Modeling Mediterranean cyclones hazards via machine learning

The Mediterranean's unique geography, with its sharp transition between land and sea, contributes to a high frequency of cyclogenesis events. The energy released by these cyclones can pose significant risks to coastal communities and ecosystems. Therefore, tracking and predicting these systems is crucial to power early warning systems and climate risk management. Among the different cyclones that originate in this area, medicanes, also known as Mediterranean tropical-like cyclones, are rare but particularly intense storm systems. They are characterized by their hybrid nature, often transitioning from extra-tropical cyclones to systems with tropical characteristics. Despite their dangerousness, they have become attractive to the scientific community only in the last 20 years and there are still several unsolved questions regarding their behavior. If compared to Tropical cyclones, there is still scarce literature and no tool has been developed to track or predict them. The purpose of this thesis is to develop a model able to estimate the monthly activity of intense cyclones over the Mediterranean, measured by means of the Accumulated Cyclone Energy (ACE), an indicator widely used for tropical cyclones in the North Atlantic but never used on the Mediterranean basin. To reach this aim, we developed a convolutional neural network (CNN) model using meteorological maps as input from the ERA5 reanalysis dataset and as target a time series of historical ACE values for the period 1980-2019. Extensive optimization is done to fine-tune both the parameters of the model and the ideal set of inputs. This optimization yields a model that not only performs better, but is also more interpretable. For example, we are able to suggests a connection between focusing areas of the model and the main landfall spots of medicanes, coherently to where maximum ACE is expected to be found. Furthermore, we evince which features are more useful for the estimation, such as mid-tropospheric relative humidity and mean sea level pressure. Last, we combine the CNN model with simpler machine learning model (XGBoost) trained over the residuals between CNN model's outputs and the historical values to further improve the overall accuracy for months of peak ACE activity. Although this post-processing only helps marginally for the peak values of ACE, it does improve the baseline model substantially over all three performance metrics considered.

La composizione geografica unica del Mediterraneo, con la sua veloce transizione tra terre emerse e mare, contribuisce a generare una grande quantità di eventi ciclonici. L'energia rilasciata da questi eventi può causare rischi significativi alle comunità costiere e agli ecosistemi. Per questa ragione, tracciare e predire questi sistemi è di cruciale importanza per i sistemi di allerta locali e la gestione del rischio climatico. Tra le differenti tipologie di cicloni che si originano nell'area, i medicanes, conosciuti anche come Mediterranean Tropical-like cyclones, sono sistemi temporaleschi rari ma di estrema intensità. Sono caratterizzati dalla loro natura ibrida: nascono solitamente come cicloni extratropicali per poi assumere caratteristiche tropicali. Nonostante la loro pericolosità, solo negli ultimi anni sono diventati materia di studio per la comunità scientifica e ci sono ancora domande non risolte sulla loro natura. Se comparati ai cicloni tropicali, nessun modello è stato sviluppato per tracciarli e predirli. L'obiettivo di questa tesi è quello di sviluppare un modello in grado di stimare l'attività mensile dei cicloni più intensi, misurata attraverso l'Accumulated Cyclone Energy (Attività ciclonica accumulata), un indicatore che viene ampiamente utilizzato per valutare l'attività ciclonica nell'Atlantico del Nord ma non è mai stato utilizzato sul bacino del mediterraneo. Per raggiungere questo obiettivo, utilizziamo una rete neurale convoluzionale (CNN; un modello di apprendimento automatico), usando come input mappe meteorologiche ottenute dal database ERA5 e come output una serie temporale di ACE calcolata sul periodo 1980-2019. Il set ideale di variabili da utilizzare e i parametri del modello sono stati selezionati attraverso un'ampia ottimizzazione che ha portato alla generazione di un modello che non solo funziona meglio del modello di partenza, ma che è anche più interpretabile. Per esempio, siamo in grado di suggerire una connessione tra le regioni della mappa dove il modello si focalizza maggiormente e i principali punti di approdo di medicanes nel bacino, assunzione coerente sulle zone in cui ci si aspetta di registrare valori alti di ACE. Inoltre, siamo in grado di identificare le variabili che sono più utili per l'identificazione dell'ACE (e quindi dell'attività ciclonica), come l'umidità relativa medio-troposferica, e il livello di pressione medio dei mari. Infine, per compensare la bassa efficacia del modello nell'identificazione di valori estremi, abbiamo usato un secondo modello di apprendimento automatico più semplice (XGBoost) allenandolo sui residui tra le proiezioni del modello e i valori storici. Anche se questo approccio produce un miglioramento solo marginale nell'identificazione dei picchi, contribuisce comunque a aumentare la prestazione del modello per tutte e tre le metriche di valutazione utilizzate e determina il raggiungimento di risultati molto migliori quando valutato sul test set.