Predittori meteo (pioggia) 🌦️

Modelli di predizione giornaliera della pioggia basato su dati meteorologici storici.
I modelli combinano preprocessing (come imputing, scaling, encoding...) per prevedere se il giorno successivo ci sarà pioggia significativa (>0.6 mm) o nulla/minima (<0.6 mm).

🔄 Versioni

Versione	Data	Note principali
v1.0	2025-08	Modello base
v2.0	2025-12	Migliore accuracy globale con trade-off controllato tra precisione e recall sulle classi

🆕 Novità in V2

La versione v2 introduce miglioramenti mirati rispetto alla v1:

accuracy globale migliorata
recall più equilibrati tra classi (favoreggiando le classi più sbilanciate)

Modifiche principali

uso di XGBClassifier invece che RandomForest, consentendo una modellazione più efficace di interazioni non lineari profonde tramite boosting sequenziale
search dei iperparametri con GridSearch sui parametri principali

📊 Confronto Prestazioni (v1 vs v2)

Metrica	v1	v2
Accuratezza	71.35%	73.21%
Recall (Sole)	0.7128	0.7459
Recall (Pioggia)	0.7150	0.7009
Precisione (Sole)	0.8498	0.8494
Precisione (Pioggia)	0.5240	0.5495
F1 (Sole)	0.7753	0.7943
F1 (Pioggia)	0.6047	0.6160

🛠️ Task

Tipo di problema: classificazione binaria.
Output: "Presente" (pioggia > 0.6 mm) o "Nulla/Minima" (pioggia ≤ 0.6 mm).
Input: valori meteorologici giornalieri:
- Anno
- Mese
- Fase del mese (Inizio, Meta, Fine)
- Direzione vento massimo (es. N, SO, NE)
- Temperatura minima, media e massima (°C)
- Umidità media e massima (%)
- Vento medio e massimo (km/h)
- Irradiamento solare (KJ/m²)
- Pressione (Pa)
- Pioggia odierna (mm)

⚠️ Nota importante: Se mancano dati per la giornata odierna, non lasciare il campo vuoto. Usare invece il valore del giorno precedente o il più recente disponibile.

⚡ Come usare il modello

V1

from huggingface_hub import hf_hub_download
import joblib
import pandas as pd

# Scarica il modello dal repo Hugging Face
model_path = hf_hub_download(repo_id="freyflyy/previsione-meteo-udine-modello", filename="model_v1.pkl") # modello base (v1)
model_dict = joblib.load(model_path)

imputer = model_dict["modello_imputer"]
encoder = model_dict["modello_encoder"]
model = model_dict["modello_predittivo"]

# Esempio input
input_dict = {
    "Anno": 2025,
    "Mese": "Ago",
    "PosizioneMese": "Meta",
    "DirVentoMax": "SO",
    "TempMin [°C]": 16.3,
    "TempMed [°C]": 23.1,
    "TempMax [°C]": 28.1,
    "UmiditaMed [%]": 69,
    "UmiditaMax [%]": 91,
    "VentoMed [km/h]": 5,
    "VentoMax [km/h]": 19,
    "Radiazione [KJ/m2]": 25998,
    "Pressione [Pa]": 100770,
    "mmPioggia": 0
}

df_input = pd.DataFrame([input_dict])

# Preprocessing
numerical_cols = df_input.select_dtypes(include=[float, int]).columns.tolist()
categorical_cols = df_input.select_dtypes(include=["object"]).columns.tolist()

df_input[numerical_cols] = imputer.transform(df_input[numerical_cols])
encoded = encoder.transform(df_input[categorical_cols]).toarray()
encoded_df = pd.DataFrame(encoded, columns=encoder.get_feature_names_out(categorical_cols), index=df_input.index)

df_input_final = pd.concat([df_input.drop(columns=categorical_cols), encoded_df], axis=1)

# Predizione
pred = model.predict(df_input_final)[0]
print("Predizione pioggia:", pred)

V2

from huggingface_hub import hf_hub_download
import joblib
import pandas as pd

# Scarica il modello dal repo Hugging Face
model_path = hf_hub_download(repo_id="freyflyy/previsione-meteo-udine-modello", filename="model_v2.pkl") # modello aggiornato (v2)
model_dict = joblib.load(model_path)

imputer = model_dict["modello_imputer"]
encoder = model_dict["modello_encoder"]
model = model_dict["modello_predittivo"]

# Esempio input
input_dict = {
    "Anno": 2025,
    "Mese": "Ago",
    "PosizioneMese": "Meta",
    "TempMin_C_": 16.3,
    "TempMed_C_": 23.1,
    "TempMax_C_": 28.1,
    "UmiditaMed_": 69,
    "UmiditaMax_": 91,
    "VentoMed_km_h_": 5,
    "VentoMax_km_h_": 19,
    "DirVentoMax": "SO",
    "Radiazione_KJ_m2_": 25998,
    "Pressione_Pa_": 100770,
    "mmPioggia": 0,
    # Lag 1
    "Anno_lag_1": 2025,
    "Mese_lag_1": "Lug",
    "PosizioneMese_lag_1": "Fine",
    "TempMin_C__lag_1": 15.8,
    "TempMed_C__lag_1": 22.5,
    "TempMax_C__lag_1": 27.4,
    "UmiditaMed__lag_1": 71,
    "UmiditaMax__lag_1": 90,
    "VentoMed_km_h__lag_1": 6,
    "VentoMax_km_h__lag_1": 21,
    "DirVentoMax_lag_1": "O",
    "Radiazione_KJ_m2__lag_1": 25200,
    "Pressione_Pa__lag_1": 100820,
    "mmPioggia_lag_1": 1
}


df_input = pd.DataFrame([input_dict])

# Preprocessing
numerical_cols = df_input.select_dtypes(include=[float, int]).columns.tolist()
categorical_cols = df_input.select_dtypes(include=["object"]).columns.tolist()

df_input[numerical_cols] = imputer.transform(df_input[numerical_cols])
encoded = encoder.transform(df_input[categorical_cols]).toarray()
encoded_df = pd.DataFrame(encoded, columns=encoder.get_feature_names_out(categorical_cols), index=df_input.index)

df_input_final = pd.concat([df_input.drop(columns=categorical_cols), encoded_df], axis=1)

# Predizione
preds_dict = {0:"Nulla o Minima", 1:"Presente"}
pred = model.predict(df_input_final)[0]
pred = preds_dict[pred]
print("Predizione pioggia:", pred)

IMPORTANTE

Se mancano dati per la giornata odierna, non lasciare il campo vuoto. Invece, usare quelli del giorno prima o i più recenti

🔗 Fonte dati

I dati meteorologici possono essere prelevati dal sito dell'Arpa FVG

📄 Licenza

MIT

Downloads last month: -

freyflyy
/

previsione-meteo-udine-modello