Meteo Gesualdo

- Estesa la tassonomia KNN da 14 a 19 fenomeni secondari
- Aggiunto il supporto a foschia, raffiche, brina, rugiada e polvere sahariana
- Introdotto l'apprendimento indipendente per ciascun secondario
- Un valore actual_sec NULL rende indisponibile soltanto il relativo target e non l'intero snapshot
- Mantenuto l'apprendimento degli snapshot schema v2 per i secondari già disponibili
- Limitato l'apprendimento dei cinque nuovi secondari agli snapshot che dispongono del relativo ground truth
- Aggiunti gate fisici dedicati per raffiche, brina e rugiada
- Mantenuta gelata + brina come combinazione compatibile
- Resa polvere_sahariana un segnale pass-through che il KNN non può creare autonomamente
- Impedita la trasformazione dell'assenza del segnale Local in un falso negativo per la polvere sahariana
- Aggiornata la selezione dei secondari rispettando famiglie, incompatibilità e limite massimo di tre fenomeni
- Aggiunta telemetria prestazionale per wall time, CPU, memoria, candidati, cache e calcolo delle distanze
- Aggiunte statistiche prestazionali globali e per singola fascia
- Mantenuta la compatibilità con gli snapshot prodotti dagli schemi precedenti

- Ripristinata la corretta semantica di rain_mm come quantità di pioggia potenziale in caso di precipitazione
- Mantenuto rain_exp_hour_mm come quantità di pioggia attesa pesata sulla probabilità
- Ripristinata la relazione coerente tra probabilità, pioggia potenziale e pioggia attesa
- Impedita la sovrascrittura di rain_mm con rain_exp_hour_mm durante la costruzione dell'ora finale
- Mantenuti distinti nel risultato finale rain_prob_pct, rain_mm, rain_exp_hour_mm e daily_rain_mm
- Eliminata la generazione duplicata delle motivazioni durante l'elaborazione delle fasce
- Ridotte copie profonde e allocazioni non necessarie durante la continuità temporale
- Introdotta una cache limitata delle feature storiche per evitare ricalcoli ripetuti sugli stessi candidati
- Ottimizzata la selezione dei migliori vicini riducendo le strutture temporanee create
- Mantenuti invariati ordinamento e selezione finale dei vicini rispetto alla logica precedente
- Mantenute invariate soglie meteorologiche, pesi, gate, continuità e autorità decisionale del KNN
- Aggiunti contatori diagnostici della cache per il monitoraggio delle prestazioni
- Mantenuta invariata la struttura del JSON canonico prodotto dal KNN

- Ridefinita notte_tropicale come fenomeno riferito all'intera notte e non alla singola fascia oraria
- Limitato l'apprendimento di actual_sec_notte_tropicale alle fasce comprese tra le 22:00 e le 06:59
- Escluse le fasce non applicabili dall'apprendimento specifico della notte tropicale
- Raggruppate le fasce appartenenti alla stessa notte durante l'elaborazione del risultato
- Valutata la notte tropicale sulla minima termica dell'intera traiettoria notturna
- Reso coerente il risultato notte_tropicale tra tutte le fasce 22:00-06:59 della stessa notte
- Gestita la notte già iniziata mantenendo il contesto della parte trascorsa e valutando la previsione restante
- Impedita la restituzione di notte_tropicale nelle fasce orarie incompatibili
- Mantenuta invariata la struttura del JSON canonico prodotto dal KNN

- Ottimizzata la ricerca dei vicini per ridurre il carico CPU
- Introdotto un percorso rapido per il calcolo delle distanze dei candidati
- Limitata la diagnostica completa ai soli vicini effettivamente selezionati
- Ottimizzata la selezione Top-K evitando l’ordinamento completo dei candidati
- Ridotti i calcoli ripetuti sulle feature e sui profili di compatibilità
- Migliorato il riutilizzo della cache interna durante l’elaborazione delle fasce
- Mantenuti invariati K, pesi, gate, autorità e criteri meteorologici
- Verificata l’equivalenza della selezione dei vicini rispetto alla versione precedente

