Il progetto “ADELE4RAIN”
Revelis ha sviluppato ADELE4RAIN (A DEep LEarning-based framework for RAINfall estimation and forecasting), una piattaforma completa di monitoraggio e previsione delle precipitazioni che integra diversi metodi e tecniche di analisi dei dati e apprendimento automatico per essere usata per valutare, prevedere e mitigare con precisione gli impatti dei pericoli legati alle precipitazioni sia sulle infrastrutture urbane che sui paesaggi agricoli consentendo l’estrazione e l’integrazione di informazioni da una vasta gamma di dati così da fornire previsioni più precise e tempestive di eventi meteorologici estremi, tra cui forti precipitazioni, tempeste e alluvioni improvvise.
L’obiettivo generale del progetto ADELE4RAIN è fornire a comunità, governi e parti interessate gli strumenti e le conoscenze necessari per gestire e mitigare in modo proattivo gli impatti di eventi di forti piogge, salvaguardando così le infrastrutture critiche, proteggendo i mezzi di sussistenza e promuovendo uno sviluppo sostenibile.
Tipo di progetto: Bando pubblico per la selezione di proposte progettuali, finalizzate alla concessione di finanziamenti per attività coerenti con il programma a valere sulle risorse del piano nazionale ripresa e resilienza (PNRR) missione 4, “Istruzione e Ricerca” – Componente 2, “dalla ricerca all’impresa” – linea di investimento 1.4, finanziato dall’unione europea – nextgenerationeu”, progetto “ICSC” “National Centre for HPC, Big Data
e Quantum Computing (HPC)” Codice progetto CN00000013, CUP C83C22000560007.
Obiettivi del progetto
Gli obiettivi principali del progetto ADELE4RAIN sono i seguenti:
– Gestione dei fenomeni meteorologici estremi;
– Protezione delle risorse naturali;
– Miglioramento della resilienza delle comunità;
– Prevenzione dei disastri ambientali.
Caratteristiche distintive
Le caratteristiche peculiari del progetto ADELE4RAIN includono:
– L’utilizzo di un modulo di Machine Learning che comprenderà una suite di modelli con diverse complessità e
capacità;
-I l monitoraggio e la previsione delle precipitazioni;
– L’utilizzo di tecniche di apprendimento profondo, come le reti neurali a più livelli;
– L’uso di un modulo di valutazione che consentirà il monitoraggio e la convalida continui dei modelli predittivi.
Il caso applicativo
La piattaforma ADELE4RAIN si basa su modelli Mixture of Experts (MoE) e su gli ensemble Snapshot e i Soup Model.
Un caso studio in Calabria, con la sua variabilità climatica e vulnerabilità alle alluvioni, offre l’opportunità di testare e ottimizzare questo sistema innovativo, contribuendo così a una gestione più efficace del rischio idrogeologico nella regione.
Le tecniche allo Stato dell’Arte utilizzate nel progetto ricadono nelle aree: Machine Learning e Deep Learning.
Modelli Mixture of Experts (MoE)
Questi modelli di ensemble profondi combinano le previsioni di più modelli specializzati, o “esperti”, in un unico framework.
Ogni esperto viene addestrato su uno specifico sottoinsieme di dati o è specializzato nella modellazione di un particolare aspetto del problema.
Una rete di gating viene quindi utilizzata per ponderare dinamicamente i contributi di ciascun esperto in base ai dati di input.
Ensemble Snapshot e i Soup Model
I metodi di ensemble profondo leggeri, come gli ensemble Snapshot e i Soup Model, sono progettati per superare le sfide computazionali associate ai metodi di ensemble profondo tradizionali.
Gli ensemble Snapshot prevedono l’addestramento di più reti neurali con diverse inizializzazioni o procedure di addestramento e la successiva media delle loro previsioni per ottenere una previsione di ensemble finale.
Questo approccio può essere computazionalmente efficiente, in quanto non richiede l’addestramento di più modelli da zero.
Piano di Innovazione
Le attività per la realizzazione della piattaforma ADELE4RAIN sono organizzate in 3 macro-fasi.
Analisi Critica dello Stato dell’Arte
In questa attività, viene condotta un’analisi completa dello stato dell’arte esistente nel monitoraggio e nella previsione delle precipitazioni identificando le principali sfide e problematiche affrontate dalle soluzioni attuali.
Valutazione delle soluzioni attuali
Questa attività prevede:
– Una valutazione delle capacità e dei limiti delle soluzioni attuali per il monitoraggio e la previsione delle precipitazioni;
– La progettazione e definizione di un framework basato sul Deep Learning per la stima e la previsione delle precipitazioni;
– La progettazione di un modulo di estrazione e integrazione dei dati;
– La progettazione di metodi per la stima delle precipitazioni
Sviluppo Sperimentale
Questa attività prevede:
– Sviluppo del framework;
– Definizione del caso di studio e valutazione del framework.
