‘Intelligenza Artificiale e Machine Learning per migliorare le previsioni meteorologiche di superficie’ – webinar – 9 novembre 2021

  1. Home
  2. news
  3. ‘Intelligenza Artificiale e Machine Learning per migliorare le previsioni meteorologiche di superficie’ – webinar – 9 novembre 2021
Martedì 9 Novembre dalle 15.30 alle 17 (CET), IFAB e ECMWF presenteranno il progetto di ricerca ” Empirical modeling of 2m temperature and 10m wind”.

PROGRAMMA

SALUTI ISTITUZIONALI
Francesco Ubertini, Presidente IFAB

INTRODUZIONE
Sanzio Bassini, Coordinatore tecnico-scientifico IFAB
Florence Rabier, Direttore generale ECMWF
Carlo Cacciamani, Direttore ItaliaMeteo

PRESENTAZIONE DEL PROGETTO E DEI RISULTATI
Peter Dueben, Coordinatore Machine Learning e attività AI ECMWF
Fenwick Cooper, Visiting scientist ECMWF

Q&A

Evento in streaming. L’evento si terrà in lingua inglese.

Il progetto:

Il progetto di ricerca, realizzato da ECMWF (European Centre for Medium-Range Weather Forecasts)  e supportato da IFAB (International Foundation Big Data and Artificial Intelligence for Human Development) si propone di ridurre il tasso di errore nelle previsioni meteorologiche di superficie. Tre algoritmi di machine learning vengono applicati agli errori di modello delle previsioni operative da 0 a 48 ore realizzate da ECMWF per la temperatura a 2 metri sopra la superficie e per il vento a 10 metri sopra la superficie. Si osserva così una riduzione dell’errore dello scarto quadratico medio globale compreso fra 5 e 15%, in base alla stagione. Per ognuna delle quattro stagioni sono disponibili 1 anno di dati di addestramento e 3 mesi di dati di verifica, raccolti fra dicembre 2019 e maggio 2021. I tre algoritmi di machine learning usati sono: formula di regressione lineare (di funzioni polinomiali cubiche), random forest e una rete neurale a tre strati. Ogni algoritmo restituisce un simile valore di riduzione dell’errore, che indica forse che gli algoritmi stanno approssimando la stessa fisica. Esaminare gli errori nelle singole stazioni consente di individuare aree più vaste dove la riduzione del tasso di errore è significativa. Si sono verificate anche situazioni in cui su aree vaste non è stato possibile ridurre l’errore o è addirittura aumentato, o anche singole stazioni in cui il margine di errore è aumentato significativamente. In questi casi una possibile spiegazione è stata individuata nella variabilità atmosferica, nell’eccessiva estrapolazione del modello e nella ridotta qualità dei dati della stazione.

Registrati attraverso il form seguente per ricevere il link alla diretta

    Confermo e presto inoltre il mio consenso alla conservazione dei miei dati per ricevere aggiornamenti via e-mail sui prossimi webinar o eventi organizzati da IFAB, come indicato nella Privacy Policy di cui ho preso visione.

    Registrandomi, invio i miei dati a IFAB i quali verranno trattati nel pieno rispetto della normativa vigente - Reg. (UE) 2016/679 come indicato nella Privacy Policy di cui ho preso visione.

    Articolo precedente
    Il 12 ottobre, la seconda IFAB Lecture ‘La transizione energetica tra crescita ed equilibrio’ con Riccardo Valentini e Alberto Piatti – evento streaming
    Articolo successivo
    Francesco Ubertini è il nuovo Presidente di IFAB
    Menu
    X