Utilizzo del deep learning per prevedere le imminenti precipitazioni

I modelli di deep learning si sono rivelati molto efficaci per analizzare grandi quantità di dati e prevedere con precisione eventi futuri. Ciò li rende vantaggiosi per un’ampia gamma di applicazioni, comprese le previsioni meteorologiche.
I meteorologi mentre possono prevedere abbastanza bene le tendenze meteorologiche generali per i prossimi due o tre giorni, ora il cambiamento climatico ha portato a un aumento di eventi meteorologici estremi inaspettati, inclusi temporali, grandinate e uragani. Prevedere con precisione questi eventi meteorologici improvvisi con alcune ore di anticipo potrebbe aiutare a prepararsi, limitandone potenzialmente l’impatto e le conseguenze negative.
I ricercatori dell’IRT AESE Saint Exupéry (Istituto di ricerca tecnologica, fabbricazione di componenti per l’industria aeronautica e aerospaziale) e Météo-France, recentemente hanno sviluppato tre reti neurali profonde per prevedere le precipitazioni imminenti, queste reti, descritte in un documento scientifico pre-pubblicato su arXiv, potrebbero consentire a meteorologi, governi, organizzatori di manifestazioni sportive e altre organizzazioni di prevedere con anticipo da 1 a 6 ore, il verificarsi di tempeste, uragani e altri eventi meteorologici estremi.
I ricercatori nel loro documento hanno scritto:
«Proponiamo l’uso di tre popolari modelli di deep learning (U-Net, ConvLSTM e SVG-LP) addestrati su mappe delle precipitazioni bidimensionali per previsioni meteorologiche nowcasting (previsioni metereologiche a brevissimo termine o scadenza entro poche ore su un particolare territorio d’interesse). Abbiamo anche proposto un algoritmo per l’estrazione di patch per ottenere mappe delle precipitazioni ad alta risoluzione».
Oggi, la maggior parte delle previsioni meteorologiche a lungo termine si basa su modelli numerici in grado di simulare i processi fisici atmosferici utilizzando immagini del cielo, dati radar e altri dati atmosferici disponibili. Sebbene questi metodi possano prevedere le precipitazioni con buona precisione, spesso devono eseguire calcoli estesi e quindi impiegare molto tempo per fare previsioni, di conseguenza, questi metodi spesso non funzionano allo stesso modo in caso di precipitazioni in corso o nella previsione di precipitazioni imminenti.
L’obiettivo principale del recente lavoro di Mohamed Chafik Bakkay e dei suoi colleghi dell’IRT AESE Saint Exupéry e Météo-France, in questo momento era lo sviluppo di reti neurali profonde in grado di affrontare le precipitazioni in modo più efficace rispetto ai modelli numerici di previsione meteorologica. Il team di ricerca nel loro documento hanno presentato tre diversi modelli, vale a dire una rete U-Net, una ConvLSTM e una rete SVG-LP.
Le tre reti sono state addestrate su un set di dati contenente 20.352 immagini ad alta risoluzione catturate tra il 2017 e il 2018 da Météo-France, utilizzando la tecnologia radar echo, queste immagini in Francia coprivano un’area di circa 1000 x 1000 km2 .
I ricercatori poiché l’alimentazione diretta delle mappe delle precipitazioni ad alta risoluzione alle reti neurali profonde saturerebbe la GPU di un computer, hanno sviluppato un algoritmo di estrazione dei patch in grado di suddividerle in 256 x 256 patch. Le reti invece di prevedere le precipitazioni per l’intera mappa, possono quindi imparare a fare previsioni su questi specifici patch. I ricercatori hanno anche sviluppato un algoritmo della funzione di perdita che migliora la qualità delle immagini elaborate dalle reti neurali, rendendole meno sfocate.
Mohamed Chafik Bakkay e i suoi colleghi hanno valutato le prestazioni di tutti e tre i modelli sviluppati in una serie di test, confrontando la qualità delle ricostruzioni prodotte e l’accuratezza delle loro previsioni. Hanno scoperto che mentre tutti e tre i modelli hanno catturato bene l’evoluzione dei campi di precipitazione, il modello U-Net, che è un’architettura di rete neurale convoluzionale (CNN), ha funzionato meglio degli altri due modelli.
I ricercatori nel loro studio hanno evidenziato:
«Il metodo basato sulla CNN supera i modelli basati su RNN. È in grado di generare un valore elevato di precipitazioni e può prevedere il profilo futuro delle precipitazioni in modo più accurato. Inoltre, ConvLSTM supera svg-lp ma tende a sfocare i successivi fotogrammi».
L’architettura U-Net sviluppata da questo team di ricercatori, in futuro potrebbe essere utilizzata per sviluppare strumenti più efficaci per prevedere imminenti precipitazioni e temporali. Inoltre, il loro lavoro potrebbe ispirare altri team a sviluppare modelli simili per prevedere estremi eventi meteorologici.

previsioni meteo deep learning