La presentazione esplora l'uso del Machine Learning per migliorare il telerilevamento e la stima della precipitazione da satellite, combinando dati IR e MW e utilizzando tecniche di Deep Learning per ottenere risultati più accurati e tempestivi.
Daniele Casella e Paolo Sanò - Machine Learning for precipitation remote sensing from satellite
Ecco i punti chiave della presentazione:- Focus: L'utilizzo del Machine Learning per il telerilevamento delle precipitazioni da satellite.
- Contesto: La presentazione si inserisce nel contesto di EUMETSAT e H SAF (SUPPORT TO OPERATIONAL HYDROLOGY AND WATER MANAGEMENT), con l'obiettivo di fornire dati globali sulla precipitazione con una risoluzione spaziale di alcuni km e una latenza di circa 15 minuti o massimo 1 ora (Near Real Time).
- Tecniche di Telerilevamento:
- IR (Infrarosso): Viene spiegato come la temperatura di brillanza (Tb) nell'IR può essere correlata alla precipitazione, ma con limitazioni dovute a nubi stratiformi e cirri.
- MW (Microonde): Viene sottolineato come la radiazione MW possa penetrare le nubi e fornire informazioni più dirette sulla precipitazione, a seconda della frequenza e delle caratteristiche della nube.
- Radar da Satellite: Vengono menzionati vari radar satellitari come TRMM, CloudSat, GPM e i recenti Feng-Yun 3G e Tomorrow.io Pathfinder. Questi radar forniscono dati di riferimento per la precipitazione.
- Prodotti di Precipitazione da Radiometri a MW: Viene presentata una tabella con diversi prodotti (H01, H02B, H18, H17, H20) ottenuti da vari radiometri (AMSR-2, AMSU/MHS, ATMS, SSMIS, GMI) e algoritmi (Bayes, NNA).
- Esempio di Algoritmo da MW (ATMS): Viene descritto il flusso di lavoro di un algoritmo per ATMS, che include calibrazione radiometrica, input di dati, classificazione della fase delle nuvole, stima della precipitazione (neve e pioggia) tramite reti neurali (NN).
- Statistiche di Errore dell'Algoritmo ATMS: Vengono presentate statistiche di errore (RMSE, ME, CC, POD, FAR, HSS) per la precipitazione nevosa, pioggia su oceano e pioggia su terra, confrontando l'algoritmo NNA con GPROF (algoritmo ufficiale della missione GPM).
- Stime a MW nelle Regioni Polari: Viene mostrato come i radiometri a MW possano fornire stime accurate della precipitazione anche nevosa nelle regioni polari, con una maggiore frequenza di osservazioni utile per il monitoraggio.
- Limite delle MW: Copertura Parziale: Viene evidenziato il limite della copertura parziale delle MW rispetto ai dati GEO VIS-IR (SEVIRI), suggerendo l'uso combinato di MW e IR o sequenze di dati.
- IMERG: Viene introdotto IMERG, l'algoritmo ufficiale GPM per la combinazione di dati a MW e IR, con tre diverse latenze e accuratezze (EARLY, LATE, FINAL Run).
- Rete Neurale ISAC per la Fusione IR-MW: Viene presentato un approccio con rete neurale (ConvGRU Autoencoder) sviluppato da ISAC per la fusione di dati IR e MW, con risultati preliminari promettenti.
- Conclusioni:
- Gli approcci ML/DL (Machine Learning/Deep Learning) sono efficaci nell'utilizzare dati eterogenei e migliorare l'accuratezza delle stime.
- Ingredienti principali sono grandi dataset e riferimenti affidabili (radar da satellite).
- Si ottengono stime di precipitazione liquida e nevosa in near-real time, con alta frequenza temporale e risoluzione spaziale, con accuratezze comparabili o migliori di IMERG Final.