Previsione del tempo imparando dai dati visivi

Abstract

La tesi esamina un approccio basato sull'uso di tecniche di deep learning per affrontare il problema del nowcasting meteorologico, ovvero predirre le condizioni meteorologiche future fino a un massimo di 2 ore. Questa sfida è sempre stata affrontata utilizzando complesse equazioni fisiche e solo di recente, con la crescita esponenziale dell'IA, sono stati proposti diversi modelli di intelligenza artificiale che cercano di affrontare questo problema, aumentando la velocità e l'efficienza rispetto ai metodi tradizionali. Dopo una verifica dello stato dell'arte, è stato selezionato come oggetto di analisi un modello specifico chiamato DiffCast. Le sue prestazioni sono state valutate su un dataset pubblico di immagini radar relative al territorio continentale degli Stati Uniti e su un dataset privato fornito dall'ARPAL (Agenzia Regionale per la Protezione dell'Ambiente Ligure) e l'obiettivo era quello di prevedere una sequenza di previsioni fino a 100 minuti nel futuro, partendo solo dagli ultimi 20 minuti nel passato. In entrambi gli scenari, il modello mostra risultati promettenti nelle previsioni a breve termine, affrontando efficacemente i problemi che hanno influenzato gli approcci precedenti. Tuttavia, sono necessari ulteriori studi su questo argomento.

The thesis examines an approach based on the use of deep learning techniques to tail the problem of weather nowcasting, i.e. predicting future weather conditions up to a maximum of 2 hours. This challenge has always been addressed using complex physical equations, and only recently, with the exponential growth of AI, several artificial intelligence models have been proposed that aim to face this problem, increasing speed and efficiency over traditional methods. After an examination of the state of the art, a specific model called DiffCast was selected as subject of analysis. Its performance was evaluated on a public dataset of radar images relating to continental U.S. and on a private dataset provided by ARPAL (Agenzia Regionale per la Protezione dell’Ambiente Ligure) and the goal was to predict a sequence of forecasts up to 100 minutes into the future, starting from only the last 20 minutes in the past. In both scenarios, the model shows promising results in short-term forecasting, effectively addressing the problems that affected previous approaches. However, further studies on this subject are needed.