Deep learning techniques for medium-range forecasting of tropical cyclones activity

Tropical cyclones are one of the extreme weather events that have the most significant impact on human life and property, and they can cause disasters such as extreme winds and large waves. These extreme events have always been a concern of meteorologists, and there are many studies regarding the forecasting techniques from the past years. However, this task remains challenging due to the complex physical interactions that influence cyclone behavior. Machine learning is a sub-field of artificial intelligence concerned with the development and study of statistical algorithms that can learn from data and generalize to unseen data, thus without following explicit instructions. Since this type of learning is unconstrained by physics, it is particularly suitable for solving problems where the physical mechanisms are unclear. Deep learning techniques, in particular, can be useful, since they have a lower dependency on manually crafted features and a bigger ability to handle high-dimensional data. In this work we exploit state-of-the-art deep learning techniques to perform tropical cyclones forecasting based on features that have shown to be correlated to them. Specifically, we structured the data under analysis considering each feature as a different channel of an image, subsequently exploiting models that are common in computer vision and image segmentation. The best-preforming models obtained have been able to generalize correctly and they can compute predictions for every area under analysis. Specifically, we considered different models to predict cyclones for a 48-hours lead time, and extending the lead time to the subsequent two weeks, observing skillful predictions that deteriorate more and more depending on the time lag considered.

I cicloni tropicali sono uno degli eventi meteorologici estremi con l'impatto più significativo sulla vita umana e sui beni, e possono causare disastri come venti estremi e grandi inondazioni. Questi eventi estremi sono sempre stati oggetto di interesse per i meteorologi e ci sono molti studi sulle tecniche di previsione degli anni passati. Tuttavia, questo compito rimane impegnativo a causa delle complesse interazioni fisiche che influenzano il comportamento dei cicloni. L'apprendimento automatico è una branca dell'intelligenza artificiale che si occupa dello sviluppo e dello studio di algoritmi statistici che possono apprendere dai dati e generalizzare su dati non visti, quindi senza eseguire istruzioni esplicite. Poiché questo tipo di apprendimento non è vincolato dalla fisica, è particolarmente adatto a risolvere problemi in cui i meccanismi fisici non sono chiari. Le tecniche di apprendimento profondo, in particolare, possono essere utili, poiché hanno una minore dipendenza dalle caratteristiche create manualmente e una maggiore capacità di gestire dati ad alta dimensionalità. In questo lavoro utilizziamo lo stato dell'arte delle tecniche di apprendimento profondo per effettuare la previsione dei cicloni tropicali sulla base di caratteristiche che hanno dimostrato di essere correlate ad essi. Nello specifico, abbiamo strutturato i dati in analisi considerando ogni caratteristica come un diverso canale di un'immagine, sfruttando successivamente modelli che sono comuni nella computer vision e nella segmentazione delle immagini. I modelli meglio preformati individuati sono stati in grado di generalizzare correttamente e di calcolare previsioni per ogni area in analisi. In particolare, abbiamo preso in considerazione diversi modelli per prevedere i cicloni con un tempo di anticipo di 48 ore, ed estendendo l'intervallo alle due settimane successive, osservando previsioni abili che si deteriorano sempre di più a seconda dell'intervallo di tempo considerato.