Improving sub-seasonal drought forecasting via machine learning to leverage climate data at different spatial scales

Drought is one of the most dangerous natural extremes affecting society nowadays. These extremes are responsible for a yearly economic cost of about 9 billion euros in Europe and typically originate from precipitation shortfall, leading to water shortages, agricultural losses, and environmental deterioration. Even with all the work and recent improvements in weather and extreme weather event forecasting, it is still difficult to estimate rainfall reliably, especially at sub-seasonal lead times. The sub-seasonal time frame is indeed too short to be solely influenced by phenomena such as oceanic variability and, at the same time, too long to be mainly affected by the atmospheric initial conditions. Therefore, a soft contribution of both is present. Moreover, uncertainty persists regarding the relative contributions of local atmospheric conditions and climatic teleconnections to the development of total precipitation at the sub-seasonal scale. By advancing the Climate State Intelligence (CSI) framework and looking at how local atmospheric conditions and teleconnection patterns affect monthly total precipitation, we aim at addressing this lead time gap. To do so, this work is structured into three main Machine Learning (ML) model branches predicting total precipitation with a one-month lead time. The exploited ML algorithms include Extreme Learning Machines (ELM), Feed-Forward Neural Networks (FFNN), and Convolutional Neural Networks (CNN). We ultimately test the performance of our ML-based precipitation forecasts using the ECMWF Extended Range forecasts as a benchmark. The presented framework was created as part of the CLImate INTelligence (CLINT) project and used in the Netherlands' Rhine Delta region.

La siccità è uno degli eventi estremi più pericolosi che interessa la società odierna. Questi eventi estremi sono responsabili di un impatto economico annuo di circa 9 miliardi di euro in Europa e, in genere, traggono origine dalla carenza di precipitazioni che porta a scarsità d'acqua, problemi nel settore agricolo e depauperamento ambientale. Nonostante i recenti miglioramenti nelle previsioni del tempo e degli eventi meteorologici estremi, è ancora difficile stimare le precipitazioni in modo affidabile, specialmente per lead time sub-stagionali. L'arco temporale sub-stagionale è infatti troppo breve per essere influenzato unicamente da fenomeni quali la variabilità oceanica e, allo stesso tempo, troppo lungo per essere influenzato principalmente dalle condizioni atmosferiche iniziali. Pertanto, è presente un tenue contributo di entrambi i fattori. Inoltre, vi è incertezza in relazione ai contributi relativi delle condizioni atmosferiche locali e delle teleconnessioni climatiche allo sviluppo delle precipitazioni totali a scala sub-stagionale. Attraverso l’estensione del Climate State Intelligence (CSI) framework e l’osservazione di come le condizioni atmosferiche locali e le teleconnessioni influenzano le precipitazioni totali mensili, miriamo a colmare questo divario presente alla scala sub-stagionale. Per fare ciò, questo lavoro è strutturato in tre diversi modelli di Machine Learning (ML) atti a prevedere la precipitazione totale con un lead time mensile. Gli algoritmi di ML sfruttati includono Extreme Learning Machines (ELM), Feed-Forward Neural Networks (FFNN) e Convolutional Neural Networks (CNN). La determinazione delle performances dei modelli addestrati rispetto allo stato dell’arte è stata eseguita mediante comparazione con “ECMWF extended forecasts products”. Il framework presentato nasce come parte del progetto CLImate INTelligence (CLINT) ed è riferito alla regione del delta del Reno nei Paesi Bassi.