Navigazione veloce (Tasti accesso rapido)

Ambito dei contenuti

COALIZIONE-4: Previsione dei temporali con l'intelligenza artificiale

Progetto

L'algoritmo COALITION-4 produce previsioni precise e a breve termine sui temporali, in particolare su fulmini, piogge intense e grandine. Vengono utilizzati metodi di deep learning all'avanguardia per analizzare osservazioni radar, fulmini e satellitari. Il progetto si sta preparando anche a utilizzare l'ultima generazione di satelliti geostazionari (GOES-R e Meteosat di terza generazione). L'algoritmo di COALITION-4 si basa su un'architettura di rete neurale convoluzionale e ricorrente-convoluzionale (RCNN), in grado di analizzare le strutture spaziali con strati convoluzionali e gli sviluppi temporali con connessioni ricorrenti. I prodotti di COALITION-4 saranno utilizzati per gli avvisi di maltempo per il pubblico, la sicurezza del traffico aereo e la prevenzione dei disastri. Dal 2020 al 2023, la borsa di studio EUMETSAT "Seamless Artificially Intelligent Thunderstorm Nowcasts" di Jussi Leinonen ha dato un impulso decisivo a questo progetto.

Inizio del progetto01.10.2020
Fine del progetto31.12.2024
RegioneNazionale
StatoProgetti attuali
  • Sistemi di rilevamento e previsione
  • Ricerca e collaborazioni
  • Tempo

Piè di pagina

Navigazione top bar

Autorità federali svizzereAutorità federali svizzere

Navigazione di servizio

COALITION-4: Context and Scale Oriented Thunderstorm Satellite Predictors Development Version 4

Durante la stagione calda, nella regione alpina si verificano regolarmente forti temporali. Spesso sono accompagnati da grandine, piogge intense e raffiche di vento fortissime. Inoltre, fulmini e alluvioni improvvise possono causare gravi danni alle proprietà e alle infrastrutture e mettere in pericolo la vita. Per ridurre i danni e proteggere la popolazione, sono quindi essenziali avvisi precisi sui temporali. Lo sviluppo dei temporali è determinato da processi dinamici e fisici che vanno dalla scala microfisica a quella sinottica. Questi processi sono ben compresi a livello concettuale, ma quando si tratta di prevedere nello specifico un temporale, la capacità dei modelli di previsione meteorologica è limitata per i seguenti motivi: In primo luogo, la complessità dei processi microfisici va al di là di quanto possa essere esplicitamente rappresentato in un modello operativo di previsione meteorologica a causa dei vincoli di tempo di calcolo. In secondo luogo, vi sono ancora incertezze nella simulazione dei processi turbolenti e microfisici. In terzo luogo, lo sviluppo dei temporali è un processo non lineare. È quindi molto sensibile a piccole incertezze nello stato dell'atmosfera, il che limita la sua prevedibilità (caos deterministico). Per questi motivi, si utilizzano i cosiddetti metodi di nowcasting per generare avvisi precisi e localizzati di temporali con tempi di previsione che vanno da pochi minuti a qualche ora.

Obiettivi e set di dati di input

Per creare i COALITION-4 prodotti di nowcasting, i dati radar e dei fulmini a terra, le osservazioni satellitari e le previsioni dei modelli meteorologici vengono analizzati con metodi di apprendimento automatico (intelligenza artificiale). Questi sono in grado di visualizzare processi multivariati non lineari di sistemi complessi e di prendere in considerazione un gran numero di predittori. I predittori sono informazioni su cui si basa la previsione: I dati radar forniscono informazioni sulle idrometeore (pioggia, grandine, cristalli di ghiaccio, ecc.), mentre i sensori satellitari di imaging osservano le nuvole. Il modello meteorologico calcola, ad esempio, il contenuto di vapore acqueo nell'atmosfera. Con l'aiuto dei predittori, è possibile caratterizzare lo stato attuale del temporale e dell'ambiente atmosferico e stimarne l'ulteriore sviluppo. Poiché esistono numerosi possibili predittori, è necessario effettuare una selezione che integri la nostra conoscenza dei processi dinamici e fisici sottostanti.

In questo progetto sono già state raggiunte le seguenti pietre miliari:

