Raccolta di Big Data Meteo ed Analisi Tramite Intelligenza Artificiale in Ambito Smart Agrifood

Abstract

Nel corso dei recenti progetti SVIICTPRECIP “Nefocast” (Regione Toscana, 2016-2019) e MISSISSIPPI (Università di Pisa, 2018-2020) è stata dimostrata la fattibilità di un economico ed efficace sistema per la stima dell’intensità di pioggia che utilizza misure opportunistiche del livello dei segnali dei satelliti televisivi.
Inoltre, è stata dispiegata una rete sperimentale di sensori, costituita da alcune decine di ricevitori satellitari su tutto il territorio regionale, la quale ha effettuato misure dell’attenuazione causata dalla (eventuale) pioggia sul segnale a microonde lungo le varie tratte fra il satellite ed i terminali di terra, durante un arco temporale di circa 4 anni. Considerando che ciascun terminale di misura acquisisce un campione al minuto, l’ordine di grandezza del Big Data così ottenuto risulta di parecchie decine di milioni di dati, ulteriormente integrati da misure ancillari raccolte tramite una apposita rete IoT di vari sensori ambientali e meteo tradizionali. E’ stato inoltre dimostrato che tramite opportune elaborazioni dei dati grezzi relativi all’attenuazione dei segnali satellitari è possibile ricavare stime affidabili dell’intensità di pioggia.
Nella presente proposta di progetto, si intende quindi sfruttare al massimo le potenzialità della mole di dati contenuta in tale Big Data (tra l’altro, con la prospettiva di un’ulteriore crescita dei dati raccolti, grazie ad un imminente e già pianificato potenziamento della rete di misura) facendo ricorso a tecniche di Intelligenza Artificiale (AI) che implementano un apprendimento automatico (Machine Learning, ML) al fine di estrarre utili informazioni meteo destinate all’impiego in ambito Smart Agrifood. In particolare, lo scopo dell’impiego di algoritmi AI/ML è di ottenere una stima accurata ed in tempo reale dell’intensità di pioggia (in mm/h) rimuovendo eventuali errori sistematici (come, ad esempio, quelli dovuti ad improvvise variazioni del livello del segnale a seguito di interventi da parte dell’operatore satellitare), di fornire affidabili previsioni a breve termine sull’evoluzione del fenomeno precipitativo e di generare mappe 2D del campo di precipitazione. Si prevede infine di testare e convalidare gli algoritmi AI/ML sviluppati nel corso del progetto effettuando una campagna di misure in un’area agricola appositamente scelta in regione.