An evaluation of data-driven interpretable methods to detect tropical cyclones

Tropical cyclones are atmospheric low-pressure systems that develop at the tropics. They are characterized by powerful winds, heavy rainfall, and storm surges. Due to their geographic extent and destructive power, cyclones can cause extensive environmental damage, especially when they reach coastlines and inhabited areas. Over the years, the increasing attention to these phenomena has led to the development of systems that can forecast various aspects of cyclones, such as their formation, track, intensification, and related extreme events. Many of the latest techniques rely on Machine Learning algorithms that can automatically learn the relationships between meteorological data and cyclone activity. While these methods are effective in predictions they make, they may be inadequate in explaining and describing their inner behavior, which is often required by human operators. This thesis aims to provide insight into machine learning methods applied to tropical cyclone forecasting, focusing on the interpretability of their predictions. Specifically, this work analyzes two approaches involving modeling and data analysis. The black-box models are characterized by their opacity concerning the relationship that binds the input to the output, while the white-box models, on the contrary, describe clearly and explicitly the implemented decision process. Some of the black-box models implemented rely on Gradient Boosting (GB) and Long Short-Term Memory Networks (LSTMs), and the Local Interpretable Model-Agnostic Explanations (LIME) provide details on predictions of these methods. White-box models, on the other hand, include Decision Trees and Bayesian Rule Lists, which demonstrate effectiveness in describing the presence of a cyclone and achieving mutually consistent results. The experimental results show that black-box models lack a detailed description of the predictive processes, however, they effectively provide accurate and reliable forecasts. In contrast, white-box models provide rule-based predictions that detail the activity of a TC, although they are not as effective as black-box models at generalizing the forecasting process.

I cicloni tropicali sono sistemi di bassa pressione atmosferica che si sviluppano ai tropici, caratterizzati da forti venti e da piogge intense. A causa dell’estensione geografica e della loro potenza distruttiva, questi fenomeni possono provocare danni ambientali di grande portata. In particolare quando raggiungono le coste e le aree abitate, i cicloni sono spesso la causa di devastazione e di disagi socio-economici.  Nel corso degli anni, lo studio di questi fenomeni ha portato allo sviluppo di sistemi in grado di prevedere con buona precisione diversi aspetti dei cicloni, come la genesi, lo spostamento, l'intensificazione e gli eventi estremi correlati. Molte delle tecniche più recenti si basano su algoritmi di Machine Learning, in grado di apprendere automaticamente le relazioni che esistono tra i dati meteorologici e l'attività ciclonica. Nonostante questi metodi si dimostrino efficaci in molti contesti, allo stesso tempo risultano inadeguati nel fornire spiegazioni e descrizioni su come essi stessi forniscono le proprie previsioni. In questo contesto, questo lavoro di tesi vuole fornire un approfondimento sui metodi di Machine Learning che possono essere usati per prevedere in maniera esplicativa i cicloni tropicali. In particolare, il lavoro è svolto contrapponendo due diversi approcci nel campo della modellazione e dell'analisi dei dati. I modelli black-box, che sono caratterizzati dalla loro opacità rispetto alla relazione che lega l’input con l’output, e i modelli white-box che, al contrario, spiegano in modo chiaro ed esplicito il processo decisionale implementato. Alcuni dei modelli black-box sono realizzati tramite Gradient Boosting (GB) e Long Short-Term Memory Networks (LSTMs), e la descrizione delle previsioni prodotte da questi metodi è fornita tramite una tecnica denominata Local Interpretable Model-Agnostic Explanations (LIME). I modelli white-box invece comprendono gli alberi decisionali e le liste di regole Bayesiane. I risultati sperimentali mostrano come i modelli black-box siano adeguati a fornire previsioni precise ma difficilmente interpretabili. Al contrario, i modelli white-box descrivono efficacemente la presenza dei cicloni con regole logiche. Tuttavia non forniscono la stessa abilità predittiva dei modelli black-box.