HMMA – HaMMon-Advance: Integrated AI for Enhanced Seasonal Forecasting and Environmental Risk Management

HaMMon-Advance nasce per rispondere a due sfide sempre più urgenti: prevedere con maggiore precisione eventi climatici estremi e valutare in modo più rapido e scalabile la vulnerabilità delle città. Le tecniche tradizionali non sono più sufficienti per affrontare scenari segnati da ondate di calore, freddo intenso e rischi ambientali in aumento. Il progetto sviluppa strumenti di AI capaci di simulare eventi meteo estremi ad alta risoluzione e di estrarre automaticamente informazioni sulle strutture urbane, fornendo supporto concreto a chi gestisce il rischio e pianifica la resilienza.

L’obiettivo principale è migliorare la capacità di produrre previsioni stagionali dettagliate e realistiche legate agli eventi termici estremi. Allo stesso tempo, HMMA mira ad automatizzare l’identificazione delle caratteristiche degli edifici attraverso modelli di deep learning che spaziano dall’analisi delle facciate alla lettura della geometria urbana, per essere utilizzati da enti istituzionali, assicurazioni e organizzazioni impegnate nella mitigazione e adattamento climatico.

I modelli esistenti non descrivono con sufficiente precisione gli eventi termici estremi. Le analisi urbane richiedono infatti dati aggiornati e processi manuali lenti. Ciò comporta la necessità di una soluzione scalabile che integri immagini, point cloud e modelli AI.

Il progetto adotta una combinazione di modelli di diffusione addestrati su dataset climatici storici ad alta risoluzione e pipeline di deep learning per l’estrazione automatica delle caratteristiche edilizie. L’utilizzo delle risorse HPC permette di gestire dataset di dimensioni molto elevate, come le point cloud urbane da 20 TB, e di addestrare modelli complessi mantenendo precisione e stabilità.

Le tecnologie sviluppate consentono di migliorare la previsione di fenomeni estremi e di supportare le strategie di adattamento climatico. Una maggiore accuratezza delle previsioni contribuisce alla riduzione dell’esposizione ai rischi, migliorando la sicurezza delle comunità e favorendo interventi mirati per aumentare la resilienza delle città.

I risultati potranno essere usati per sviluppare sistemi di allerta avanzati, strumenti per simulare scenari climatici complessi e modelli assicurativi più precisi. In ambito urbano, le metodologie saranno estese a dataset di scala metropolitana e integrate in soluzioni per Smart City, Gestione del Rischio e Monitoraggio Infrastrutturale. Con l’evoluzione dell’hardware e l’aumento di dati disponibili, questi strumenti potranno diventare operativi su larga scala.