Approfondimenti: apprendimento automatico per meteo e clima

Le previsioni del tempo sono uno dei settori scientifici in cui il Machine Learning in senso lato trova molte applicazioni come complemento alla Numerical Weather Prediction per migliorare la previsione di alcuni parametri meteorologici. All'inizio del ventesimo secolo, è stato riconosciuto che la previsione meteorologica è essenzialmente un problema di valore iniziale deterministico in senso matematico.
Le condizioni necessarie per la soluzione razionale dei problemi di previsione sono le seguenti: Primo, disporre di informazioni sufficientemente accurate sullo stato iniziale dell'atmosfera. In secondo luogo, una conoscenza sufficientemente accurata delle leggi in base alle quali uno stato dell'atmosfera evolve rispetto a un altro. Il problema è che l'insieme di equazioni che descrivono i moti atmosferici è un insieme di equazioni alle derivate parziali non lineari che non possono essere risolte analiticamente. La "soluzione approssimata" di queste equazioni è stata possibile solo grazie all'avvento dei computer elettronici (ENIAC) negli anni '59 e allo sviluppo di modelli di previsione numerica del tempo che potevano essere integrati numericamente nel tempo traducendo equazioni differenziali in equazioni algebriche, Risorse computazionali limitate ,

Nel campo del tempo e del clima, l'apprendimento automatico viene utilizzato per estrarre informazioni significative dalle osservazioni della terra in modo da poter comprendere meglio, rilevare, prevedere e prevedere eventi meteorologici e climatici.

Evidenziare tre dei vantaggi dei modelli basati sull'apprendimento automatico:
Versatilità:

• È possibile sviluppare un modello basato su ML per abbinare le caratteristiche dei dati. Ad esempio, un caso d'uso potrebbe esaminare come applicare l'apprendimento federato quando un paese non vuole o non è in grado di esportare i dati per il rilevamento dello tsunami. Con questo approccio, il modello può essere addestrato nel sito di raccolta dei dati. Un altro caso d'uso è la previsione e la mappatura di grandine e tempeste di vento in una regione. Un modello viene addestrato utilizzando dati provenienti da un'altra posizione e quindi compensa la mancanza di osservazioni applicando il transfer learning. I modelli di Machine Learning possono anche essere addestrati per diverse modalità di dati, incluse serie temporali e dati immagine. Attualmente, alcuni istituti stanno sviluppando metodi di Machine Learning multimodali in grado di estrarre informazioni da diverse modalità. Infine, con metodi di apprendimento per rinforzo,

• I modelli basati sull'apprendimento automatico sono in grado di riconoscere processi e relazioni altamente complessi, non lineari e multidimensionali che altrimenti non sarebbero visibili. Inoltre, strumenti di intelligenza artificiale spiegabili possono essere utilizzati per evidenziare e persino scoprire strutture che altrimenti non diventerebbero visibili attraverso l'analisi dei dati classica.

• I modelli basati sull'apprendimento automatico possono digerire rapidamente grandi quantità di dati e automatizzare le attività urgenti. In un altro caso d'uso del Focus Group, l'apprendimento automatico viene utilizzato per aiutare con il rilevamento delle inondazioni in tempo reale.

Infine, in termini generali, il Machine Learning consente di creare automaticamente algoritmi sofisticati che funzionano bene su determinati tipi di dati. Lo fa sfruttando avanzate tecniche di modellazione statistica combinate con potenti metodi di ottimizzazione; a seconda dell'applicazione, ciò può richiedere grandi quantità di dati e calcoli. In molti casi, i metodi di Machine Learning vengono utilizzati per fare previsioni sulla base di una serie di osservazioni seguendo un approccio chiamato "Apprendimento supervisionato". Qui il processo di apprendimento fa uso di quantità potenzialmente molto grandi di dati di addestramento, forniti sotto forma di esempi in cui è nota la risposta desiderata dell'algoritmo di Machine Learning, ad esempio sulla base della valutazione manuale da parte di esperti umani o di osservazioni passate. Per quanto riguarda il tempo e il clima,

Riferimenti:

• Corso Machine Learning in Weather & Climate fornito da Copernicus ECMWF -iFAB (International Foundation Big Data and Artificial Intelligence for Human Development)