  • Preparazione all'uso delle osservazioni delle missioni satellitari MTG imager per il nowcasting dei temporali, utilizzando osservazioni qualitativamente simili da GOES ABI e GOES GLM come dati precursori per le misurazioni MTG in un algoritmo di sviluppo. I risultati sono stati pubblicati in Leinonen et al, 2021a.
  • Sviluppo di un'architettura di deep learning per il nowcasting dei pericoli temporaleschi. In primo luogo, sono state implementate le reti neurali convoluzionali, che sono in grado di analizzare le strutture spaziali nei dati di input (ad esempio, dall'incudine del temporale o dall'immagine radar) utilizzando strati convoluzionali. Per mettere alla prova il nostro modello rispetto ad altre soluzioni, abbiamo partecipato al concorso "Weather4cast 2021", organizzato dall'Institute of Advanced Research in Artificial Intelligence (IARAI) in collaborazione con Nowcasting-SAF. Il nostro modello ha ottenuto il primo posto sia nella serie Core e Transfer Learning della competizione, sia nella competizione IEEE Big Data. I risultati sono stati pubblicati in Leinonen, 2021b e Leinonen, 2021c.
  • Successivamente, l'architettura del modello è stata ampliata. Sono state introdotte connessioni ricorrenti per catturare meglio l'evoluzione temporale dei temporali. L'architettura è diventata quindi una rete neurale ricorrente-convoluzionale (RCNN). Inoltre, è stato possibile analizzare più predittori con una diversa risoluzione spaziale. Questo modello è stato poi addestrato per prevedere i fulmini a breve termine. I risultati sono stati pubblicati in Leinonen et al, 2022.
  • Il modello è stato poi esteso per prevedere anche la grandine e le precipitazioni intense. Inoltre, è stata analizzata la significatività delle diverse variabili di input (come il radar, il satellite e il modello meteorologico) per le diverse variabili target (fulmini, grandine e precipitazioni intense). I risultati sono stati pubblicati in Leinonen et al, 2023.

Utilizzo dei più recenti satelliti meteorologici

Il primo satellite della nuova generazione di satelliti meteorologici geostazionari europei, Meteosat Third Generation Imager 1, è stato lanciato nello spazio alla fine del 2022. Le prime consegne di dati pre-operativi sono iniziate alla fine del 2023. MTG ha a bordo sensori notevolmente migliorati e completamente nuovi che offrono opportunità senza precedenti di osservare i temporali. In COALITION-4, l'utilizzo dei dati MTG è già stato preparato negli anni precedenti:

  • Il Lightning Imager (LI) dell'MTG misura l'attività dei fulmini dallo spazio. I fulmini rappresentano una minaccia diretta per il traffico aereo e per gli eventi all'aperto. L'intensa attività dei fulmini è anche un buon predittore della formazione di grandine e di forti raffiche di vento. Per quantificare i vantaggi dell'MTG LI, in questo progetto sono state utilizzate misure simili del Global Lightning Mapper sul satellite americano GOES, vedi Leinonen et al, 2021a.
  • L'MTG Flexible Combined Imager (FCI) è il seguito dello strumento SEVIRI presente sul Meteosat di Seconda Generazione (MSG). Si prevedono miglioramenti significativi grazie alla maggiore risoluzione spaziale, temporale e spettrale di FCI rispetto a SEVIRI. La maggiore risoluzione temporale migliorerà ulteriormente il tracciamento dei temporali e consentirà di riconoscere ulteriori caratteristiche, come il superamento delle cime e la divergenza nella zona superiore delle nubi. I canali spettrali aggiuntivi forniranno informazioni più accurate sulla fase delle nubi, sulla microfisica e sulle nubi multistrato. L'uso dell'FCI è stato preparato con le osservazioni dell'Advanced Baseline Imager sul satellite GOES americano, vedi Leinonen et al, 2021a.
  • L'Infrared Sounder (IRS) su MTG misurerà i profili di temperatura e umidità che determinano l'instabilità atmosferica (ad esempio CAPE, CIN). Il vantaggio delle osservazioni IRS di MTG può essere imitato con le misure dei sensori iperspettrali (IASI, CrIS e AIRS) sui satelliti polari.

Per ulteriori informazioni sul progetto COALITION-4, contattare Ulrich Hamann.

Pubblicazioni
  • Leinonen, J., U. Hamann, U. Germann, & J. R. Mecikalski, 2021
    Nowcasting thunderstorm hazards using machine learning: the impact of data sources on performance
    Natural Hazards and Earth System Sciences 22.2 (2022): 577-597; https://nhess.copernicus.org/articles/22/577/2022/
  • Leinonen, J., 2021b. Spatiotemporal weather data predictions with shortcut recurrent convolutional networks: A solution for the Weather4cast challenge. Proceedings of the CIKM 2021 Workshops, G. Cong, and M. Ramanath, Eds., URL http://ceur-ws.org/Vol-3052/short15.pdf
  • Leinonen, J., 2021c. Improvements to short-term weather prediction with recurrent-convolutional networks. 2021 IEEE International Conference on Big Data, https://doi.org/10.1109/BigData52589.2021.9671869
  • Leinonen, J., U. Hamann, U. Germann, & J. R. Mecikalski, 2022
    Seamless lightning nowcasting with recurrent-convolutional deep learning
    Artificial Intelligence for the Earth Systems https://doi.org/10.1175/AIES-D-22-0043.1 also as preprint here https://arxiv.org/abs/2203.10114
  • Leinonen, J., Hamann, U., Sideris, I. V and Germann, U., 2023
    Thunderstorm nowcasting with deep learning: a multi-hazard data fusion model.
    Geophysical Research Letters, 50, e2022GL101626, https://doi.org/10.1029/2022GL101626

Ulteriori informazioni

Chi siamo

MeteoSvizzera è l’Ufficio federale di meteorologia e climatologia. Teniamo sotto controllo la situazione meteorologica 24 ore al giorno, per non lasciarvi mai senza una bussola affidabile, anche nei giorni con nebbia.

Informazioni su questo sito web