IL NUOVO MODELLO PER LA PREVISIONE POLLINICA. Stefano Marchesi Direzione Tecnica Centro Tematico Regionale Ambiente Salute

Transcript

1 IL NUOVO MODELLO PER LA PREVISIONE POLLINICA Stefano Marchesi Direzione Tecnica Centro Tematico Regionale Ambiente Salute

2 La presenza del polline in atmosfera concentrazione pollinica [numero di granuli/mc mc] conta dei granuli di una famiglia raccolti da una rete di campionatori) classi di concentrazione associate (tabella ISAO CNR) stagione pollinica (giorno di inizio, di fine e di picco ) severità di una stagione pollinica

3 Quali grandezze influenzano la quantità di polline in atmosfera? periodo dell anno stadio fenologico delle piante (fioritura) condizioni meteorologiche: temperatura dell aria umidità relativa dell aria precipitazione vento (proprietà scalari: carattere, velocità, direzione di provenienza) insolazione/ nuvolosità numero di ore di luce temperatura del suolo

4 Tipologia di previsioni polliniche previsioni di calendario: : andamento medio delle fioriture o delle concentrazioni polliniche, calcolato su serie temporali multi annuali di osservazioni modelli di previsione delle conte polliniche modelli empirico statistici (statici) basati sull analisi statistica del legame tra serie storiche di dati pollinici e meteo climatici modelli di simulazione (dinamici) basati sulla ricostruzione della storia del granulo pollinico: produzione, emissione in atmosfera, dispersione, trasporto e campionamento)

5 Previsioni di calendario PRO la procedura è molto semplice (trend) c è un legame forte con l area in cui si agisce CONTRO sono necessarie serie pluriennali di osservazioni non consentono una modulazione in funzione dell andamento meteorologico

6 Modelli empirico statistici PRO la procedura è relativamente semplice, ma consolidata modelli non necessariamente parametrici CONTRO sono necessarie serie pluriennali di osservazioni dipendono molto dai dati con cui viene calibrato il modello statistico

7 Modelli di simulazione PRO potenzialità predittive largamente superiori a quelle di qualsiasi altro tipo di previsione pollinica strumenti abbastanza simili a quelli in uso per il numerical weather forecasting non sono richieste lunghe serie storiche di dati CONTRO la struttura è molto complessa (equazioni di trasporto della dinamica atmosferica, modelli biologici delle popolazioni di piante, coupling coupling ) richiedono un enorme quantità di informazioni, spesso difficili da reperire (grosso ostacolo al loro utilizzo pratico)

8 Reti neurali Tecniche di regressione non lineari semi parametriche unità (celle): simulano cellule nervose; ricevono in input una serie di informazioni, le elaborano e producono un valore di output connessioni: simulano le connessioni tra le cellule nervose (dendriti e assoni); legano le varie unità/celle ed assumono valori variabili nel corso del tempo (pesi) strato di input strato nascosto (hidden) strato di output unità connessioni feed forward Multi Layer Perceptron

9 Reti neurali PRO può rendere conto della non linearità della relazione tra concentrazione pollinica e predittori meteo climatici migliore tolleranza ad errori e carenze nei dati di input rispetto agli altri modelli statistici CONTRO comportamento tipo black box che causa una difficile interpretazione dei risultati manca una chiara attribuzione dei contributi dei singoli predittori la topologia della rete dipende dal problema difficoltà nel mettere a punto la struttura ottimale

10 Identificazione dei predittori grandezze meteorologiche primarie (osservazioni) grandezze meteorologiche secondarie (derivate) combinazioni di grandezze primarie e di loro soglie concentrazione pollinica osservata nei giorni precedenti (componente( auto regressiva) dipende dai vincoli operativi (raccolta/lettura dati nei campionatori, trasmissione all archivio, archivio, emissione del bollettino, ecc.)

