Corpi Nuvolosi generabili mediante GAN & CGAN

I campi nuvolosi hanno un grande impatto sul tempo e sul clima della Terra. I moderni modelli climatici che includono il feedback dei campi nuvolosi presentano grandi incertezze nelle predizioni. Per migliorare i modelli dei sistemi climatici, grandi quantità di dati di alta qualità come il ricorso ai campi nuvolosi sono necessari. Il Cloud Profiling Radar (CPR) sul satellite CloudSat fornisce dati verticali di alta qualità sui campi nuvolosi ma è limitato nella sua copertura geografica. Lo spettro-radiometro per immagini a risoluzione moderata (MODIS) sul satellite Aqua, fornisce dati che distinguono solo lo strato superiore delle nuvole, ma hanno una copertura spaziale molto maggiore. In questo progetto di ricerca vogliamo esplorare le reti generative avversarie (GANs), con l’intenzione di estendere l’attuale set di dati CPR disponibile. Una rete genera dati cloud verticali utilizzando il rumore casuale (noise) come input. L’altra rete utilizza i dati MODIS come elementi d’ingresso capaci di generare dati relativi ai profili verticali dei corpi nuvolosi (clouds), legati a una geolocalizzazione specifica. Questa rete di nostro interesse è di conseguenza considerata una rete avversaria generativa condizionale (CGAN). Le due reti neurali vengono confrontate con un metodo comune utilizzato per generare campi di nuvole sintetiche, l’Iterative Amplitude Adjustment, ossia una Trasformata di Fourier (IAAFT). I metodi di generazione dei corpi nuvolosi possono essere confrontati rispetto a diversi metodi, tenendo conto delle loro proprietà statistiche e fisiche, compreso il percorso dell’acqua ghiacciata (ice water path), l’altezza della sommità delle nuvole (cloud-top height) e l’autocorrelazione spaziale (spatial autocorrelation).