Greco, Angelo
(2024)
Ricostruzione della temperatura superficiale marina via apprendimento automatico.
[Laurea], Università di Bologna, Corso di Studio in
Informatica [L-DM270]
Documenti full-text disponibili:
|
Documento PDF (Thesis)
Disponibile con Licenza: Salvo eventuali più ampie autorizzazioni dell'autore, la tesi può essere liberamente consultata e può essere effettuato il salvataggio e la stampa di una copia per fini strettamente personali di studio, di ricerca e di insegnamento, con espresso divieto di qualunque utilizzo direttamente o indirettamente commerciale. Ogni altro diritto sul materiale è riservato
Download (1MB)
|
Abstract
La temperatura superficiale marina (SST, Sea Surface Temperature) è uno dei principali indicatori climatici ed una variabile essenziale per la previsione meteorologica. Tuttavia, le misurazioni satellitari effettuate per l'SST spesso hanno dati mancanti o di scarsa qualità a causa della presenza di coperture nuvolose o altre ostruzioni, ed i metodi statistici tradizionali come le interpolazioni spaziali e temporali non sono in grado di conservare i dettagli più fini delle dinamiche oceaniche.
Questa tesi propone un approccio per la ricostruzione dei dati mancanti basato sull’apprendimento automatico, utilizzando reti neurali convoluzionali (CNN, Convolutional Neural Network). In particolare, viene mostrato lo sviluppo e l'implementazione di una variante della rete U-Net con blocchi residui, applicata sul Mar Mediterraneo circondante l'Italia.
I modelli più performanti hanno ottenuto un RMSE medio di 0.3015 gradi Celsius, dimostrando un miglioramento nella qualità delle ricostruzioni rispetto a metodi tradizionali.
Abstract
La temperatura superficiale marina (SST, Sea Surface Temperature) è uno dei principali indicatori climatici ed una variabile essenziale per la previsione meteorologica. Tuttavia, le misurazioni satellitari effettuate per l'SST spesso hanno dati mancanti o di scarsa qualità a causa della presenza di coperture nuvolose o altre ostruzioni, ed i metodi statistici tradizionali come le interpolazioni spaziali e temporali non sono in grado di conservare i dettagli più fini delle dinamiche oceaniche.
Questa tesi propone un approccio per la ricostruzione dei dati mancanti basato sull’apprendimento automatico, utilizzando reti neurali convoluzionali (CNN, Convolutional Neural Network). In particolare, viene mostrato lo sviluppo e l'implementazione di una variante della rete U-Net con blocchi residui, applicata sul Mar Mediterraneo circondante l'Italia.
I modelli più performanti hanno ottenuto un RMSE medio di 0.3015 gradi Celsius, dimostrando un miglioramento nella qualità delle ricostruzioni rispetto a metodi tradizionali.
Tipologia del documento
Tesi di laurea
(Laurea)
Autore della tesi
Greco, Angelo
Relatore della tesi
Scuola
Corso di studio
Ordinamento Cds
DM270
Parole chiave
SST,oceanografia,geofisica,apprendimento automatico,deep learning,ricostruzione,temperatura superficiale marina
Data di discussione della Tesi
30 Ottobre 2024
URI
Altri metadati
Tipologia del documento
Tesi di laurea
(NON SPECIFICATO)
Autore della tesi
Greco, Angelo
Relatore della tesi
Scuola
Corso di studio
Ordinamento Cds
DM270
Parole chiave
SST,oceanografia,geofisica,apprendimento automatico,deep learning,ricostruzione,temperatura superficiale marina
Data di discussione della Tesi
30 Ottobre 2024
URI
Statistica sui download
Gestione del documento: