Aumentare la risoluzione spaziale delle variabili meteorologiche con il machine learning
View/ Open
Author
Bova, Federico <1999>
Date
2025-03-26Data available
2025-04-03Abstract
L'accurata previsione e analisi dei dati climatici a scala regionale sono cruciali per affrontare gli effetti del cambiamento climatico. I modelli climatici globali (GCM) forniscono simulazioni dettagliate ma a bassa risoluzione spaziale, rendendo necessaria l’applicazione di tecniche di downscaling per ottenere dati climatici ad alta risoluzione. In questo studio, esploriamo l’uso di reti avversarie generative condizionate e convoluzionali profonde (cDCGAN) per il miglioramento della risoluzione spaziale dei dati climatici in Italia. Il modello è stato addestrato utilizzando dati ERA5, con un processo di preprocessing e configurazione degli iperparametri ottimizzato per garantire la stabilità e l'efficacia della generazione. L'analisi dei risultati mostra che il modello è in grado di apprendere le distribuzioni spaziali delle variabili meteorologiche e di generare dati coerenti con quelli reali. Il confronto con metodi di downscaling tradizionali evidenzia il potenziale delle cDCGAN nel fornire una soluzione basata su deep learning per la previsione climatica regionale. Accurate forecasting and analysis of regional climate data are crucial for addressing the effects of climate change. Global Climate Models (GCMs) provide detailed simulations but at low spatial resolution, necessitating the application of downscaling techniques to obtain high-resolution climate data. In this study, we explore the use of Conditional Deep Convolutional Generative Adversarial Networks (cDCGANs) to enhance the spatial resolution of climate data over Italy. The model was trained using ERA5 data, with an optimized preprocessing pipeline and hyperparameter configuration to ensure stability and effective generation. The results analysis demonstrates that the model can learn the spatial distributions of meteorological variables and generate data consistent with real observations. A comparison with traditional downscaling methods highlights the potential of cDCGANs as a deep learning-based solution for regional climate forecasting.
Type
info:eu-repo/semantics/masterThesisCollections
- Laurea Magistrale [5638]