MeteoSwiss: Previsione meteo con Graph Neural Networks

La sfida

I modelli tradizionali di previsione meteorologica numerica sono costosi computazionalmente e possono avere difficoltà con le variazioni di temperatura a scala locale. MeteoSwiss necessitava di un approccio data-driven per complementare le previsioni operative, sfruttando la densa rete SwissMetNet di 302 stazioni.

La nostra soluzione

Abbiamo implementato e confrontato 4 architetture con livelli crescenti di modellazione spaziale: TCN (baseline senza grafo), RNN con node embeddings, STGNN con graph convolutions, e STGNN-Att con struttura del grafo appresa via attention. Il grafo spaziale si basa sulla distanza geografica tra stazioni (kernel gaussiano + K-nearest neighbors). Addestramento con loss Energy Score (CRPS) per calibrazione probabilistica.

Risultati chiave

• Il modello STGNN raggiunge un errore medio di 1,44°C, 17,4% in meno rispetto alla baseline TCN
• A 1h di orizzonte, i nostri modelli battono le previsioni numeriche ICON-CH1-EPS del 54%
• Il message-passing spaziale migliora le performance del 6,9% (MAE) e 7,1% (Energy Score)
• Benchmark su orizzonti da 1h a 24h, confronto diretto con il modello operativo NWP di MeteoSwiss

Casi studio correlati