A dual deep learning system for early-stage convective storms identification and short-term evolution prediction

Increasing urbanization and climate change have intensified the risk of severe convective storms, especially in densely populated and vulnerable areas like the Seveso River Basin in Northern Italy. This thesis presents a novel dual deep learning system designed for the early identification of convective storms and the short-term prediction of their evolution. By integrating high-resolution radar data with comprehensive meteorological sensor networks, the study develops a robust framework that addresses three key challenges: accurate estimation of storm severity, precise forecasting of storm trajectories, and reliable prediction of accompanying meteorological changes. The methodology involves constructing a refined dataset by synchronizing multi-source sensor data with radar observations through advanced filtering, interpolation, and feature engineering techniques—such as decomposing wind direction into vector components. Two predictive models are developed: a storm classification model that leverages Feedforward neural network that classifies storms based on a labelling system that was conducted for this dataset, and a storm trajectory model that employs deep learning architectures to forecast storm movement and related weather variables. Experimental results demonstrate that the proposed system outperforms traditional methods in terms of predictive accuracy and timeliness, offering significant potential for enhancing flood risk management and early warning systems. The findings underscore the value of integrating deep learning with meteorological analysis to support proactive urban planning and disaster mitigation strategies.

L'urbanizzazione crescente e i cambiamenti climatici hanno intensificato il rischio di forti temporali convettivi, specialmente in aree densamente popolate e vulnerabili, come il Bacino del Fiume Seveso nel Nord Italia. Questa tesi presenta un innovativo sistema duale di deep learning, progettato per l'identificazione precoce dei temporali convettivi e la previsione a breve termine della loro evoluzione. Integrando dati radar ad alta risoluzione con reti complete di sensori meteorologici, lo studio sviluppa un quadro solido che affronta tre sfide chiave: la stima accurata della gravità dei temporali, la previsione precisa delle traiettorie dei temporali e la predizione affidabile dei cambiamenti meteorologici associati. La metodologia prevede la costruzione di un dataset raffinato, ottenuto sincronizzando i dati provenienti da sensori multipli con le osservazioni radar tramite tecniche avanzate di filtraggio, interpolazione e ingegnerizzazione delle caratteristiche—come la scomposizione della direzione del vento in componenti vettoriali. Sono stati sviluppati due modelli predittivi: un modello di classificazione dei temporali che sfrutta una rete neurale feedforward per classificare i temporali sulla base di un sistema di etichettatura elaborato per questo dataset, e un modello di traiettoria dei temporali che impiega architetture di deep learning per prevedere il movimento dei temporali e le variabili meteorologiche correlate. I risultati sperimentali dimostrano che il sistema proposto supera i metodi tradizionali in termini di accuratezza predittiva e tempestività, offrendo un potenziale significativo per migliorare la gestione del rischio di alluvioni e i sistemi di allerta precoce. I risultati sottolineano l'importanza di integrare il deep learning con l'analisi meteorologica per supportare una pianificazione urbana proattiva e strategie di mitigazione dei disastri.