WP-1500.1 e WP-1500.2
L’obiettivo principale dei due compiti era quello di consentire all’infrastruttura EMM di condurre studi di impatto ed eseguire simulazioni end-to-end di missioni spaziali esistenti e future dedicate al telerilevamento dell’atmosfera terrestre. L’obiettivo è stato perseguito attraverso due attività: da un lato, sono state acquisite adeguate risorse di calcolo ad alte prestazioni. D’altro canto, sono stati installati, caratterizzati e potenziati alcuni moduli software open source rilevanti per costruire un set di strumenti adatti a svolgere gli studi e le simulazioni citati.
Hardware
L’hardware ora disponibile presso l’Area di Ricerca del CNR a Sesto Fiorentino (FI), centro di calcolo INO, include:
- Cluster per calcolo parallelo (448 core a 2,85 GHz, 2048 Gb di RAM)
- Server ottimizzato per l’elaborazione sequenziale (96 core a 3,6 GHz, 768 GB di RAM)
- Sistema di archiviazione da 450 TB, ridondante
- Rete interna del rack a 200 Gb/s, UPS
Inoltre, ai fini dello sviluppo e della sperimentazione, il CNR-IAC ha acquistato un server Dell R940 – NVME dotato di quattro processori Xeon Gold 6252N, ciascuno con 24 core, e 1 TB di RAM.
Software:
Il software open source disponibile, installato e caratterizzato, comprende diversi modelli di trasferimento radiativo, tra cui:
- Il modello accurato KLIMA sviluppato e gestito presso il CNR-IFAC (vedi Del Bianco, S.; Carli, B.; Gai, M.; Laurenza, L.M.; Cortesi, U. XCO2 recuperato da IASI utilizzando l’algoritmo KLIMA. Ann. Geophys., 56. https://doi.org/10.4401/ag-6331, 2014)
- Il modello di trasferimento radiativo veloce per TOV (RTTOV, https://nwp-saf.eumetsat.int/site/software/rttov/) con la sua variante iper-veloce che utilizza l’analisi delle componenti principali (PC-RTTOV).
- Il codice σ-IASI/F2N sviluppato presso le Università della Basilicata e di Bologna (https://zenodo.org/records/7019991)
- Il modello di trasferimento radiativo rapido (RRTM) http://rtweb.aer.com/rrtm_frame.html sviluppato dalla società AER negli Stati Uniti
- Lo schema di radiazione eCrad dell’ECMWF (https://confluence.ecmwf.int/display/ECRAD)
- Il CLAIM (Clouds and Atmosphere Inversion Module), il codice di recupero del progetto Far-Infra-Red Outgoing Radiation Understanding and Monitoring – End-to-End simulator (FORUM E2E) (https://amt.copernicus.org/articles/15/573/2022/) , basato sul Line-by-line Radiative Transfer Module (LBLRTM) (https://github.com/AER-RC/LBLRTM) e sul DIScrete Ordinate Radiative Transfer (DISORT) (http://www.rtatmocn.com/disort). La figura seguente mostra esempi di radianze simulate risolte spettralmente che salgono verso l’alto alla sommità dell’atmosfera (TOA), per atmosfere con cielo sereno e nuvoloso.
Inoltre, nell’ambito del progetto infrastrutturale, abbiamo anche sviluppato strumenti per il calcolo dei flussi spettrali
(integrazione angolare della radianza spettrale) e strumenti per le convoluzioni della funzione di risposta spettrale degli strumenti.
Confronto tra modelli di trasferimento radiativo veloce
Gli strumenti di trasferimento radiativo installati presso il centro di calcolo del CNR-INO sono stati valutati sia dal punto di vista della precisione che della velocità. La precisione dei modelli è stata valutata confrontando le radianze spettrali o i flussi specifici per banda con calcoli analoghi effettuati utilizzando il modello KLIMA, lento ma accurato.
Le figure sopra riportate mostrano alcuni esempi dei risultati delle comparazioni incrociate tra RTTOV e KLIMA e tra σ-IASI/F2N e KLIMA, rispettivamente.
