Quando si consulta una previsione meteo si pensa immediatamente a satelliti, modelli atmosferici e mappe meteorologiche.

In realtà, all'interno di Meteo Gesualdo esiste un componente che lavora in modo completamente diverso.

Non osserva le nuvole.

Non interpreta immagini satellitari.

Non esegue simulazioni atmosferiche.

Fa qualcosa di molto più simile a ciò che farebbe una persona esperta dopo anni di osservazioni: ricorda ciò che è successo in passato e cerca situazioni simili.

Questo sistema si chiama KNN (K-Nearest Neighbors) ed è uno dei principali strumenti di apprendimento utilizzati dal motore previsionale.

Un archivio di esperienza meteorologica

Ogni previsione che viene validata entra a far parte di uno storico.

Nel tempo questo archivio raccoglie migliaia di situazioni realmente osservate, complete di dati meteorologici e risultato effettivamente verificato.

In pratica il sistema costruisce una memoria storica sempre più ampia.

Quando deve elaborare una nuova previsione non parte soltanto dai modelli numerici, ma può anche consultare questa enorme raccolta di esperienza accumulata nel tempo.

Ogni nuova validazione rappresenta quindi un'opportunità di apprendimento. Una previsione confrontata con ciò che è realmente accaduto diventa un nuovo tassello di esperienza per il sistema.

Ogni previsione validata può trasformarsi in un nuovo caso di apprendimento per il sistema KNN.

Cosa significa davvero "vicino"?

Il nome K-Nearest Neighbors può essere tradotto come "K vicini più prossimi".

Ma qui nasce spesso un equivoco.

Quando si legge la parola "vicino" si potrebbe pensare a un evento accaduto ieri, a una previsione recente o a una riga vicina nel database.

In realtà non significa nulla di tutto questo.

Nel KNN un vicino è semplicemente una situazione che assomiglia molto a quella attuale.

La data non conta.

Conta la somiglianza.

Una situazione registrata una settimana fa potrebbe risultare poco utile, mentre una situazione avvenuta un anno fa potrebbe essere quasi identica a quella odierna.

Per il sistema entrambe vengono confrontate e vince quella che assomiglia di più.

In altre parole il KNN non cerca eventi recenti.

Cerca eventi meteorologicamente simili.

Come viene misurata la somiglianza

Per capire se due situazioni si assomigliano il sistema confronta numerosi parametri.

• Temperatura
• Umidità
• Pressione atmosferica
• Vento medio
• Raffiche
• Precipitazioni previste
• Probabilità dei fenomeni
• Condizioni giorno o notte
• Periodo dell'anno
• Segnali elaborati dagli altri moduli previsionali

Tutti questi elementi contribuiscono a creare una sorta di identikit meteorologico.

Più due identikit risultano simili, più le situazioni vengono considerate vicine.

Per questo motivo il sistema analizza molti più dati rispetto a quanto si potrebbe immaginare osservando semplicemente l'icona finale della previsione.

La validazione mostra quanti parametri vengono realmente confrontati e registrati per ogni situazione meteorologica.

La ricerca dei migliori candidati

Una volta costruito l'identikit della situazione attuale, il sistema confronta questo profilo con tutto lo storico disponibile.

Ogni caso riceve un punteggio di somiglianza.

Al termine della ricerca vengono selezionati solamente i casi migliori.

Attualmente il sistema lavora con i 25 casi storici più simili.

Questi diventano i vicini che parteciperanno alla fase successiva.

Non tutti i vicini hanno lo stesso peso

Essere tra i migliori venticinque non significa avere la stessa importanza.

Un caso quasi identico alla situazione attuale vale molto più di un caso semplicemente simile.

Per questo il sistema assegna un peso differente a ogni vicino.

I casi più compatibili influenzano maggiormente il risultato finale.

I casi meno compatibili contribuiscono in modo più limitato.

In questo modo l'esperienza più pertinente ha sempre la priorità.

Una vera votazione meteorologica

Una volta individuati i vicini migliori, il sistema esegue una sorta di votazione.

Ogni caso storico contribuisce con il fenomeno che si è realmente verificato.

Tra i fenomeni principali troviamo:

• Sereno
• Nubi sparse
• Parzialmente nuvoloso
• Nuvoloso
• Coperto
• Pioggia
• Acquazzoni
• Temporali
• Neve
• Fenomeni misti

Lo stesso meccanismo viene applicato ai fenomeni secondari come nebbia, vento, raffiche e altre condizioni accessorie.

Il risultato finale nasce quindi dall'accordo tra molte situazioni simili e non dal giudizio di un singolo caso.

Quando il sistema decide di non intervenire

Un aspetto importante del KNN è che non cerca sempre di correggere la previsione.

Prima di intervenire verifica diversi fattori:

• Numero di casi disponibili
• Qualità delle somiglianze trovate
• Coerenza tra i vicini
• Livello di affidabilità della votazione

Se la situazione attuale è troppo diversa da quelle presenti nello storico, il sistema preferisce non modificare nulla.

Questo comportamento evita correzioni casuali o poco affidabili.

In alcuni casi i vicini trovati non sono sufficientemente concordi tra loro.

In altri casi la distanza è troppo elevata oppure lo storico disponibile è ancora insufficiente.

Quando queste condizioni si verificano il sistema preferisce non intervenire piuttosto che applicare una correzione poco affidabile.

Le motivazioni mostrano quando una correzione viene applicata e quando viene bloccata per ragioni di affidabilità.

Le correzioni dei valori meteorologici

Il KNN non si limita ai fenomeni.

Può anche contribuire alla correzione dei valori previsti.

Tra questi:

• Temperatura
• Umidità
• Pressione atmosferica
• Vento
• Raffiche
• Precipitazioni

Se lo storico mostra errori ricorrenti in situazioni molto simili, il sistema può suggerire una correzione controllata.

Le modifiche sono sempre limitate da soglie di sicurezza per evitare variazioni eccessive.

L'obiettivo non è stravolgere la previsione ma rifinirla.

Un sistema che migliora con il tempo

La caratteristica più interessante del KNN è che cresce continuamente.

Ogni nuova previsione validata può trasformarsi in un nuovo caso di apprendimento.

Ogni giornata osservata aggiunge esperienza.

Ogni errore corretto diventa una lezione utile per il futuro.

Con il passare dei mesi e degli anni il sistema sviluppa una conoscenza sempre più dettagliata del comportamento meteorologico locale.

Le statistiche mostrano la crescita dello storico, le correzioni applicate e i principali indicatori utilizzati dal sistema.

Perché è così importante

I modelli previsionali tradizionali cercano di simulare fisicamente l'atmosfera.

Il KNN segue una filosofia diversa.

Non prova a simulare il futuro.

Prova a ricordare il passato.

Analizza migliaia di situazioni già vissute, individua quelle più simili al presente e utilizza questa esperienza per affinare il risultato finale.

In altre parole, è la memoria storica di Meteo Gesualdo.

Un sistema che ogni giorno continua a imparare dall'esperienza accumulata sul territorio, trasformando anni di osservazioni in uno strumento capace di rendere le previsioni sempre più consapevoli.