An empirical evaluation of AI-based methods for modeling the genesis of tropical cyclones

Tropical cyclones (TCs) are rapidly convective storm systems that develop near the equator and whose wind force produces tremendous damage by causing erosion or reduction in soil fertility, devastation of vegetation, destruction of infrastructure, and loss of life in coastal regions all over the world. In addition, global warming could lead to a trend of increasing their destructive potential. Therefore, it is critical to improving our understanding and ability to predict changes in tropical cyclone activity. The rapid expansion of satellite data, observational data, and reanalysis data offers significant prospects for machine learning techniques in tropical cyclone prediction. However, because of their complex dynamic mechanisms and their number of influencing factors, there are still many difficulties in forecasting tropical cyclones: in particular in long time forecasts, in the development of a generic and interpretable artificial intelligence-based TC forecast model, and in improving the TC model itself. This work revolves around the analysis of different artificial intelligence-based models to predict, at different forecasting horizons, the development of cyclones in the Indian Ocean. Some of the models employed are decision trees, random forests, gradient boosting, long short-term memory networks, hidden Markov models, and isolation forests. This study also intends to gain a better understanding of the genesis of TCs. One of the goals, to achieve this, is to quantify the relative importance of each predictor (potential factor) by means of the interpretability of decision tree rules in order to create guidelines for the prediction of TC genesis that can be applied in other investigations. Overall, our work shows how a data-driven model can indeed support experts and scientists in the field of tropical cyclones.

I cicloni tropicali sono sistemi tempestosi che si sviluppano in prossimità dell'equatore e la cui forza del vento è in grado di produrre danni disastrosi causando erosione o riduzione della fertilità del suolo, devastazione della vegetazione, distruzione delle infrastrutture e perdita di vite umane nelle regioni costiere di tutto il mondo. Inoltre, il surriscaldamento globale potrebbe portare a un aumento del loro potenziale distruttivo. Il loro impatto distruttivo rende fondamentale migliorare sia la nostra comprensione del fenomeno che la nostra capacità di prevedere cicloni tropicali. La rapida crescita dei dati satellitari, osservazionali e di rianalisi offrono prospettive significative per la previsione dei cicloni tropicali tramite algoritmi di machine learning. Tuttavia, a causa dei complessi meccanismi dinamici che li regolano e del numero di fattori fisici che li influenzano, prevederli rimane una sfida aperta: in particolare nelle previsioni a lungo termine, nello sviluppo di un modello di previsione dei cicloni generico e interpretabile basato sull'intelligenza artificiale e nel miglioramento dello stesso modello di previsione. Questo lavoro di tesi è incentrato sull'analisi di diversi modelli di intelligenza artificiale per prevedere, a diversi orizzonti di previsione, lo sviluppo dei cicloni nell'Oceano Indiano. Alcuni dei modelli utilizzati sono: decision tree, random forest, gradient boosting, long short-term memory networks, hidden Markov model e isolation forest. Questo studio intende anche comprendere meglio la genesi dei cicloni. Uno degli obiettivi, a tal proposito, è quantificare l'importanza relativa di ciascun predittore grazie all'interpretabilità offerta dagli alberi decisionali, al fine di creare linee guida per la previsione della genesi dei TC che possano essere applicate in altri lavori. I nostri risultati dimostrano come un modello guidato dai dati possa effettivamente supportare il lavoro di esperti e scienziati nel campo dei cicloni tropicali.