Ambito dei contenuti

COALITION-3

Progetto

Lo scopo del sistema COALITION-3 è quello di supportare la previsione fenomeni convettivi severi e l’allertamento. COALITION-3 è un moderno algoritmo di apprendimento automatico che prevede l'intensità dei temporali per i prossimi 45 minuti per le celle temporalesche esistenti. Questa previsione si basa sull’evoluzione del temporale negli stadi precedenti. Gli allarmi automatici vengono generati quando viene superata una soglia prestabilita e che è stata selezionata in base ai danni registrati in passato.

Inizio del progetto01.05.2018
Fine del progetto31.12.2023
RegioneNazionale
StatoProgetti conclusi
  • Sistemi di rilevamento e previsione
  • Ricerca e collaborazioni
  • Tempo

Piè di pagina

Navigazione top bar

Autorità federali svizzereAutorità federali svizzere

COALITION-3: Context and Scale Oriented Thunderstorm Satellite Predictors Development Versione 3

Durante la stagione estiva, nella regione alpina si verificano regolarmente forti temporali. Essisono spesso accompagnati da grandine, piogge abbondanti e raffiche di vento tempestose. Inoltre, i fulmini e le inondazioni possono causare gravi danni alle proprietà e alle infrastrutture e portare a situazioni dove la vita delle persone può essere in pericolo.  Allerte precise in caso di temporali violenti  sono quindi un mezzo importante per ridurre i danni e proteggere la popolazione. Lo sviluppo dei temporali è determinatoda processi dinamici e fisici che vanno da una scala microfisica a quella sinottica. I processi sono abbastanza ben conosciuti a livello concettuale, ma quando si tratta di prevedere in modo esplicito l’evoluzione di una cellula temporalesca, le capacità dei modelli meteorologici numerici sono limitate. Pertanto il nowcasting, il quale utilizza le osservazioni più recenti, viene utilizzato per estrapolare in modo intelligente l'intensità attuale dei temporali e la sua evoluzione nel prossimo futuro, al fine di fornire allerte più precise sui fenomeni meteorologici intensi.

Obiettivi e set di dati di input

Negli ultimi anni, MeteoSvizzera ha sviluppato l'algoritmo COALITION-3, che combina modelli fisici concettuali di sviluppo di temporali, tecniche di machine learning e un gran numero di set di dati di input, come ad esempio

  • Osservazioni della rete radar di MeteoSvizzera con capacità doppia polare e Doppler
  • Canali infrarossi MSG SEVIRI e prodotti Nowcasting SAF
  • Osservazioni dei fulmini a terra
  • Osservazioni di temperatura, umidità e vento da parte di COSMO-CH

Metodologia

La struttura di questo algoritmo di nowcasting è la seguente:

  • Le osservazioni delle reti di rilevamento satellitare, radar e fulmini sono utilizzate per identificare e tracciare i temporali e descrivere ogni singola cellula in dettaglio utilizzando una serie di parametri specifici (biografie delle cellule del temporale) con particolare attenzione all'intensità del fenomeno convettivo.
  • La biografia della cellula del temporale viene creata a partire dalle osservazioni e dai date del modello numerico. Quest’ultimo caratterizza l’ambiente in cui la cellula temporalesca è nata.
  • Le biografie delle cellule temporalesche basate sulle osservazioni sono integrate con i dati provenienti da modelli NWP. Grazie a questi dati si possono identificare gli ambienti dove le cellule temporalesche tipicamente hanno un’alta probabilità di intensificarsi.
  • Un algoritmo di apprendimento automatico viene addestrato utilizzando un gran numero di biografie di cellule temporalesche per trovare la combinazione ottimale di predittori e per generare una previsione dello sviluppo dei temporali per i prossimi 45 minuti.


Le caratteristiche del temporale e del suo ambiente  sono registrate lungo la traiettoria del temporale. Per costruire questa traiettoria, il suo movimentoè calcolato da un metodo di flusso ottico implementato nella libreria open source "pysteps" (https://pysteps.github.io/, Pulkkinen et al., 2019).

La Figura 1 mostra un esempio di sviluppo di un temporale utilizzando parametri satellitari e radar lungo la traiettoria di un temporale.


