Tecniche di Deep Learning per analisi e predizione di variabili meteorologiche

Il rapido cambiamento del clima e l'aumento di eventi meteorologici estremi rendono le previsioni delle condizioni atmosferiche un settore cruciale per la vita di tutti i giorni. Questo studio esplora l'applicazione di intelligenza artificiale, in particolare tecniche di deep learning, per l'analisi e la previsione di variabili meteorologiche, mettendo a confronto i vari modelli pubblicati negli ultimi anni e entrando nei dettagli di ciascuno di essi. In particolare vengono presi in considerazione alcune delle architetture più innovative, ognuno con i propri approcci distintivi: GraphCast, FourCastNet, PanguWeather, FengWu, GED, FuXi e Aifs. Questa analisi non si limita soltanto ad un confronto, ma viene anche apportata una modifica ad uno dei modelli citati, GED, introducendo la temperatura tra le variabili utilizzate nel processo di addestramento e previsione. Ne vengono poi studiati i risultati tramite metriche di valutazione apposite come MSE, accuracy, precision e recall, ovvero le stesse metriche utilizzate dal modello originale.