I due codici sono stati analizzati anche dal punto di vista algoritmico. Le caratteristiche dei due codici sono riassunte nella tabella seguente.
| Caratteristica | RTTOV | σ-IASI/F2N |
| Sviluppo | Grande team di sviluppo e comunità. Già utilizzato in modelli meteorologici. | Piccola comunità e team di sviluppo, quasi interamente italiano. |
| Algoritmo (cielo sereno) | Completamente parametrico | Sviluppo in serie |
| Algoritmo (cielo nuvoloso) | Completamente parametrico | Modelli fisici Chu+Tang |
| Prodotto | Radianza strumentale | Radianza ad alta risoluzione e radianza strumentale dopo convoluzione con l’ISRF |
| Numero di gas variabili | A seconda dei predittori. Max 7 per la maggior parte degli strumenti. | Max 12 gas. |
| Accuratezza | Per FORUM: circa 100% dell’ARA | Per FORUM: circa 40% dell’ARA. |
| Inserimento in un modello climatologico o meteorologico | Semplice. | Solo come eseguibile esterno. |
| RT di singoli canali spettrali | SÌ | NO |
| Ottimizzazione numerica | Già eseguita | Ampio margine |
| Ulteriore ottimizzazione | Utilizzando la versione PC-RTTOV | Ampio margine |
La caratteristica più importante è la possibilità di eseguire il trasferimento radiativo su singoli canali, aspetto essenziale nell’assimilazione. Il codice RTTOV è in grado di farlo, poiché la convoluzione con l’ISRF è già integrata nella tabella dei coefficienti pre-registrati, mentre il σ-IASI/F2N richiede l’esecuzione di una convoluzione, per cui è necessario un intero intervallo di frequenze.
L’RTTOV può essere ulteriormente ottimizzato utilizzando la versione PC-RTTOV di Matricardi (https://rmets.onlinelibrary.wiley.com/doi/10.1002/qj.680). Il PC-RTTOV è in grado di ricostruire uno spettro IASI completo (8461 canali spettrali) utilizzando solo un sottoinsieme di canali (chiamati punteggi) e un’operazione lineare. Nella figura sottostante riportiamo l’errore relativo alla ricostruzione spettrale completa utilizzando 50, 200 e 300 punteggi, rispetto al rumore casuale IASI.
Il tempo di calcolo di PC-RTTOV utilizzando 200 punteggi è circa 1/10 di quello del trasferimento radiativo completo RTTOV.
Flussi in uscita a onde lunghe
Anche le radianze spettrali prodotte da KLIMA e σ-IASI/F2N sono state integrate angolarmente (con uno strumento di nuova concezione) per ottenere i flussi di energia in direzione discendente e ascendente in specifiche bande spettrali. I flussi ottenuti sono stati poi confrontati con quelli generati dai codici RRTM ed eCrad.
Ecco un esempio del confronto incrociato tra i flussi derivati da KLIMA e RRTM. Pur essendo più veloce di KLIMA di diversi ordini di grandezza, RRTM fornisce flussi totali a onde lunghe con una precisione dell’ordine di 1-2 W/m2.
Confronto delle velocità di calcolo
La tabella seguente riassume i tempi di calcolo richiesti dai codici di trasferimento radiativo che calcolano le radianze risolte spettralmente (KLIMA, σ-IASI/F2N e RTTOV).
Codice RTM | Tempo trascorso | Tempo CPU |
| KLIMA | ~ 1200 ore | 43,2 * 105 s |
| SIGMA-IASI | 104 s | 45 s |
| RTTOV | 8,6 s | 7,6 s |
I codici RRTM ed eCrad calcolano solo i flussi integrati per banda e quelli totali e sono solitamente integrati in modelli globali che li richiamano miliardi di volte nel corso di una singola esecuzione del modello. Pertanto, sebbene siano meno precisi, questi codici sono di gran lunga più veloci sia di RTTOV che di σ-IASI/F2N.
Applicazioni e know-how
Utilizzando i modelli di trasferimento radiativo caratterizzati descritti in precedenza, siamo in grado di costruire la catena end-to-end (E2E) (dall’acquisizione dei dati ai prodotti geofisici di Livello 2) per la simulazione di missioni di telerilevamento passivo atmosferico. La simulazione E2E permette di caratterizzare la qualità del prodotto in funzione delle caratteristiche di misura, risultando quindi estremamente utile per definire i requisiti nelle fasi iniziali di una nuova missione.
