Fenomeni Intensi

Previsti Fenomeni Intensi

Nefodina

1.      INTRODUZIONE

NEFODINA è un modello in grado di individuare sistemi convettivi intensi la cui sommità abbia una temperatura di brillanza (TB) nell’Infrarosso inferiore ai 236 K e di prevederne  l’evoluzione nei successivi 15 minuti. Tale prodotto, composto da un modello  a soglia variabile e da un sistema di reti neurali, utilizza combinazioni delle immagini nella finestra dell’infrarosso 10.8 mm (IR) e nei canali di assorbimento del vapor d’acqua  6.2 mm (WV1) e 7.3mm (WV2) del MSG, deducendone informazioni relative a quota e morfologia della struttura nuvolosa,  ed alla temperatura di brillanza del vapor d’acqua nella media ed alta troposfera.   

NEFODINA è in grado di individuare  non solo tali sistemi nel loro complesso (tab. 1), ma anche tutte le singole celle convettive che li compongono, consentendo così - studiandone la distribuzione - di definire la tipologia del fenomeno (tab. 1).

Questo risultato, ottenuto esclusivamente da dati di tipo satellitare, permette, assieme all’utilizzo di un prodotto sull’attività elettrica come Lampinet, una visione completa della convettività presente sulla scena meteorologica.

 

Classe

Durata

Dimensioni
     Lineari (Km)

Dimensioni
superficiali (Km2)

1. Temporale a singola cella

30-50min.

5-10

20-80

2. Temporale multicella

2-6 ore

20-30

310-700

3. Temporale a supercella

1-6 ore

20-30

310-700

4. Sistemi convettivi a mesoscala

6-12 ore

350-500

100.000-200.000

 

Tabella 1 Classificazione, per dimensione e durata, dei sistemi convettivi intensi.  Per tali fenomeni le correnti verticali vanno dai 15 m/s per i temporali a singola cella fino ai 40 m/s per i temporali a supercella.

 

2.      OUTPUT GRAFICO

L’output è costituito dall’ultima immagine, nell’infrarosso 10.8 mm dell’ MSG disponibile, dove sono riportate le celle convettive individuate e l’evoluzione prevista sull’area italiana    (Fig. 1) e del Mediterraneo.

Differenti tonalità di blu e di giallo sono state utilizzate per indicare nubi a differenti quote: il blu scuro è utilizzato per nubi più basse mentre il blu chiaro e il giallo per nubi alte. La scala cromatica adottata, relativa alla TB della sommità delle nubi, permette di avere un’idea  immediata circa la morfologia dei sistemi nuvolosi (Fig. 2). I colori associati alle TB (10.8 mm) sono riportati, in relazione ai gradi centigradi rappresentati, nella parte inferiore dell’immagine (Fig.1). I colori rosso e rosa sono invece utilizzati per evidenziare la sommità delle celle convettive individuate: rosso per quelle previste in crescita (vedi oltre) e rosa per quelle previste in dissolvimento (Fig. 3).

L’informazione, in ordine allo sviluppo delle singole celle convettive, consente di valutare la tendenza ad un aumento o ad una diminuzione dell’attività convettiva (vedi sezione sulla previsione) nei successivi 15 minuti.

Per ciascun oggetto convettivo individuato è possibile avere le seguenti informazioni passandoci sopra con il mouse:

LAT:         latitudine della TB IR minima della cella convettiva;

LONG:      longitudine della TB IR minima della cella convettiva;

TMIN:        TB IR minima in gradi centigradi della cella convettiva;

DETMIN:   TBmin(t)-TBmin(t-1), dove TBmin(t) indica la TB IR minima al tempo t;

TMOD:      TB IR modale della cella convettiva;

DETMOD: TBmod(t)-TBmod(t-1), dove TBmod(t) indica la TB IR modale al tempo t.

 

Figura 1. Un esempio dell’output grafico di NEFODINA sull’area italiana. Analogamente esiste l’output grafico sull’area Mediterranea estesa da Gibilterra a Cipro.