COALITION-3 utilizza questo tipo di istoriato delle cellule temporalesche per addestrare un algoritmo di apprendimento automatico per prevedere la forza del temporale. L'apprendimento automatico è in grado di rappresentare processi multivariati e non lineari di sistemi complessi ed è adatto a considerare un gran numero di predittori e trovare la loro combinazione ottimale. L’allenamento di questo algoritmo richiede una banca dati contenete un elevato numero di temporali. Per questo motivo, durante la stagione convettiva 2018 l’istoriato di tutti i temporali violenti in Svizzera è stato registrato e salvato. All’incirca 10'000 singole cellule temporalesche sono state salvate. Le previsioni di COALITION-3 si basano sull’algoritmo XGBoost (Chen e Guestrin, 2016).L'algoritmo utilizza un gran numero di alberi decisionali, ognuno dei quali esegue una serie di testbasati su delle soglie (per esempio sulla reflettività radar). La randomizzazione dei casi e dei predittori genera un gran numero di alberi decisionali simili. Questa procedura rende i risultati più robusti e precisi.

La Figura 2 illustra il metodo dell'algoritmo XGBoost.


L'algoritmo XGBoost è anche in grado di quantificare l'importanza dei predittori per la previsione dell'intensità dei temporali. L'importanza dei predittori varia con il tempo di previsione, ad esempio la figura 3 mostra l'importanza dei predittori per un tempo di previsione di 20 minuti. In questo caso i due parametri più importanti sono l'area con una riflettività di almeno 57 dBZ e la massima riflettività radar degli scorsi 5 minuti. Il terzo parametro più importante è un parametro satellitare, il canale 9.7 micrometri di MSG/SEVIRI.

Descrizione del prodotto

COALITION-3 prevede l'intensità del temporale, espressa in modo analogo alla scala delle intensità fornita dall’algoritmo TRT, per i prossimi 45 minuti. I risultati vengono aggiornati ogni 5 minuti e il dominio corrisponde alla Svizzera e i suoi dintorni, dove sono disponibili tutti i dati di input necessari. La risoluzione spaziale dei prodotti COALITION-3 è di 1 km x 1 km.

La Figura 4 illustra un esempio di previsione a breve termine di un temporale nel Baden-Württemberg, Germania meridionale, il 7 agosto 2018. L’immagine a sinistra mostra un’immagine del radar meteorologico delle 10:25 UTC. L'ovale bianco indica che l’intensità attuale del temporale è al di sotto del livello di allarme più basso. La freccia bianca indica il movimento previsto del temporale. I colori visualizzati lungo la direzione del movimento rappresentano l'intensità prevista del temporale entro i prossimi 30 minuti. Sul lato destro è visualizzato lo stesso temporale come diagramma temporale, dove l'asse y rappresenta l'intensità del temporale. I livelli di allarme per temporali violenti utilizzati da MeteoSvizzera sono indicati sull'asse y come verde (temporale moderato), giallo (temporale forte) e rosso (temporale molto forte). La linea nera mostra l’osservazione dello sviluppo dell’intensità secondo la scala TRT. La linea di color ciano illustra rappresenta la previsione basata sulla persistenza. La linea viola mostra la previsione dell’intensità fornita da COALITION-3. COALITION-3 prevede con successo l'intensificazione del temporale, compreso il superamento delle soglie di allarme per temporali moderati (verdi) e gravi (gialli) entro i prossimi 30 minuti.


Per ulteriori informazioni si prega di contattare Ulrich Hamann o Lorenzo Clementi.

Pubblicazioni

A partire dal 2018, i risultati del progetto COALITION-3 sono stati presentati in diverse conferenze, workshop e seminari:

  • EUMETSAT's MTG / EPS-SG User Days, 2019, Darmstadt, Germania
    (presentazione su invito)
  • 10° Conferenza europea sulle gravi tempeste, 2019, Cracovia, Polonia
    (Premio per il miglior poster "Miglior poster ECSS Poster Jury Award" per Shruti Nath et al.)
  • 3a Conferenza Europea di Nowcasting, 2019, Madrid, Spagna
  • Conferenza EUMETSAT 2018, Tallinn, Estonia
  • Leinonen, J., Hamann, U., Germann, U., and Mecikalski, J. R., 2021. Nowcasting thunderstorm hazards using machine learning: the impact of data sources on performance, Nat. Hazards Earth Syst. Sci. 22, 577–597, 2022, doi:10.5194/nhess-22-577-2022