Kriging e RBF-network per l'interpolazione di dati meteorologici in Lombardia

The increasing availability of meteorological data obtained through networks of low-cost detectors allows for the application of machine learning algorithm to solve extreme events prediction problems. The LAMPO project, born from the collaboration of Politecnico di Milano and Agenzia per la Protezione dell’Ambiente (ARPA) in Lombardy, focuses on implementing a nowcasting system for the prediction of storms in its district. Strong non-linearities in the meteorological phenomena to be described persuaded the analysts towards the implementation of an artificial neural network. The data collected, however, need some pre-processing operations to be performed: the purpose of this thesis is the creation of an automated procedure to accomplish the pre-processing goal, in order to obtain sequences of data with homogeneous temporal resolution and interpolating - wherever possible – missing data, starting from available observations. In particular, this work focuses on the selection of an interpolating algorithm chosen from two different classes: kriging, which is a typical geostatistical method, and Radial Basis Function Networks, which were developed in a machine learning frame to become universal approximators.

La crescente disponibilità di dati in ambito meteorologico ha permesso l’applicazione di algoritmi di machine learning a problemi di previsione di eventi estremi. Il progetto LAMPO, nato da una collaborazione tra Politecnico di Milano e l’Agenzia per la Protezione dell’Ambiente (ARPA) Lombardia, ha lo scopo di implementare un sistema di nowcasting per la previsione di temporali sul territorio lombardo. Le fortissime non-linearità dei fenomeni meteorologici da descrivere hanno spinto gli analisti verso l’implementazione di una rete neurale artificiale. I dati raccolti, tuttavia, hanno bisogno di alcune operazioni di pre-processing prima di poter essere utilizzati per la calibrazione della rete: scopo di questa tesi è la creazione di una procedura automatizzata per la pre-elaborazione di serie storiche di osservazioni di variabili meteorologiche, registrate da sensori diversi, che consenta di ottenere sequenze con una stessa risoluzione temporale, interpolando, ove possibile, i dati mancanti a partire dalle osservazioni disponibili. In particolare, per quanto riguarda l’interpolazione è stato operato un confronto tra due diversi metodi: da un lato un classico algoritmo geostatistico, il kriging; dall’altro un approssimatore universale sviluppato nell’ambito del machine learning, le Radial Basis Function Network.