Nowcasting convective storms with artificial neural network modeling based on GNSS ZTD and meteorological data

Convective Storms occur when moisture rises from the earth's surface to the upper atmosphere due to intense heat. These may result in hydrogeological hazard like floods, thus bringing huge environmental and economical disasters. Forecasting these phenomena and assembling an early warning system can restrict their terrible impacts. Information provided by the Global Navigation Satellite System (GNSS) on the distribution of atmospheric water vapor content can be exploited to enhance the prediction of convective storms. Since its beginning, GNSS positioning accuracy has been on a continuous improvement. Numerous models have been introduced to account for observation errors. One of the most significant error is due to the GNSS signal propagation delay due to the interaction with dry air and water vapor present in the lower atmosphere. This delay is primarily modeled as a linear function of a time varying parameter, the Zenith Tropospheric Delay (ZTD). Since the dry air characteristic does not vary rapidly in time, a sudden shift in ZTD can be linked to quick changes in the atmospheric water vapor content. This study aims at the enhancement of a Neural Network (NN) model developed to nowcast convective storms around the river Seveso basin, based on GNSS ZTDs. The model input includes meteorological data, GNSS ZTDs from both a permanent network of geodetic receivers and from an experimental low-cost network. Thunderstorm Radar Tracking records were used as the trigger variable to detect the presence of convective storms. The work consisted in a preliminary processing of the input dataset mainly devoted to overcoming the problem of missing data, followed by several experiments aiming at the definition of the best configuration of the fully connected Feed Forward NN, used as forecasting model. The experiments proved that, by integrating ZTD values with meteorological data, it is feasible to forecast convective storms one hour in advance with more than 80% accuracy. They also showed that better performances can be achieved by a continuous training of the NN based on the most recent input data. Preliminary experiments on the usage of ZTD from the experimental LAMPO stations gave promising results. Further investigations are needed in this direction with large GNSS dataset also exploiting an augmented anisotropic model for the signal tropospheric propagation delay.

Le piogge convettive sono connesse alla risalita di vapore acqueo, causata dal surriscaldamento delle superficie terrestre, verso gli strati più alti dell’atmossfera. Tali piogge possono innescare inondazioni e quindi provocare disastri ambientali ed economici. La previsione a breve termine di piogge convettive e la costruzione di un sistema di allarme può limitarne l’impatto. Informazioni ottenute dal stistema di navigazione GNSS sulla distribuzione di vapore acqueo atmosferico possono essere utilizzate per migliorare la predizione di piogge convettive. Sin dall’origine l’accuratezza del posizionamento GNSS è stata vieppiù migliorata. Numerosi modelli sono stati introdotti per tener conto degli errori di osservazione. Uno degli errori più significativi è dovuto al ritardo nella propagazione del segnale GNSS dovuto all’interazione con l’aria secca e il vapore acqueo presenti nella bassa atmosfera. Questo ritardo è descritto principalmente come una fuzione lineare di un parametro dipendente dal tempo, il ritarrdo zenitale troposferico o ZTD, che viene stimato nell’elaborazione dei dati per il posizionamento. Poichè le caratteristiche dell’aria secca non variano rapidamente nel tempo, un improvviso incremento di ZTD può essere legato a variazione rapide del contenuto di vapore acqueo. Scopo di questa tesi è quello di migliorare un modello di rete neurale (NN) sviluppato per previsioni a breve termine di temporali covettivi sul bacino del Seveso, basato su ritardi GNSS. L’input del modello include dati meteorologici, ritardi troposferici GNSS da una rete permenente di ricevitori geodetici e da una rete sperimentale di ricevitori a basso costo. Dati radar sono stai utilizzati per individuare la presenza di piogge convettive. Il lavoro è consistito in una pre-elaborazione dei dati volta principalmente a superare il problema dei dati mancanti, seguita da numerosi esperimenti volti a definire la migliore configurazione del modello di previsione. Gli esperimenti hanno dimostrato che, integrando le osservazioni GNSS con i dati meterologici, è possibile predire le piogge convettive con un’ora di anticipo con un’accuratezza dell’80%. Essi hanno anche mostrato che si possono raggiungere prestazioni migliori attraverso un addestramento continuo della rete neurale basata sulle osservazioni più recenti. Esperimenti preliminari sull’utilizzo dei dati di ZTD dalle stazioni sperimentali a basso costo hanno dato risultati promettenti. Ulteriori indagini sono necessarie in questa direzione con un dataset GNSS più ampio che includa anche i risultati di un modello anisotropo del ritardo troposferico.