 

 

Figura 2. Il blu scuro è utilizzato per nubi basse mentre il blu chiaro e giallo per nubi alte 

 

 

Figura 3. I colori rosso e rosa sono utilizzati per evidenziare la sommità delle celle convettive individuate: rosso per quelle previste in sviluppo e rosa per quelle previste in dissolvimento. Con il rosso/rosa scuro è indicata la regione di maggiore convettività.

 

3.      DESCRIZIONE DEL MODELLLO

NEFODINA analizza l’ultima immagine disponibile del MSG nei canali 10.8 mm (IR), 6.2 mm (WV1) e 7.3 mm (WV2) e, dopo una prima fase di  pre-elaborazione dei dati  nei diversi canali, procede all'individuazione ed alla previsione delle celle convettive (schema Fig. 5).

 

Pre-elaborazione dei dati satellitari

Durante questa fase viene effettuata la calibrazione, ed il filtraggio dei dati per i differenti canali. Per la calibrazione si sono considerate le nubi come corpi neri ed è stata applicata la funzione di Planck. La proiezione è di tipo equatoriale ed il filtro (3*3) utilizzato è il seguente:

dove Ti,j è l’elemento i-esimo, j-esimo della matrice delle TB nell’IR.

 

Individuazione delle celle convettive

Il metodo è basato sull’idea che le celle convettive più intense siano nubi la cui sommità abbia una temperatura di brillanza inferiore ai 236 K nel IR, una forma torreggiante, ed un’area orizzontale circolare e  limitata da una forte discontinuità nella distribuzione spaziale del vapor d’acqua. E' stata scelta una soglia  piuttosto ‘calda’ (236 K), rispetto alle nubi interessate, per cercare di rintracciare le celle convettive dall’inizio della loro formazione e per non escludere possibili casi interessanti di convettività limitata ai bassi strati. L’individuazione degli insiemi nuvolosi è fatta attraverso un metodo a soglia variabile. Variando  la temperatura dai 236 K ai 200 K con uno passo di un grado Kelvin (fig. 4), si riesce ad individuare tutti gli oggetti presenti nella scena caratterizzandoli nel canale IR e WV1. Nel IR vengono dedotti diversi parametri fra cui la posizione,  la quota massima, l’area orizzontale, l’indice di pendenza, la quota modale e l’ellitticità; mentre nel WV1 si ricava una stima del vapor d’acqua e della sua distribuzione nella media ed alta troposfera. Tali informazioni permettono di stabilire quali degli oggetti individuati siano convettivi.

Figura 4. Applicando un algoritmo di contiguità ed un metodo a soglia variabile si individuano tutti gli oggetti nuvolosi la cui sommità abbia una temperature inferiore ai 236 K. Quindi, analizzandone le caratteristiche nel canale 10.8 mm e 6.2 mm, si discriminano le celle convettive.

 

In seguito, un algoritmo basato sullo studio della correlazione esistente tra le celle convettive individuate nell’ultima slot e quelle della slot precedente, permette di seguire gli oggetti convettivi nel tempo. Tale algoritmo è basato sulla minimizzazione della distanza tra differenti oggetti valutata rispetto a posizione, temperatura minima e temperatura modale.  Sono disponibili dei file ASCII in cui è riportata la storia (TB minima nel IR, area, TB minima nel WV1, TB media nel IR, TB modale nel IR, indice di pendenza, etc) di ogni cella convettiva  presente sulla scena.

 

Previsione

La previsione delle fasi evolutive future di una cella convettiva è senz’altro un arduo compito, in quanto il fenomeno convettivo in se stesso è piuttosto complesso e richiede in linea di principio la conoscenza di numerosi parametri interni alla cella ed esterni, che descrivono la caratteristiche termodinamiche dell’ambiente in cui la cella convettiva si sviluppa. Sono quindi state fatte delle assunzioni che consentono di semplificare le condizioni di sviluppo e l’algoritmo di previsione stesso. In NEFODINA la fase di previsione della futura evoluzione della cella convettiva si basa sulla seguente modellizzazione del comportamento di una cella convettiva:

Una cella convettiva è in fase di crescita :

oppure se (1)(2)

Diremo che la cella convettiva è in fase di dissolvimento

oppure se

In tutti gli altri casi parleremo di persistenza della fase precedente.

