Strategie di apprendimento supervisionato per stima di vento e pioggia a partire da analisi di rumore subacqueo

Abstract

L'obiettivo di questa tesi è estrarre informazioni meteorologiche dal rumore ambientale subacqueo. In particolare, questo studio mira a utilizzare algoritmi di Machine Learning per ottenere il rilevamento delle precipitazioni e la previsione dell'intensità delle precipitazioni e della velocità del vento dagli spettri acustici subacquei. Questi spettri sono registrati da un ascoltatore acquatico passivo (PAL) nel Mar Mediterraneo vicino a Genova, in Liguria, nel periodo compreso tra giugno 2011 e maggio 2012. L'intero set di dati è composto da 18193 spettri acustici medi orari. Quindi lo scopo della tesi è dimostrare l'efficienza delle tecniche di Machine Learning nell'analisi del segnale acustico subacqueo per quanto riguarda le informazioni sulle precipitazioni e sull'intensità del vento rispetto ai metodi empirici presenti in letteratura. Le tecniche proposte consentono di ottenere buoni risultati con un valore RMSE (Root Mean Square Error) relativo alla previsione delle precipitazioni di circa 0,48 mm/h, 1,15 m/s per quanto riguarda il vento e rilevare precipitazioni superiori a 1 mm/h con una probabilità del 90% , mantenendo la probabilità di falso allarme al di sotto dello 0,5%.

The objective of this thesis is to extract meteorological information from ambient ocean noise. In particular, this study aims to use Machine Learning algorithms to obtain rainfall detection and prediction of rainfall intensity and wind speed from underwater acoustic spectra. Those spectra are recorded by a passive aquatic listener (PAL) in the Mediterranean Sea near Genoa, Liguria, over the timeframe of June 2011 to May 2012. The entire dataset is composed of 18193 hourly-averaged acoustic spectra. So the aim of the thesis is to demonstrate the efficiency of Machine Learning techniques in underwater acoustic signal analysis for what concerns rainfall and wind intensity information with respect to state-of-the-art empirical methods. The proposed techniques permit to obtain good results with an RMSE (Root Mean Square Error) value related to rainfall prediction of about 0.48 mm/h, 1.15 m/s for what concern wind and detect precipitations greater than 1 mm/h with 90% probability, keeping the false alarm probability below 0.5%.