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.