La presentazione descrive un progetto che utilizza il machine learning, in particolare le reti neurali, per supportare i previsori meteorologici nella creazione di bollettini, automatizzando e migliorando l'inserimento dei simboli delle condizioni atmosferiche.
Paolo Oliveri - Esempio di bollettino First Guess con tecniche machine learning
La presentazione riguarda l'uso del machine learning per supportare i previsori nell'inserimento dei simboli rappresentativi delle condizioni atmosferiche nei bollettini meteorologici, specificamente per l'Agenzia Regionale per la Protezione dell'Ambiente Ligure (ARPAL).
Ecco i punti chiave della presentazione:
Ecco i punti chiave della presentazione:
- Obiettivo: Fornire supporto ai previsori per l'inserimento dei simboli che rappresentano le condizioni atmosferiche nelle località di riferimento del bollettino meteorologico.
- Classificazione: Viene utilizzata una classificazione multiclasse per prevedere le condizioni meteorologiche, affrontata con tecniche di deep learning. Sono previste le condizioni per tre momenti della giornata (mattina, pomeriggio e sera) per tre giorni.
- Località: La previsione riguarda nove località in Liguria: Busalla, Varese Ligure, Cairo Montenotte, Genova, Chiavari, Savona, Pieve di Teco, Imperia e La Spezia.
- Implementazione: Il progetto utilizza Python con librerie come GradsPy, NumPy, pandas, Keras-theano, scikit-learn, Imbalanced learn, Shap e SQLAlchemy per l'implementazione e l'interfaccia con il database.
- Reti Neurali: Vengono utilizzate quattro reti neurali con dettagli crescenti, basate su dati di modelli diversi: CECMWF a bassa e alta risoluzione, BOLAM e MOLOCH.
- Feature: Vengono utilizzate 30 variabili con aggregazione a 6 ore, tra cui pioggia, temperatura, velocità e direzione del vento, umidità relativa, copertura nuvolosa e altro.
- Osservazioni: Il modello ANN (Artificial Neural Network) cerca di emulare il comportamento del previsore umano, addestrandosi su dati osservati a Genova e inferendo su tutte le stazioni.
- Dati di Addestramento: Vengono utilizzati sia i dati del "Diario Osservato" (classe inserita dal previsore) che i messaggi METAR (Meteorological Aerodrome Report) come dati di addestramento e validazione.
- Modellizzazione: Viene utilizzata una rete neurale densa con Leaky ReLU e dropout. Vengono utilizzate metriche come accuratezza, precisione, richiamo e F1-score per valutare le prestazioni.
- Verifica e Previsioni: Viene verificata la performance dell'ANN per eventi specifici e viene confrontata con le osservazioni. Vengono utilizzati diagrammi hit-loss e matrici di confusione per visualizzare e analizzare i risultati.
- Miglioramenti Futuri: Vengono suggerite idee per migliorare il modello, come bilanciamento dell'insieme di addestramento, cross-validation, riaddestramento con nuovi dati osservati, inclusione del tempo nelle feature, modifica della transcodifica METAR e apprendimento multi-stazione.