Diffusion generative models for weather forecasting

Negli ultimi anni, i tradizionali approcci numerici utilizzati per la previsione accurata del tempo meteorologico hanno dovuto affrontare una crescente sfida da parte dei metodi basati sull'apprendimento profondo. Gli insiemi di dati storici ampiamente impiegati nelle previsioni meteorologiche seguono spesso una struttura regolare a griglia spaziale. Questa disposizione somiglia notevolmente alle immagini: ciascuna variabile meteorologica può essere infatti rappresentata come una mappa o, considerando l'aspetto temporale, come un video. Diverse categorie di modelli generativi hanno dimostrato ampiamente la loro efficacia nell'affrontare il problema della previsione del prossimo frame. Di conseguenza, risulta naturale valutare le loro prestazioni sui benchmark dedicati alla previsione meteorologica. Tra tutti, i modelli di diffusione si rivelano particolarmente affascinanti in questo contesto, considerando la natura intrinsecamente probabilistica della previsione del tempo. Essi mirano a modellare la distribuzione di probabilità degli indicatori meteorologici, fornendo una stima del valore atteso, ossia la previsione più probabile. L'obiettivo di questa tesi è l'approfondimento dell'utilizzo di tali modelli nell'ambito delle previsioni meteorologiche, con particolare attenzione alle previsioni delle precipitazioni a breve termine. Per questo studio, si è fatto ricorso a un sottoinsieme specifico del dataset ERA5, contenente dati orari riferiti all'Europa occidentale nel periodo compreso tra il 2016 e il 2021. L'approccio proposto, denominato Generative Ensemble Diffusion (GED), sfrutta un modello di diffusione per generare un insieme di possibili scenari meteorologici, i quali vengono successivamente combinati in una previsione probabile mediante l'utilizzo di una rete di post-elaborazione. Questo approccio si è dimostrato significativamente più efficace rispetto ai recenti modelli di apprendimento profondo, ottenendo prestazioni globali migliori.