La soluzione

Questo approccio innovativo è oggi possibile grazie ai recenti sviluppi in ambito machine learning (ML) e deep learning basati sulle reti neurali (NN, da “neural networks”) e grazie alla disponibilità di una grossa mole di dati relativi al comportamento dell’atmosfera, dati che sono stati ricostruiti grazie ai prodotti di rianalisi (usando i GCM classici) e che hanno profondità temporale fino agli ultimi 70 anni.

Le reti neurali sono modelli di apprendimento automatico che rientrano nel più ampio insieme di algoritmi di machine learning e partono dal presupposto che sia possibile simulare la complessità del problema grazie all’abbondante e vasto numero di dati. La rete neurale viene cosí “istruita” e mette a punto un sistema che le permette di fare previsioni sul futuro basate sull’acquisito comportamento dell’oggetto di interesse (in questo caso, il fluido aria/acqua). I metodi basati su reti neurali sono molto rapidi nelle loro stime e rappresentano un ottimale equilibrio tra complessità del modello, risoluzione della previsione e accuratezza delle stime. La previsione giornaliera con queste tecniche può impiegare da poche decine di secondi a qualche minuto, quindi diversi ordini di grandezza più rapidi delle tecniche convenzionali!

Il modello studiato da “AICGM” avrà le seguenti caratteristiche:

• Velocità di calcolo: minuti e non ore;
• Portata delle previsioni: fino a 5 giorni;
• Precisione geografica delle previsioni: griglia da 2.2 km
• Area geografica: nazionale (Italia)

Il Progetto si sviluppa in tre fasi:

Fase 1 – Setting dell’ambiente infrastrutturale e scelta della tecnica di machine learning (tipologia di rete neurale)

Fase 2 – Addestramento della rete neurale attraverso i dati storici (misure e immagini satellitari). Sarà la fase temporalmente e computazionalmente più onerosa.

Fase 3 – Affinamento del modello per specializzarlo nella predizione di determinati dati, es: predizione specifica delle temperature, oppure previsioni a 48 ore, ecc.