Forecasting the evolution of convective cells by neural networks

Convective storms are a typical source of rainfall, however, they can release heavy rain in short-time periods, triggering flash floods and causing severe damage. Nonetheless, the prediction of thunderstorms’ trajectory is a difficult task, as they are a rapid phenomenon. In this thesis, we develop four Feed Forward Neural Networks, three of which predict in the short-term the trajectory, radar reflectivity, and area of influence of convective cells, respectively, while the fourth forecasts all the variables. The aim of this work consists in building a forecasting model capable of predicting storms in the study area. To train and test the neural networks, we use a dataset containing several years of convective storms that were acquired using the Thunderstorm Radar Tracking (TRT) algorithm developed by MeteoSwiss. A grid-search algorithm is executed to optimize the hyperparameters of the neural networks. Scores commonly used to measure forecast accuracy are used to compare and evaluate the neural networks. The results show that the first three models and the fourth, which jointly predict all the variables, have comparable accuracies. Moreover, our research supports the choice of neural networks as models to forecast convective storms in the short-term. The practical application for this work could consist in the nowcasting of convective storms, establishing an alert procedure in the study area. Regarding potential pathways for future research, the dataset could be combined with several meteorological variables, such as pressure, temperature, and wind velocity. Furthermore, other types of neural networks could be tested for this application.

Le tempeste convettive sono una delle fonti principali di pioggia. Tuttavia, possono rilasciare grandi quantità d’acqua in brevi periodi, innescando inondazioni improvvise e causando gravi danni. Tuttora, la previsione della traiettoria dei temporali è un compito difficile, in quanto sono un fenomeno estremamente rapido. In questa tesi sono state sviluppate quattro Feed Forward Neural Network, tre delle quali predicono a breve termine, rispettivamente, traiettoria, riflettività radar e area di influenza delle celle convettive, mentre la quarta prevede tutte le variabili. L’obiettivo di questo lavoro consiste nel creare un modello previsionale in grado di prevedere il percorso delle tempeste, insieme ad altri parametri di caratterizzazione. Per costruire le reti neurali abbiamo utilizzato un dataset contenente diversi anni di tempeste convettive, acquisite utilizzando l’algoritmo Thunderstorm Radar Tracking (TRT) sviluppato da MeteoSwiss. Viene inoltre eseguito un algoritmo di ricerca a griglia per ottimizzare gli iperparametri delle reti neurali. Misure statistiche comunemente impiegate per misurare l’accuratezza delle previsioni vengono utilizzate per confrontare e valutare le diverse reti neurali. I risultati mostrano che i primi tre modelli a confronto con il quarto, che prevede congiuntamente tutte le variabili, non mostrano differenze significative. Inoltre, il nostro lavoro di ricerca supporta la scelta delle reti neurali come modelli per prevedere le tempeste convettive a breve termine. L’applicazione pratica di questo lavoro potrebbe consistere nel nowcasting di tempeste convettive, stabilendo una procedura di allerta nell’area di studio. Per quanto riguarda potenziali sviluppi futuri, il dataset potrebbe essere combinato con diverse variabili meteorologiche, come pressione, temperatura e velocità del vento. Inoltre, altri tipi di reti neurali potrebbero essere testate per quest’applicazione.