Una nuova tecnica neurale per l'analisi e la previsione di sequenze da radar meteorologico

Negli ultimi trenta anni sono state elaborate una quantità di teniche per la previsione degli spostamenti di strutture osservate in immagini radar.
La tecnica proposta in questa tesi, alternativa ai metodi tradizionali basati sul metodo della correlazione, è in grado di seguire e prevedere le aree, i prototipi dei centri delle masse nuvolose o altri parametri relativi a echi radar dal contorno chiuso che si assumono rappresentativi di celle nuvolose, e si basa sull’utilizzo di un particolare tipo di rete neurale chiamato RBF (dall’inglese Radial Basis Function).
Si dimostra come, grazie ad una prima rete di questo tipo, sia possibile individuare le formazioni nuvolose presenti in una struttura radar e gestirle come entità distinte e caratterizzate ognuna da un numero ridotto di parametri. L’insieme dei valori dei parametri relativi a tutte le formazioni presenti costituisce la sintesi dell’immagine radar di partenza. L’evoluzione nel tempo dei valori assunti dai parametri, i quali hanno un significato geometrico preciso, costituiscono le serie temporali da estrapolare per ottenere la previsione.
Il principale vantaggio conseguente alla disponibilità di una sintesi delle immagini, è la possibilità di avere un approccio diversificato nei confronti dei parametri che la costituiscono, conoscendo a priori gli andamenti tipicamente esibiti da tali parametri.
L’operazione di previsione viene effettuata grazie ad una seconda rete RBF adattata allo scopo e applicata alle serie temporali a disposizione.
I risultati sperimentali ottenuti evidenziano come, disponendo di un numero di immagini di partenza sufficientemente ampio, la rete di previsione riesca sempre a fornire buoni risultati, e come questi non siano influenzati da quei comportamenti anomali delle strutture nuvolose che costituiscono la principale limitazione all’applicazione dei metodi tradizionali.
Tali risultati, inoltre, diventano incoraggianti se si considerano gli ampi spazi di miglioramento lasciati dalla rete di previsione. E’, per esempio, possibile applicare ai prototipi utilizzati un algoritmo chiamato OLS [7], che permette di diminuire notevolmente i tempi di lavoro necessari senza intaccare le prestazioni della rete; tali prestazioni, inoltre, possono subire miglioramenti [5] dall’applicazione della rete non solo ai dati grezzi, ma anche alle serie temporali differenziate, ottenendo cioè una rete GRBF (Gradient RBF).
Nella cosapevolezza del fatto che i risultati ottenuti, pur essendo positivi, non arrivano a giustificare la sostituzione di questo approccio a quelli tradizionali, si può comunque affermare di aver dimostrato la versatilità delle reti RBF e la loro particolare predisposizione all’applicazione nella meteorologia. I margini di sviluppo disponibili, inoltre, giustificano le speranze in una futura affermazione di questo metodo.