(1) La crescita della nube è legata, secondo la formula, alla diminuzione delle temperature di brillanza nei canali all’infrarosso in finestra (IR 10.8 mm) e in assorbimento (WV1 6.2 mm).

(2) Considerando che il canale a 6.2 μm del radiometro SEVIRI è un canale in assorbimento, una diminuzione della TB deve essere interpretata o come un aumento (a causa dell’entrainment)  del vapor d’acqua  all’interno della cella convettiva o come una modifica del profilo verticale della distribuzione del vapor d’acqua, specialmente nello strato in cui ha il massimo la funzione peso del sensore (medio-alta troposfera) alla frequenza di assorbimento del WV.

Analisi fatte con i dati RAPID SCAN del METEOSAT 6 e con i dati del METEOSAT 7 ed MSG1 hanno evidenziato come questa definizione sia stabile e realmente rappresentativa della fase di sviluppo della cella convettiva [3].

Dopo aver applicato modelli lineari e non-lineari [3,4,5] si è individuata in una rete neurale di back-propagation (vedi appendice I) [2,13,14] l’algoritmo migliore per la previsione a breve termine dell’evoluzione delle celle convettive.

Un’analisi statistica delle correlazioni fra i differenti canali durante lo sviluppo delle celle convettive ha portato all’introduzione del canale WV2, non utilizzato durante la fase di individuazione. L’utilizzo delle informazioni deducibili dal WV2 ha permesso di migliorare i risultati precedentemente ottenuti [3].

La fase di addestramento della rete neurale è stata eseguita su di un campione di circa 10 000 dati per il canale IR, WV1 e WV2, applicando il metodo di simulated annealing [15]. Mentre la fase di verifica è stata sviluppata su circa 3000 dati. Durante questa ultima fase si è calcolato che la rete neurale commette un errore medio assoluto (MAD) nell'11% dei casi, nella previsione sulla fase di sviluppo delle celle convettive nei successivi 15 minuti, e nel 13% dei casi per previsioni sulla mezz’ora, con una deviazione standard dell’6% in entrambi i casi. Si ha dunque una probabilità del 80% che l’evoluzione prevista da NEFODINA si realizzi nei prossimi 30 minuti. La correlazione misurata fra le previsioni fatte dalla rete neurale e il reale sviluppo delle celle convettive analizzate è dello 0.8 [3].

 

Figura  5. Schema di elaborazione di NEFODINA. Modello di individuazione e previsione delle celle convettive attraverso l’utilizzo di dati MSG e l’applicazione di modelli nonlineari.

 

APPENDICE I

E’ stata definita una rete neurale di back propagation con un apprendimento di tipo supervisionato. La struttura è costituita da uno strato nascosto di 60 neuroni, da uno stato

di input di 6 neuroni ed da uno strato di output di un neurone (Fig. 6).

Figura 6. Rete neurale di Back Propagation a due strati utilizzata per le previsione dello sviluppo delle celle convettive.

Lo studio della funzione di correlazione e di cross-correlazione delle serie storiche dei canali IR, WV1 e WV2 ha portato alla definizione del seguente vettore di input
dove con TIR(t), TWV1(t) e TWV2(t) sono indicate rispettivamente le TB minime nei canali IR, WV1 e WV2 al tempo t. Le funzioni di attivazione si(x) utilizzata fra i neuroni

dei diversi strati è di tipo sigmoidale come per il neurone biologico:

L’output y(t) della rete neurale è dunque il seguente:

 

dove con vj,i e wj sono indicati i vettori dei pesi sinaptici  fra i neuroni dello strato di input e quello nascosto, e fra i neuroni dello strato nascosto e quello di output. All’output della rete neurale viene poi applicata una funzione binaria g il cui risultato indica {dissolvimento crescita} (Fig. 6).

