Un nuovo framework basato sul deep learning promette di rivoluzionare la tomografia del Global Navigation Satellite System (GNSS), permettendo di produrre mappe atmosferiche ad altissima risoluzione. A svilupparlo è stato un team di ricercatori dell’Università di Scienze Ambientali e della Vita di Wrocaw (Polonia). Per oltre un secolo, le previsioni meteorologiche sono state ostacolate dalla difficoltà di catturare fenomeni atmosferici su piccola scala, come forti temporali e fronti di tempesta, a causa dell’incapacità dei sistemi di tomografia GNSS esistenti di produrre immagini sufficientemente nitide. Il nuovo metodo, basato su una Super-resolution generative adversarial network (Srgan), colma questa lacuna cruciale.
Il team ha utilizzato questo framework per fondere i dati della tomografia GNSS con il modello meteorologico WRF (Weather Research and Forecasting), agendo come un ‘traduttore’ in grado di convertire immagini a bassa risoluzione in mappe atmosferiche ad alta risoluzione. Il sistema, testato con successo in Polonia e in California, ha dimostrato un miglioramento significativo nell’accuratezza, con una riduzione dei livelli di errore fino al 62% in Polonia e al 52% in California.
Questo approccio si è dimostrato più efficace rispetto ai metodi di interpolazione tradizionali, creando strutture più definite e gradienti più precisi. Inoltre, lo studio ha integrato strumenti di intelligenza artificiale spiegabile (come Grad-Cam e Shap) per garantire la trasparenza, mostrando quali regioni l’algoritmo ha analizzato per prendere le sue decisioni, un fattore che contribuisce a rafforzare la fiducia nella tecnologia.
Verso previsioni meteo più precise
Questa innovazione apre la strada a previsioni meteorologiche più precise e a sistemi di allerta precoce più efficienti, grazie alla capacità di fornire dati sull’umidità con un dettaglio senza precedenti, fondamentali per la previsione di eventi atmosferici violenti.
Vuoi ricevere le notifiche sulle nostre notizie più importanti?