‘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
Tiziana Paccagnella, Membro del Comitato Direttivo di 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.

Rivedi l’evento:

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.

Articolo precedente
Seconda IFAB Lecture ‘La transizione energetica tra crescita ed equilibrio’ con Riccardo Valentini e Alberto Piatti – 12 ottobre 2021
Articolo successivo
Francesco Ubertini è il nuovo Presidente di IFAB
Stay updated on the latest IFAB events and projects.Subscribe to our monthly newsletter