- Allineato il motore KNN all’orizzonte dinamico fino alla conclusione del quinto giorno locale
- Introdotta la nuova gerarchia fisica versione 3 con le famiglie cielo, pioggia, temporale e neve
- Rimossa la sottofamiglia dal contratto canonico e rafforzata la coerenza tra famiglia e fenomeno primario
- Estesa la classificazione a 14 fenomeni secondari multi-label con un massimo di tre vincitori per fascia
- Introdotta la selezione esclusiva dei fenomeni appartenenti allo stesso gruppo meteorologico
- Aggiornata la gestione del vento con massimo due classi adiacenti positive e un solo vincitore finale
- Introdotto un ponte di compatibilità con lo storico legacy senza escludere automaticamente le vecchie righe
- Aggiunta la proiezione in memoria delle vecchie famiglie meteorologiche nel nuovo schema V3
- Mantenuta la compatibilità con i secondari legacy a vincitore singolo e con i nuovi target binari
- Utilizzato learning_declass_score come misura della distanza tra lo storico e l’architettura corrente
- Rimossa ogni penalizzazione fissa basata esclusivamente sulla versione dello schema storico
- Introdotta la continuità temporale causale per limitare transizioni meteorologiche non plausibili
- Aggiunta la riduzione della confidenza quando la traiettoria richiede correzioni temporali rilevanti
- Introdotte motivazioni dinamiche per ogni fascia previsionale
- Aggiunto il riepilogo delle motivazioni applicate all’intera traiettoria
- Introdotta la cache canonica versione 2 con lock, file temporanei e recupero della versione precedente
- Aggiunto il fallback sulla cache precedente durante rigenerazioni, errori o cambio di versione
- Compattato l’output canonico di produzione destinato al Forecast Engine
- Spostata la versione del motore nel database meteo_system_versions, eliminando la versione hardcoded dal codice Python
- Allineati accesso cron, configurazione ambientale e chiamata relativa al Merge alla nuova pipeline di produzione
- Migliorata la diagnostica degli errori di contratto indicando fascia e controlli non superati

Migliorata la gestione dei dati meteorologici non disponibili.
Evitato che valori assenti o non applicabili vengano interpretati come misurazioni reali.
Migliorata la coerenza dei dati tra ingresso, analisi e risultato del motore.
Aumentata del 5% la capacità decisionale finale del KNN quando l’analisi storica fornisce indicazioni sufficientemente affidabili.
Mantenuti invariati i limiti di sicurezza per evitare correzioni eccessive.

- Riscritto integralmente il motore KNN in Python con una nuova architettura multicanale.
- Sostituita la precedente logica decisionale Themis con un sistema di correzione basato sui residui storici predicted-to-actual.
- Introdotta la selezione globale dei vicini tramite distanza meteorologica, lead time, declassamento storico, copertura e contesto.
- Introdotto il gate TOP25 globale come base comune per le analisi dei singoli canali.
- Separata l'analisi KNN per temperatura, umidità, dew point, pressione, vento, raffiche, direzione del vento, pioggia, radiazione solare e indice UV.
- Introdotti micro-KNN indipendenti per probabilità primarie, famiglie meteorologiche e fenomeni secondari.
- Implementata la selezione adattiva dei vicini per canale tramite distanza massima, raggio relativo e rilevamento dei gap.
- Introdotto il calcolo dell'autorità correttiva basato su supporto, qualità del vicinato, consistenza dei residui, lead temporale e fiducia nello storico.
- Integrato learning_declass_score sia nella selezione dei vicini sia nella misura della fiducia assoluta nello storico.
- Introdotta la ricomposizione fisica dei valori meteorologici con vincoli di coerenza tra temperatura, umidità e dew point.
- Introdotta la ricomposizione fisica dei fenomeni secondari a partire dai valori finali e dai suggerimenti storici.
- Introdotta la ricomposizione meteorologica delle probabilità primarie e delle famiglie atmosferiche.
- Garantita la coerenza tra fenomeno primario finale e famiglia meteorologica finale.
- Introdotto il calcolo finale di temperatura percepita, wind chill e relazioni coerenti tra probabilità e quantità attesa di pioggia.
- Introdotta l'elaborazione canonica sequenziale dell'intera traiettoria previsionale di 168 ore.
- Introdotta una cache canonica atomica con lock, stale fallback e invalidazione automatica per schema, stazione e versione del motore.
- Introdotte analisi di conferma, raffinamento e override della previsione prodotta dal Merge.
- Integrato learning_features nel forecast canonico per conservare il contesto esatto utilizzato dal motore durante ogni previsione.
- Allineato il motore alla nuova pipeline Local -> API -> Merge -> KNN -> Forecast.
- Introdotto milestone.py, componente fondamentale dell'intera infrastruttura e requisito non negoziabile per il corretto funzionamento dell'universo osservabile.

