Visualizza articoli per tag: remote sensing

Sono ufficialmente aperte le registrazioni per il 7° Workshop LAKES!

Il 7th LAKES Workshop “Parameterization of Lakes in Numerical Weather Prediction and Climate Modelling” mira a esplorare le interazioni tra i corpi idrici interni, come laghi e bacini, e l'atmosfera, al fine di migliorare l'accoppiamento tra queste due componenti chiave del ciclo idrologico.

Il Workshop, organizzato su tre giorni con sessioni orali e poster, ha l’obiettivo di riunire ricercatori e ricercatrici che lavorano su vari aspetti dei feedback lago-atmosfera e dell'interazione dei laghi con il clima regionale e globale.

La settima edizione del LAKES Workshop si terrà presso l’Area Territoriale di Ricerca di Milano 1 dal 20 al 22 novembre 2024. Il tema principale è la parametrizzazione dei laghi nella Numerical Weather Prediction (NWP) e nei modelli climatici. Il Workshop è aperto anche alla partecipazione di ricercatori e ricercatrici di discipline affini, come la limnologia fisica, il telerilevamento delle acque interne, la fisica atmosferica e l'idrologia.

Il 7th LAKES Workshop 2024 di Milano affronterà le seguenti tematiche:

• LAKES & ATMOSPHERIC MODELING: Interazioni lago-atmosfera, processi nei corpi d'acqua dolce legati alla forzante atmosferica e accoppiamento tra modelli di lago e atmosfera.

• MODEL VALIDATION & INTERCOMPARISON: Validazione dei modelli atmosferici che includono la parametrizzazione dei laghi e schemi di assimilazione dati dei laghi, oltre alla validazione dei modelli di lago accoppiati all'atmosfera.

• ANCILLARY DATA FOR MODELING LAKES: Utilizzo di dataset esterni disponibili su scala locale e globale per supportare la generazione e/o la qualità di parametri esterni richiesti dagli schemi di parametrizzazione dei laghi nei modelli atmosferici, ad es. campi di profondità dei laghi e frazione di lago.

• NEW FRONTIERS FOR DATA ASSIMILATION FROM REMOTE SENSING: Informazioni su neve, ghiaccio, temperatura e trasparenza dell'acqua di laghi, bacini e altri corpi idrici da dati telerilevati per studiare i cambiamenti dei laghi e la loro interazione con il clima regionale e globale. I

l Workshop di Milano prosegue la serie di workshop sulla parametrizzazione dei laghi iniziata a Zelenogorsk (Russia, 2008) e seguita dai Workshop tenutisi a Norrköping (Svezia, 2010), Helsinki (Finlandia, 2012), Évora (Portogallo, 2015), Berlino (Germania, 2017) e Tolosa (Francia, 2019).

Per la registrazione e ulteriori informazioni va a questo link https://lakesmilan2024.irea.cnr.it/

L’articolo “Evaluation of Hybrid Models to Estimate Chlorophyll and Nitrogen Content of Maize Crops in the Framework of the Future CHIME Mission” pubblicato dai ricercatori IREA Gabriele Candiani e Mirco Boschetti, in collaborazione con colleghi dell’Università di Miano-Bicocca, dell’Università di València, del CREA e del Consiglio Nazionale di Scienza e Tecnologia del Messico, è stato selezionato dagli editori di Remote Sensing per la copertina del volume 14, Issue 8, pubblicato ad aprile 2022.

Le missioni iperspettrali spaziali previste nei prossimi anni forniranno una quantità senza precedenti di dati spettroscopici, consentendo nuove possibilità di ricerca in diversi campi delle risorse naturali, compreso il settore Agricolture and Food Security. Per sfruttare in modo efficiente questo flusso di dati, al fine di estrarre informazioni utili per applicazioni di agricoltura sostenibile, è necessario studiare e implementare nuovi metodi di elaborazione delle immagini iperspettrali da satellite.

Lo studio ha valutato l’utilizzo dei recenti modelli ibridi, per la stima di parametri biofisici in colture di mais, a partire da dati simulati di CHIME, il sensore iperspettrale satellitare dell’Agenzia Spaziale Europea, attualmente in fase di studio. I modelli ibridi, oggi sempre più popolari, utilizzano codici di trasferimento radiativo (RTM) per generare delle look-up-table (LUT) contenenti migliaia di spettri simulati di riflettanza della vegetazione e i relativi parametri biofisici di interesse; queste LUT vengono quindi utilizzate come coppie input-output (riflettanza-parametro biofisico) per l’addestramento di algoritmi di Machine Learning (ML). La popolarità dei modelli ibridi è dovuta al fatto di poter sfruttare le proprietà di generalizzazione dei metodi fisicamente basati con la flessibilità e l’efficienza computazionale dei metodi di Machine Learning. Lo studio si è focalizzato sull’analisi delle performance dei modelli ibridi in funzione di diverse combinazioni di dimensionality reduction, sia a livello spettrale, considerando diverse componenti della PCA, sia a livello di numero di campioni input-output utilizzati per l’addestramento dell’algoritmo di ML (Gaussian Process Regression).

I risultati promettenti ottenuti in questo studio supportano l’utilizzo della spettroscopia da satellite e dei modelli ibridi, per la stima dei parametri biofisici delle colture.