Prima di entrare nel dettagli dell'analisi, vediamo quali sono i principali tipi di modelli fisico-matematici che vengono usati per le previsioni meteo:
1) una tipologia sono i modelli globali. Questi modelli hanno una risoluzione spaziali piuttosto bassa, ma forniscono previsioni abbastanza affidabili entro i 5-7 giorni e possono essere usati per tendenze anche fino ai 10 giorni.
Tuttavia, questi modelli sono poco adatti per le previsioni locali; infatti, a causa della loro bassa risoluzione spaziale, non riescono a prevedere in modo accurato gli effetti locali.
Per cui, spesso, tra le osservazioni e gli output del modello possono esserci differenze molto importanti
2) l'altra categoria sono i modelli atmosferici locali (chiamati anche LAM). Questi modelli hanno una risoluzione spaziali molto più elevata rispetto ai modelli globali e permettono di fornire previsioni locali con buona affidabilità.
Alcuni lam hanno risoluzioni molto spinte fino a 2km e più.
http://bioearth.wsu.edu/images/WRFmodel_img2_lrg.jpg
Ora, torniamo al mio progetto.
Fino ad oggi, il gruppo di ricerca con cui collaboro ha sviluppato e implementato un modello per il calcolo del fabbisogno idrico delle colture.
Il modello è un modello agrometeorologico che utilizzando i dati meteo, i parametri colturali e del suolo, l'uso del suolo e le tecniche di irrigazioni è in grado di una stima di quanta acqua deve essere fornita per la crescita delle colture.
Fino ad ora, il modello è stato utilizzato sia per la stima dei fabbisogni degli anni passati (usando i dati di ARPA) che per la stima dei fabbisogni usando gli scenari climatici dell'IPCC.
Ora, la sfida è quella di utilizzare il modello per fare previsioni a breve termine e fornire un consiglio irriguo agli agricoltori.
Tuttavia, per fare questo, è necessario avere dei dati meteo come input e, al momento, in dipartimento non abbiamo modelli meteo ad alta risoluzione.
Per questo motivo è stato scelto di utilizzare i dati meteo del modello GFS 0.25 scaricabili da questo link
https://nomads.ncep.noaa.gov/cgi-bin/filter_gfs_0p25.pl
Essendo un modello globale, abbiamo verificato l'affidabilità delle previsioni.
Per fare questo sono stati confrontati gli output del modello con i dati misurati da 2 stazioni di ARPA Lombardia.
Per cui sono stati scaricati i dati meteo delle centraline meteorologiche di Goito (MN) e Mantova - Tridolino.
Dall'analisi dei dati abbiamo visto che, entro le 96 ore le previsioni delle temperature massime erano molto stabili. Senza grandissime variazioni da un giorno all'altro a parte alcuni casi particolari.
Però dal confronto tra gli output di gfs e i dati misurati si notavano diverse differenze.
Si osservavano nelle temperature massime e minime differenze sistematiche di 2/3°C.
Una rete neurale per l'aumento dell'affidabilità delle previsioni
Per migliorare l'affidabilità delle previsioni ho scelto di creare una semplice rete neurale usando come input i dati di gfs e come output i dati misurati da ARPA.
Quindi il modello è stato allenato usando come input i dati del modello e usando come target i dati misurati.
Dopo l'allenamento, è stata ottenuta una funzione di trasferimento, per cui, fornendo le previsioni del modello vengono restituite le previsioni per la stazione meteo di riferimento.
Questi sono i risultati:
temperature massime a 24h
In giallo sono rappresentate le tmax giornaliere del modello GFS 0.25, in rosso ci sono le misurazioni di ARPA Lombardia e in blu sono rappresentate le tmax previste dalla funzione di trasferimento.
Come si può vedere l'errore viene fortemente ridotto, passando da un errore medio di 3°C ad un errore di 0.88°C.
Anche nelle previsioni delle tmax a 4 giorni l'errore è fortemente ridotto. Su tutto il periodo si ha un errore medio di 1.15°C.
Sbagliare la temperatura massima di 1°C a 4 giorni di distanza, non è assolutamente male.
temperature minime
Risultati analoghi li sto ottenendo anche sulle tminime.
Tmin a 24h
Buoni i risultati anche sulla radiazione globale, ad eccezione dei giorni totalmente nuvolosi, dove il modello non è in grado di rappresentare con sufficiente dettaglio la nuvolosità.
Sulle piogge, invece, si vedono i limiti dell'uso di un modello globale.
Più o meno si riescono a beccare i giorni piovosi, ma difficilmente si azzecca la quantità di pioggia caduta.
Per le piogge non è stato applicato il modello neurale, anche perchè c'erano troppi giorni piovosi per calcolare la funzione di trasferimento.
Queste sono solo alcune delle potenzialità delle reti neurali in meteorologia.
Sicuramente, se avessi avuto a disposizione un modello LAM i risultati sarebbero stati ancora migliori.
Se qualcuno avesse a disposizione un modello wrf sarei curioso di provare a vedere i risultati.