Al contrario, date l’accuratezza, la precisione e le specifiche geometriche di una missione futura o già in corso, possiamo valutare le informazioni contenute nelle misurazioni e la possibilità di ricavare nuovi prodotti geofisici.
Metodi di Intelligenza Artificiale
A causa del grande volume di dati attesi dai sensori di prossima generazione, sono stati proposti nuovi approcci di machine learning (ML). Sebbene questi approcci debbano basarsi su modelli fisici durante la fase di addestramento, gli algoritmi stessi, tipicamente basati su architetture come le reti neurali, apprendono una relazione funzionale direttamente dai risultati generati in precedenza per problemi identici o simili.
In linea di principio, i metodi di ML possono sostituire qualsiasi procedura basata sulla fisica completa. Tuttavia, nel campo del telerilevamento, la ricerca si è concentrata principalmente su tre aree di applicazione:
- Classificazione delle scene, come la distinzione tra condizioni di cielo sereno e nuvoloso, o la stima di indici relativi all’omogeneità della scena e alla nuvolosità.
- Il modello diretto, ovvero la previsione di uno spettro a partire da un dato stato atmosferico (trasferimento radiativo, RT).
- Il problema inverso, ovvero il recupero dello stato atmosferico dalle misurazioni (retrieval).
La classificazione delle scene è importante perché la presenza di nuvole richiede l’uso di modelli di trasferimento radiativo che tengano conto della diffusione multipla. Gli strumenti moderni sono spesso integrati da sensori ausiliari per l’analisi del campo visivo, e alcuni strumenti sono progettati specificamente per il rilevamento e la caratterizzazione delle nuvole.
Una sfida importante per gli approcci di ML applicati al problema del RT è la maledizione della dimensionalità. Uno stato atmosferico può essere descritto da centinaia di parametri, mentre la radianza spettrale corrispondente può consistere di migliaia di canali. Nei modelli a fisica completa, le correlazioni tra i canali spettrali sono intrinsecamente rappresentate. Al contrario, i modelli di ML devono apprendere queste correlazioni dal set di dati di addestramento, il che è un compito impegnativo.
Per il problema del recupero, la difficoltà principale risiede nella natura mal posta dell’inversione. I metodi di recupero a fisica completa affrontano questo problema attraverso tecniche di regolarizzazione, come la riduzione della dimensionalità utilizzando l’Analisi delle Componenti Principali (PCA), o vincolando le soluzioni verso un prior climatologico. Gli approcci ML devono incorporare strategie simili, sia apprendendo una regolarizzazione appropriata dal set di dati di addestramento, sia proiettando sia gli stati atmosferici che le radianze in spazi a dimensionalità inferiore (spazi latenti) e apprendendo le relazioni tra queste rappresentazioni (ad esempio, approcci di gemelli latenti).
Sebbene i metodi di ML offrano un’inferenza molto veloce una volta addestrati, la loro accuratezza di recupero è ancora generalmente inferiore a quella raggiunta dagli approcci full-physics. La ricerca in corso mira a migliorarne la precisione, rendendoli potenzialmente una valida alternativa a metodi più onerosi dal punto di vista computazionale.
WP-1500.5 – Miglioramento della rappresentazione dei flussi radiativi nei modelli di clima globale
Finalità scientifica e infrastrutturale:
I flussi radiativi rappresentano un elemento fondamentale per la comprensione del sistema climatico terrestre, poiché governano l’equilibrio energetico del pianeta e la risposta diretta al forcing dei gas serra, il principale motore del cambiamento climatico in atto. In questo delicato bilancio tra energia assorbita e riemessa, le nubi giocano un ruolo di primissimo piano: la loro presenza altera il bilancio radiativo netto di circa 20 W/m², un valore imponente se confrontato con l’attuale sbilancio di circa 0.7 W/m² che sta scaldando il pianeta. Proprio per questo, affinché i modelli climatici possano fornire proiezioni future affidabili, è indispensabile che calcolino con precisione questi flussi energetici. Tuttavia, la rappresentazione delle nubi all’interno dei modelli rimane una delle maggiori fonti di incertezza scientifica, a causa delle scale spaziali e della complessità dei processi microfisici coinvolti.
