Arturo Pucillo e Agostino Manzato, Tecniche di Deep Learning per la previsione dell'instabilità e dei temporali sul Nord-Est italiano
Ecco alcuni punti chiave del documento:
- Focus: Tecniche di Deep Learning per la previsione dell'instabilità e dei temporali sul Nord-Est italiano.
- Motivazione: La regione è tra le più temporalesche e piovose d'Europa, e la previsione dei temporali era difficile con i modelli tradizionali.
- Dati Osservativi: La regione FVG ha diverse fonti di osservazione meteorologica, tra cui stazioni al suolo, radiosondaggi, HailPADS, fulmini e radar.
- Modelli Statistici: Nei primi anni 2000, l'idea era di utilizzare solo le osservazioni per costruire modelli statistici di post-processing tramite machine learning per la previsione a breve termine.
- Modelli Neurali: Sono stati utilizzati diversi modelli neurali, tra cui ForCa e ForMar, PseudoForCa e PseudoForMar, FORHA6h, RREAD-DOWN, FLAS e AtmoSwing, per migliorare la previsione di temporali, piogge e fulmini.
- Tecniche di Deep Learning: Sono state applicate tecniche di Deep Learning, come Convolutional Neural Network e LSTM, per la previsione di fulmini.
- Lavoro Futuro: Sono in corso ulteriori sviluppi, tra cui FLAS2 (LSTM di Convolutional Neural Network), tecniche di Convolutional Neural Network per prevedere la Convection Initiation, e trattamento degli hailpad con machine learning.