ETD

• chronos bolt
• crf
• deep learning
• disdrometer
• ensemble
• foundation models
• fourier transform
• gru
• hmm
• jem
• lstm
• machine learning
• neural density estimation
• probabilistic learning
• rainfall disrimination
• rainfall estimation
• realnvp
• satellite
• satellite communication
• slnb
• snr
• spectral analysis
• timesfm
• tspulse
• wavelets

La tesi si pone l’obiettivo di confrontare diverse tecniche di machine learning per ottenere una stima opportunistica dell’intensità delle precipitazioni. Viene sfruttata una rete di sensoristica satellitare dal quale si ricavano serie temporali di Signal to Noise Ratio e di intensità di pioggia, rispettivamente da sensori Smart Low-Noise Block e disdrometri. Le varie tecniche utilizzate comprendono pre-processing dei dati, analisi spettrale, modelli probabilistici, modelli generativi, architetture ricorrenti e modelli fondativi. Questi strumenti vengono infine combinati per migliorare le prestazioni e la robustezza del predittore finale.

This thesis aims to compare various machine learning techniques for the opportunistic rainfall estimation. The study leverages a satellite sensor network to derive time series of Signal-to-Noise Ratio and rainfall intensity, obtained from Smart Low-Noise Block sensors and disdrometers, respectively. The methodologies employed encompass data pre-processing, spectral analysis, probabilistic models, generative models, recurrent architectures, and foundation models. Finally, these tools are combined together to enhance the performance and robustness of the final predictor.