Modelli di machine learning per la stima della quantità di precipitazione da satellite

La tesi si occupa della realizzazione di un modello di machine learning per la stima della quantità di precipitazione da satellite. Lo strumento satellitare utilizzato è SEVIRI, equipaggiato su MSG (EUMETSAT), e misura su 11 canali spettrali fornendo delle riflettanze (\%), per i 3 canali nel visibile, e delle temperature di brillanza (K), per gli 8 canali nell’infrarosso. Essendo la relazione, tra le misure del satellite e la precipitazione, debole, si utilizza come metodo di indagine algoritmi machine learning ad alberi decisionali, nello specifico Random Forest e Gradient Boosting. Si realizza quindi un modello di machine learning a due livelli, una classificazione in intervalli di precipitazione tramite un algoritmo Random Forest e una regressione per ogni classe tramite un algoritmo Gradient Boosting, e lo si addestra sulla precipitazione del DPR, radar satellitare equipaggiato da GPM CO (NASA). Effettuato il test del modello, lo si valida sui valori di precipitazione per l’Italia, della rete pluviometrica gestita dal Dipartimento della Protezione Civile, per un evento di perturbazione nei giorni 22-23 settembre 2019, ottenendo risultati compatibili con le attese.