- Resa Themis più reattiva sugli shift degli stati cielo senza aumentare l’aggressività su pioggia, temporali primari e neve.
- Migliorata la correzione del primario per scenari come sereno, nubi sparse e parzialmente nuvoloso.
- Corretti i reason_code finali per evitare messaggi incoerenti quando un cambio non viene realmente applicato.
- Sistemato il conteggio di ai_secondary_override, ora legato solo ai cambi secondari effettivi.
- Corretta la gestione di temporali_isolati come secondario AI, con soglia coerente e messaggio dedicato.
- Evitati secondari sotto soglia minima, in particolare per nebbia e segnali deboli non confermati.
- Mantenuta prudenza sugli eventi sensibili come pioggia intensa, temporali, neve e acquazzoni.

- Introdotta la nuova correzione di prossimità sulle previsioni a breve termine.
- Aggiunta lettura delle validazioni più recenti da forecast_learning per riconoscere la tendenza reale delle ultime ore.
- La correzione usa le ultime 5 ore validate, con almeno 3 validazioni disponibili per attivarsi.
- Il segnale recente viene trasformato in peso correttivo sulle percentuali finali del KNN.
- La correzione pesa maggiormente sulle previsioni da 1 a 3 ore.
- La correzione viene applicata in forma ridotta sulle previsioni da 4 a 6 ore.
- Oltre le 6 ore la correzione di prossimità non viene applicata.
- Il peso della tendenza recente viene gestito come contributo aggiuntivo equivalente a vicini virtuali, in base a lead time e completezza dei dati disponibili.
- Migliorata la capacità di Themis di correggere errori persistenti di breve periodo, come giornate previste troppo serene, troppo nuvolose o con fenomeni sottostimati.
- Il verdetto finale può cambiare solo se la nuova distribuzione percentuale supera quella precedente: la correzione modifica le probabilità, non impone un override diretto.

* Aggiornato il motore KNN alla versione v5.1.0 - Themis.
* Aggiunto supporto al nuovo campo learning_declass_score nello storico forecast_learning.
* Le righe validate più vecchie o meno coerenti con la logica attuale possono ora pesare meno nel processo KNN.
* Il declassamento storico modifica la distanza effettiva dei vicini e riduce il peso delle righe meno aggiornate.
* Mantenuta la compatibilità con lo storico già validato senza cancellare o ricalcolare gli errori precedenti.
* Migliorata la distinzione tra ai_attempted e ai_applied.
* ai_attempted ora indica che Themis ha effettivamente tentato una valutazione sullo storico.
* ai_applied ora indica solo i casi in cui Themis ha modificato, limato, corretto o ribaltato il forecast.
* Le conferme storiche non vengono più considerate come applicazioni AI se non producono modifiche reali.
* Mantenuta invariata la struttura dell’output JSON per sito, app Android, widget e bot Telegram.