 

Bibliografia

[1] Puca S., Biron D., De Leonibus L., Melfi D., Rosci P., Zauli F."A Neural Network Algorithm for the Nowcasting of the Severe Convective Systems", 2005 IEEE International Confernce on Computational Inteligence for Measurement Systems and Applications, Giardini di Naxos, Italy 20-22 July 2005, pp81-84.

[2] Tirozzi B., Puca S., Pittalis S., Bruschi A., Morucci S., Ferraro E., Corsini S., “Neural Networks and Sea Time Series, Reconstruction and Extreme-Event Analysis”, Birkhauser Ed., 2005. 

[3] Puca S.,  De Leonibus L.,  Zauli F., Rosci P., Musmanno L., Biron D., “A nowcasting tool for the evolution of convective cells using the water vapor absorption and infrared window channels of the Meteosat Second Generation”, SPIE 4th International Asia-Pacific Environmental Remote-Sensing, Honolulu, Hawaii, 4-8 November 2004, vol. 5658 pp 126-131. 

[4] Puca S. De Leonibus L., Zauli F., Rosci P., “Satellite Multispectral identification of severe storm”, Asymptotic Analysis and the Physics of Atmosphere and Ocean Italy, Rome 6-10 September 2004 (in press).

[5] Puca S., De Leonibus L., Zauli F., Rosci P., Biron D., . “MSG data use for nowcasting of convective systems, based on neural network algorithm”, The 2004 EUMETSAT meteorological satellite conference, Prague, Czech Republic, 31 May- 4 June 2004, pag 158-160.

[6] Puca S., De Leonibus L., Musmanno L., Zauli F., Rosci P., “The Automatic detection and forecast of convective system based on multispectral satellite data (IR window and absorption meteosat channels) and neural network technique”, The 2003 EUMETSAT Meteorological Satellite Conference, Weimar, Germany, 29 September – 3 October 2003, pp 471-478.

[7] Puca S., De Leonibus L., Zauli F., Rosci P., Musmanno L.,”Automatic detection and forecast of convective system based on multispectral satellite data (IR window and absorption Meteosat channels)”, in ECAM 2003 - Sixth European Conference on Applications of Meteorology " - In conjunction with: The Third European Meteorological Society (EMS), 14-19 September 2003, Rome, Italy, paper 101, pp 1-12.

[8] Puca S., Deleonibus L., Musmanno L., Rosci P, Zauli F., “A new implementation of a tool for the automatic detection and forecasting of convective cells”, in Mediterranean Conference on Modeling and Simulation (MCMS), Reggio Calabria, Italy, 25-27 June 2003, paper 214 pag 1-11.

[9] Rosci P.,  Balzamo A., De Leonibus L., Zauli F. , “Improvement of automatic detection and extrapolation of convective phenomena using map rapid scan meteosat images”, 2000 Meteorological Satellite Data Users’Conference, Bologna, Italy, 29 May-2 June 2000. 

[10] De Leonibus L., Rosci P., Zauli F. , “Nefodina : a tool for automatic detection of severe convective phenomena”, 1998 SAF training Workshop Nowcsting and very short Range Forecasting, Madrid, Spain, 9-11 Dec. 1998. 

[11] De Leonibus L., Ferri M., Rosci P., Zauli F. , “Automatic detection and axtrapolation of strong isialted convective phenomena”, 1997Meteorological Satellite Data Users’Conference, Bruxelles, Belgium, 16-20 Sept. 1997. 

[12] De Leonibus L., Bonavita M., Zauli F. , “Main operational products derived from meteorological satellite data at the Italian Meteorological Service”, 1996 Meteorological Satellite Data Users’Conference, Vienna, Austria, 16-20 Sept. 1996. 

[13] Mhaskar, H. N., 1996, “Neural Networks for optimal approximation of smooth and analytic functions”, Neural Computation, 8, pp. 164-177.

[14] Hertz, J., Krog, A. , and Palmer, R. G., 1993, Introduction to theory of neural computation, Addison-Wesley.

[15] Aarts, E. , and Korst, J., 1990, Simulated Annealing and Boltzmann Machine, John Wiley and Sons,  New York.