Innovative LSTM models for predicting precipitation and convective storm trajectories in Seveso Basin Area

This study presents an innovative approach for predicting precipitation and convective storm trajectories by integrating Long Short-Term Memory (LSTM) networks with a Multi-Layer Perceptron (MLP) model. Convective storms are complex atmospheric events that, especially due to their enhanced frequency with global climate change, represent an increasing risk of heavy rainfall, flash floods, and severe weather phenomena. To address the inherent challenges, this research leverages LSTM for time-series predictions of meteorological sensor data and fuses spatial coordinate information from convective storm trajectories through MLP integration. Extensive preprocessing, including missing data handling, outlier removal, and feature extraction, was applied to sensor data obtained from environmental sensors (ARPA Lombardia) and GNSS ZTD measurements, along with MeteoSwiss radar data. Our two sets of experiments focus on recursive LSTM forecasting for time-series sensor data and trajectory predictions by combining sensor inputs and spatial dynamics. The results demonstrate that the LSTM models, when complemented by an MLP for spatial information, yield accurate short-term forecasts of sensor-driven storm movements. The recursive predictions provide promising results with high precision in immediate next-step storm occurrences but reveal challenges in preserving accuracy over extended time steps. The proposed model holds significant potential for operational forecasting of both precipitation and the spatial trajectory of convective storms.

Questo studio presenta un approccio innovativo per prevedere le precipitazioni e le traiettorie delle tempeste convettive integrando le reti Long Short-Term Memory (LSTM) con un modello Multi-Layer Perceptron (MLP). Le tempeste convettive sono eventi atmosferici complessi che, soprattutto a causa della loro maggiore frequenza legata ai cambiamenti climatici globali, rappresentano un rischio crescente di piogge intense, inondazioni improvvise e fenomeni meteorologici severi. Per affrontare le sfide intrinseche, questa ricerca utilizza LSTM per le previsioni di serie temporali dei dati dei sensori meteorologici e fonde le informazioni di coordinate spaziali delle traiettorie delle tempeste convettive tramite l'integrazione di MLP. Un'estensiva fase di pre-elaborazione, che include la gestione dei dati mancanti, la rimozione dei valori anomali e l'estrazione delle caratteristiche, è stata applicata ai dati dei sensori ottenuti dai sensori ambientali (ARPA Lombardia), dalle misurazioni ZTD GNSS e dai dati radar di MeteoSwiss. I nostri due gruppi di esperimenti si concentrano sulla previsione ricorsiva con LSTM per i dati di serie temporali dei sensori e sulle previsioni delle traiettorie, combinando gli input dei sensori e le dinamiche spaziali. I risultati dimostrano che i modelli LSTM, quando sono affiancati da un MLP per le informazioni spaziali, producono previsioni accurate a breve termine dei movimenti delle tempeste guidati dai sensori. Le previsioni ricorsive forniscono risultati promettenti con un'elevata precisione nelle occorrenze immediate delle tempeste, ma rivelano sfide nel mantenere l'accuratezza su passi temporali estesi. Il modello proposto possiede un significativo potenziale per la previsione operativa sia delle precipitazioni sia delle traiettorie spaziali delle tempeste convettive.