In questo contesto si inserisce l’attività del presente modulo, il cui obiettivo primario è lo sviluppo dei modelli climatici e l’analisi dei bias sistematici che affliggono la simulazione dei flussi radiativi e della loro variabilità, con particolare attenzione alla rappresentazione delle nubi. Parallelamente, il modulo si occupa della simulazione del clima storico e di scenari futuri, con la produzione di campi atmosferici (ad esempio flussi radiativi, profili di temperatura/umidità, distribuzione nubi) per l’interfaccia con le osservazioni.
Nei primi due anni di attività, il focus principale del modulo è stato lo sviluppo della versione climatica del modello GLOBO, modello atmosferico sviluppato a CNR-ISAC per le previsioni meteorologiche e recentemente adattato allo studio del sistema climatico su scale stagionali/decadali (https://git.isac.cnr.it/esm/globone). Le applicazioni dedicate all’interfaccia fra modello e osservazioni si concentrano invece intorno al modello climatico EC-Earth, sviluppato all’interno di un consorzio europeo di cui CNR-ISAC è core partner.
Inquadramento nella componente EMN
Il modulo è parte della componente EMN – Earth and Mars Research Network e si colloca nell’ambito delle attività modellistiche meteo-climatiche. L’interazione con le altre componenti dell’infrastruttura ha lo scopo di valorizzare la potenzialità di future osservazioni della Terra (ad esempio FORUM o LETO) nell’analisi della risposta radiativa del sistema climatico al forcing antropico. Il modulo fornisce un framework con il quale esplorare da un lato l’opportunità fornita da determinate osservazioni per la comprensione dei deficit dei modelli e dall’altro, attraverso proiezioni in vari scenari futuri, l’impatto di future osservazioni sullo studio dei feedback climatici.
Unità Funzionali
1. Cluster HPC
Il modulo ha a sua disposizione un cluster di calcolo parallelo per la modellistica climatica, con un server GPU dedicato. Il sistema è costituito da 16 nodi di calcolo (64 cpu ciascuno), un sistema di storage (200 Tb) e un nodo GPU (3 GPU A30). Il cluster è a disposizione dell’infrastruttura per lo sviluppo e il test dei modelli, per la produzione e lo storage di simulazioni climatiche e per le attività legate all’interfaccia con le osservazioni.
2. Simulazione del clima storico e di scenari futuri
Il modulo si avvale di due strumenti modellistici principali. GLOBO è un modello di circolazione generale dell’atmosfera sviluppato da oltre 30 anni al CNR-ISAC, ora aggiornato nella sua parametrizzazione radiativa e predisposto all’accoppiamento con il modello oceanico NEMO – in collaborazione con CNR-ISMAR – per simulazioni su scala stagionale e decadale e su scenari climatici. Il modello accoppiato è attualmente in fase di sviluppo, ma una versione preliminare è disponibile attraverso il repository di istituto: https://git.isac.cnr.it/esm/globone.
EC-Earth è un modello climatico accoppiato, costituito dal modello openIFS nella sua componente atmosferica (sviluppato presso ECMWF) e dal modello oceanico NEMO. EC-Earth ha partecipato alle ultime due fasi dell’iniziativa CMIP (Coupled Model Intercomparison Project) e parteciperà alla prossima fase (CMIP7) con il modello EC-Earth4.
Contributo del modulo all’infrastruttura EMN
Il modulo si inserisce nella componente EMN nell’ambito delle attività modellistiche meteo-climatiche, fungendo da ponte tra la simulazione numerica del clima e le future missioni di osservazione della Terra, come FORUM o LETO. L’interazione con le altre realtà dell’infrastruttura è finalizzata a valorizzare le nuove capacità osservative nell’analisi della risposta radiativa del sistema al forcing antropico. In tal senso, il modulo fornisce un framework operativo in grado di operare su due fronti complementari: da un lato, permette di esplorare come specifiche osservazioni possano aiutare a diagnosticare e colmare i deficit attuali dei modelli climatici; dall’altro, attraverso la simulazione di diversi scenari emissivi, consente di valutare l’impatto concreto che tali osservazioni avranno sulla comprensione dei feedback climatici.
