Il primo modulo del mooc “Machine Learning in Weather & Climate”

mooc

(fonte immagine: ECMWF )

Il corso online di “meteorologia e machine learning” (qui una presentazione ) si pone l’obiettivo di formare una comunità di ricercatori e professionisti specializzata sulle opportunità che il Machine Learning offre nel campo delle previsioni del meteo. Il corso ha avuto inizio il 9 gennaio 2023 con la pubblicazione dei materiali relativi al primo modulo intitolato “Introduction to ML in Weather & Climate”; in totale il corso dura dieci settimane con circa tre o quattro ore di studio per ciascuna settimana; in totale sono previste 36 ore di formazione.

Introduction to ML in Weather & Climate

Il primo modulo contiene una serie di video di introduzione ai temi del machine learning e della meteorologia con alcuni test di verifica:

1 - Introduction to the MOOC and to Machine Learning

Fonte immagine: https://lms.ecmwf.int/course/view.php?id=3&section=1

Nel primo video di questa sezione (della durata di circa 9,30 minuti) Florence Rabier (ECMWF, Wikipedia in inglese ) - Direttore Generale di ECMWF dal gennaio 2016 - fa una breve presentazione di ECMWF – il centro europeo per le previsioni meteorologiche a medio termine. ECMWF utilizza oltre 80 milioni di osservazioni meteorologiche giornaliere (il 95% di queste grazie a satelliti) che grazie a modelli di previsione computerizzati producono quasi 50 previsioni meteorologiche giornaliere. Si tratta di un approccio di data simulation che consiste nel combinare le osservazioni con il modello di previsione per produrre risultati migliori. La data simulation ha molti punti in comune con il machine learning perché le informazioni sono apprese ed estratte dai dati e dunque questo corso è importante perché illustra possibilità e limiti del ML e del Deep Learming nel campo della meteorologia.

Nel **secondo video** di questa sezione (durata di circa 3,50 minuti) Francesco Ubertini (IFAB, Wikipedia in italiano), già rettore dell’Università di Bologna e attualmente presidente del centro di calcolo CINECA spiega che l’obiettivo del Mooc è formare una nuova generazione di scienziati capaci di utilizzare il ML per migliorare la comprensione del clima e le relative predizioni. Ubertini è anche presidente di IFAB organizzazione che ha prodotto il corso insieme a ECMWF; IFAB è la fondazione promossa dalla Regione Emilia-Romagna come «ponte» fra le risorse del Big Data Technopole e il mondo delle aziende. Nel video Ubertini spiega come IFAB promuove lo sviluppo di big data, artificial intelligence technology e metodi scientifici innovativi per guidare lo sviluppo sostenibile dell’umanità.

2. Machine Learning in weather and climate modelling

Nel primo video di questa sezione, intitolato “What is Machine Learning and what types of ML are there?” (durata: 6:32 minuti) Jasper Dramsch (web , Linkedin , ECMWF ) spiega cos’è il machine learning ed i diversi tipi di ML: supervised ML, semi-supervised ML, unsupervised ML, reinforcement.

(fonte immagine: ECMWF)

Perché ML - Why should we consider machine learning for weather and climate modelling

(fonte immagine: ECMWF )

In questo video Peter Dueben (ECMWF , Twitter spiega come funzionano i modelli meteorologici e climatici convenzionali e come possano essere utilizzati per fare previsioni. Il “sistema Terra” (Earth system) è molto complesso con molte componenti che interagiscono tra loro come l’atmosfera, gli oceani, le terre emerse,i ghiacciai, la neve, le nuvole e la composizione chimica dell’atmosfera. Inoltre l’atmosfera e gli oceani sono sistemi caotici e turbolenti; servono perciò supercomputer per effettuare previsioni sul clima.

Grazie alle osservazioni raccolte sono a disposizione vastissimi database di dati e informazioni che però è difficile gestire. Il machine learning però aiuta ad estrarre le informazioni da grandi dataset e a trovare relazioni fra i dataset senza la necessità di una comprensione esplicita delle leggi fisiche sottostanti. Il ML può anche essere usato per il cosiddetto unsupervised learning, per esempio per comprendere le cause delle interrelazioni tra le diverse componenti dell’Earth system. Il ML infine può anche essere usato per migliorare i modelli ad esempio per ridurre gli errori o stimare l’incertezza nelle previsioni.

ML è un grande strumento per i progetti di ricerca interdisciplinari; si può ad esempio utilizzare il proprio dataset preferito proveniente dalla propria area di ricerca ed e imparare come mettere i relazioni questi dati con quelli di dataset relative ad altri ambiti

Challenges for Machine Learning in weather and climate modelling

In questo video interviene ancora Jasper Dramsch che parla delle sfide del ML nelle previsioni climatiche. Prima sfida: ci sono troppi dati, ECMWF processa oltre 800 milioni di osservazioni ogni giorno da diversi dataset. Queste osservazioni sono collezionate in modi diversi grazie a palloni atmosferici, navi, satelliti quindi non solo abbiamo dataset diversi ma anche fonti di dati molto eterogenee.

Un’altra sfida è che i sistemi di apprendimento automatico devono funzionare in modo affidabile all’interno dei sistemi di previsione esistenti. Cioè richiede hardware specializzato come gpu e supercomputer. Infine i programmi per le previsioni meteorologiche sui computer high-performace sono scritti in Fortran per la loro velocità mentre i programmi di machine learing sono scritti in Python.

What will machine learning be used for in NWP 10 years from now

In questo ultimo video (2 minuti circa) Jasper Dramsch formula alcune previsioni su come il Machine Learning sarà utilizzato nei prossimi dieci anni nell’ambito del NWP - Numerical Weather Prediction – che in italiano si può tradurre con previsione numerica del tempo. Secondo Dramsch, il Machine Learning è ormai una disciplina di successo in molti campi e in alcuni settori ha addirittura sostituito intere applicazioni e quindi presto saremo in grado di creare dataset di riferimento completi e utilizzabili per valutare nuovi sviluppi nel ML applicato all’apprendimento automatico nelle previsioni numeriche del tempo e del clima. Ovviamente le nuove soluzioni di ML saranno valutate regolarmente da esperti meteorologici, proprio come oggi sono verificati i risultati della modellazione numerica. Tra dieci anni – conclude Dramsch - le soluzioni basate sul Machine Learning saranno ampiamente utilizzate per problemi, ad esempio, dove approssimazioni e rumore vietano il calcolo fisico diretto. Infine, l’apprendimento automatico influenzerà anche l’utilizzo di un hardware appropriato capace di gestire modelli ibridi che permettono sia l’elaborazione numerica classica sia il machine learning.

Supporting Materials

In allegato al modulo sono forniti una serie di materiali didattici supplementari in formato audio e pdf

Webinar

A questo primo modulo sono collegati anche tre webinar le cui registrazioni video sono disponibili anche su Youtube.

Mooc   Machine-Learning