Advertentie
Nu Destination Earth de tweede fase is ingegaan, zijn verschillende bedrijven bezig de voorgestelde systemen uit te werken, te verbeteren en operationeel te maken. Hierbij willen de bedrijven de rol van machine learning en AI vergroten. Dit moet uiteindelijk voor meer detail en nauwkeurigheid zorgen. Ook moet het systeem configureerbaar zijn en moet de data eenvoudig inzichtelijk worden, zodat de informatie voor een breed publiek bereikbaar is via https://platform.destine.eu/.
Er bestaan natuurlijk al klimaat- en weersvoorspellingsimulaties, maar met DestinE moet een grote stap vooruit worden gezet. Huidige systemen zoals de Copernicus Climate Change Service en het Coupled Modelling Intercomparison Project (CMIP) kunnen informatie bieden voor regionale weer- en klimaatmodellen, maar hebben als nadeel dat ze slecht inzetbaar zijn om grotere gebieden - laat staan de hele wereld - te simuleren. Dat is een vereiste om inzicht te krijgen in de volledige impact van klimaatverandering, maar vooral ook om mitigerende strategieën efficiënt in te kunnen zetten en pijnpunten inzichtelijk te maken.
YouTube Privacymelding
Op deze positie willen we je een YouTube-video tonen. We vinden het belangrijk om je gegevens te beschermen. Youtube wil voor het afspelen van video cookies op je computer plaatsen, waarmee je eventueel gevolgd kan worden. Wanneer je de video toch wil bekijken, kun je op de Play-knop klikken. De video wordt daarna geladen en afgespeeld.
Het TechnologyInsider-team
Youtube Video direct afspelen.
Een van de ontwerpdoelen van DestinE is om tot een hogere resolutie te komen dan bij de huidige modellen. Die modellen maken gebruik van datapunten die 25 tot ruim 50 kilometer uit elkaar liggen. Voor DestinE is het de bedoeling dat de datapunten slechts 5 kilometer uit elkaar komen te liggen, zodat de resolutie van de simulaties vele malen hoger moet zijn. Dit moet wetenschappers in staat stellen veel exactere voorspellingen te doen. Een direct voordeel hiervan is bijvoorbeeld dat de optimale locatie van een windmolenpark beter kan worden bepaald.
Door schaalvergroting en de verhoging van de resolutie van klimaatmodellen is er natuurlijk veel meer rekenkracht vereist dan bij oudere modellen. Hiervoor wordt de LUMI-Supercomputer in Finland ingezet. Voor DestinE is het de bedoeling dat een compleet jaar aan data per model in een enkele dag moet kunnen worden gesimuleerd. Elke gesimuleerde dag levert hierbij maar liefst 90 terabyte aan data op. Met verschillende gelijktijdig draaiende modellen wordt elke dag honderden petabytes aan data gegenereerd.
Om deze gigantische stroom aan (toekomstige) data het hoofd te bieden, is de hulp ingeschakeld van Hewlett Packard Labs. Alle data beschikbaar stellen is simpelweg onmogelijk, dus het is de bedoeling om enkel de relevante data te streamen naar de experts die hem nodig hebben. Hiervoor is een Middleware-toepassing nodig die automatisch dataverplaatsingen inplant op basis van de taken die moeten worden uitgevoerd door de verschillende verbonden onderzoeksinstituten, bedrijven en andere organisaties.
De gekozen Middleware-toepassing heet Maestro. Dit is oorspronkelijk in 2018 door Cray ontwikkeld, in samenwerking met Europese onderzoekers, onder andere van de Ecmwf. Sinds Cray in 2019 werd overgenomen door HPE is het team achter Maestro opgegaan in Hewlett Packard Labs. Daarom werd dit team ingeschakeld om de implementatie van Maestro in goede banen te leiden bij DestinE.