Federico Grazzini - Anticipare e rendere interpretabile la previsione degli eventi estremi tramite il machine learning
La presentazione di Federico Grazzini riguarda la previsione di eventi estremi di precipitazione tramite l'uso del machine learning, con un focus sull'Italia. Ecco alcune informazioni chiave dal documento:
- Contenuto Principale:
- Si concentra sull'uso del machine learning (in particolare un modello chiamato MaLCoX - Machine Learning model predicting Condition for eXtreme precipitation) per migliorare le previsioni di eventi di precipitazione estrema.
- Vengono utilizzati predittori derivati dalle previsioni di ECMWF HRES.
- Vengono analizzati eventi di precipitazione estrema passati, come la tempesta Vaia del 2018 e l'alluvione di Firenze del 1966.
- Viene valutata la performance del modello MaLCoX rispetto alle previsioni dell'ECMWF ENS (Ensemble).
- Viene discussa l'importanza di precursori non locali e l'uso del pacchetto "Domino" per analizzarli.
- Vengono presentati esempi di previsioni, valutazioni di severità degli eventi e coerenza delle previsioni.
- Viene spiegato il contributo dei predittori per le decisioni del modello MaLCoX tramite i valori SHAP.
- Conclusioni: Il modello MaLCoX mostra una skill paragonabile all'ENS di ECMWF, nonostante non sia addestrato su un ensemble dinamico, e aiuta a comprendere meglio i processi che portano a eventi estremi. Si menziona anche la necessità di affinare il training e introdurre lo spread dell'ENS dinamica.
- Articoli e Riferimenti: Il documento cita diversi articoli scientifici rilevanti, inclusi lavori pubblicati su "Quarterly Journal of the Royal Meteorological Society" e "Natural Hazards and Earth System Sciences", che approfondiscono le tecniche di machine learning per la previsione di eventi estremi e l'analisi dei precursori dinamici.