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.