11 Identificazione dei predittori alcune grandezze secondarie sono: sommatorie gradi giorno giorno riferite a varie soglie precipitazione cumulata al di sopra di varie soglie durante i precedenti n giorni numero di giorni con pioggia/temperatura al di sopra di una certa soglia numero di ore con temperatura al di sopra di una certa soglia deficit idrico (basato sull evapo evapo traspirazione potenziale)

12 Reti neurali schema funzionale DATABASE DI INPUT TRAINING TEST LEARNING VALIDATION MATRICE DI PESI DELLA RETE PREVISIONE

13 Schema dati di input della procedura di previsione DATI POLLINI DATI METEO TRAINING ARCHIVIO STORICO ARCHIVIO STORICO DATI ULTIMA SETTIMANA DATI ULTIMA SETTIMANA l archivio storico parte dal 1/1/1991 DATI PREVISTI TEST

14 Strumento di previsione sviluppato per il bollettino pollini previsione giornaliera quantitativa PROBABILISTICA (basata su un ENSEMBLE di 10 MEMBRI) della concentrazione pollinica implementazione, calibrazione e validazione del modello previsionale basato sulla rete neurale: simulazione di un intera stagione pollinica (con dati meteorologici OSSERVATI) FUNZIONAMENTO COMPLESSIVO previsione settimanale (in modalità semi operativa, con dati meteorologici PREVISTI) da confrontare con il MONITORAGGIO SETTIMANALE

15 Famiglie botaniche/spore per provare il funzionamento del modello Corilacee Fagacee Graminacee Oleacee Plantaginacee Urticacee Pinacee Alternaria spp. Stemphylium spp. Stazioni: Piacenza (PC1), Modena (MO1) e Rimini (FO3)

16 Verifica del funzionamento del modello basato sulla rete neurale Simulazione stagionale: correlazione (Spearman( Spearman) ) tra l output della rete neurale e la stagione osservata (serie giornaliera) distribuzione del numero di giorni nella stagione fra le varie classi di concentrazione tabella di contingenza ottenuta ripartendo il conteggio degli eventi relativi alle varie classi di concentrazione mancati allami (eventi osservati, ma non previsti) falsi allarmi (eventi previsti, ma non osservati) Previsione settimanale: accuratezza della previsione (coincidenze tra la classe di concentrazione osservata e prevista)

17 Correlazione: 0.90 Diff.inizio: +1 gg Diff.picco: +4 gg Diff.fine: +8 gg ANNO 2006

18 Correlazione: 0.74 Diff.inizio: +9 gg Diff.picco: +11 gg Diff.fine: +7 gg

19 Correlazione: 0.89 Diff.inizio: +16 gg Diff.picco: 1 gg Diff.fine: 2 gg

20 Correlazione: 0.93 Diff.inizio: 1 gg Diff.picco: +15 gg Diff.fine: +5 gg

21 Correlazione: 0.43 Diff.inizio: 4 gg Diff.picco: 1 gg Diff.fine:??? gg

22 Previsione settimanale: 8 14/05 PC1 MO1 FO3 Corilacee Fagacee Graminacee Oleacee Plantaginacee Urticacee Pinacee Confronto tra le classi di concentrazione (su 7 giorni totali)

23 Previsione settimanale: 26 31/05 PC1 MO1 FO3 Corilacee Fagacee Graminacee Oleacee Plantaginacee Urticacee Pinacee Confronto tra le classi di concentrazione (su 6 giorni totali)

24 Risultato dell ensemble di previsioni OSSERVATO MEDIA DELL ENSEMBLE

25 Prossimi sviluppi applicazione semi operativa del modello previsionale per una stagione intera estensione a tutte le stazioni appartenenti alla rete regionale, per tutte le famiglie presenti nel periodo di indagine verifica della qualità della previsione meteo individuazione di ulteriori parametri per arricchire la verifica della previsione pollinica struttura e configurazione ottimale della rete neurale e del numero di membri dell ensemble