modelleringsværktøjer inden for vand- og miljøområdet. Fokus er at udvikle og modne teknologier, som kan øge effektiviteten, forbedre beslutningsgrundlaget og fremme innovation. Et centralt mål er at opbygge national ekspertise inden for hurtige, fysik-informerede surrogatmodeller samt at evaluere nye AI-teknikker til vejrnedskalering, som kan anvendes som input til vandmodeller. Samtidig etableres workflows for tidsserieprognoser. Tilsammen skal disse tiltag reducere teknologiske barrierer, understøtte klimatilpasning og styrke den operationelle robusthed på tværs af sektoren.
Aktivitetsplanen består af tre hovedspor:
- Udvikling af AI-baserede surrogatmodeller til marine og urbane vandsystemer. Disse modeller kombinerer datadrevne metoder med fysisk viden der giver væsentlig lavere beregningstid end traditionelle modeller og derved muliggør mere avancerede scenarieanalyser og optimeringsberegninger.
- Evaluering af AI-drevet vejrnedskalering, hvor teknologier som ECMWF’s Anemoi og generative super-resolution-metoder analyseres. Målet er at undersøge, om der kan opnås mere detaljeret lokal forcering uden at skulle udføre egne ressourcetunge numeriske vejrmodel simuleringer.
- Udvikling af avancerede tidsseriemodeller til prognoser af forskellige variable som fx vandstand, vandføring og bølger baseret på nyeste udviklinger inden for foundation-modeller.
Dette aktivitetsområde har til formål at styrke danske virksomheders adgang til avancerede AI-baserede modelleringsværktøjer inden for vand- og miljøområdet. Fokus er at udvikle og modne teknologier, som kan øge effektiviteten, forbedre beslutningsgrundlaget og fremme innovation. Et centralt mål er at opbygge national ekspertise inden for hurtige, fysik-informerede surrogatmodeller samt at evaluere nye AI-teknikker til vejrnedskalering, som kan anvendes som input til vandmodeller. Samtidig etableres workflows for tidsserieprognoser. Tilsammen skal disse tiltag reducere teknologiske barrierer, understøtte klimatilpasning og styrke den operationelle robusthed på tværs af sektoren.
Aktivitetsplanen består af tre hovedspor:
- Udvikling af AI-baserede surrogatmodeller til marine og urbane vandsystemer. Disse modeller kombinerer datadrevne metoder med fysisk viden der giver væsentlig lavere beregningstid end traditionelle modeller og derved muliggør mere avancerede scenarieanalyser og optimeringsberegninger.
- Evaluering af AI-drevet vejrnedskalering, hvor teknologier som ECMWF’s Anemoi og generative super-resolution-metoder analyseres. Målet er at undersøge, om der kan opnås mere detaljeret lokal forcering uden at skulle udføre egne ressourcetunge numeriske vejrmodel simuleringer.
- Udvikling af avancerede tidsseriemodeller til prognoser af forskellige variable som fx vandstand, vandføring og bølger baseret på nyeste udviklinger inden for foundation-modeller.
GTS Login
Log ind som GTS bruger for at administrere dine indsatsområder og aktiviteter.