Radar-based flood nowcasting using machine learning algorithms: an application in the hydraulic node of Milan

In recent decades, climate change has led to a significant increase in the frequency and intensity of extreme weather events, resulting in a rise in hydro-geological risk and in the vulnerability of ecosystems and infrastructures. These phenomena, often characterized by strong spatial and temporal variability, are particularly impactful in urban areas. The hydraulic node of Milan represents an emblematic case: floods of the Seveso River cause recurrent inundations in the Niguarda district, north of the city, producing widespread damage to infrastructures and mobility. In this context, the ability to accurately predict meteorological and hydrological variables in the very short term is crucial for risk management and for the development of timely early-warning systems. This study proposes the use of machine learning models, such as LDCast and GPTCast, developed by the Bruno Kessler Foundation of Trento, for radar-based nowcasting, with the lead time of interest extending up to 2 hours. The estimates produced by these models are then used as input for a hydrological model based on artificial intelligence developed by the Politecnico di Milano, with the ultimate goal of evaluating the overall performance of the forecasting system. The results show that LDCast and GPTCast display generally similar performance. A slight superiority of LDCast is observed in the spatial localization of precipitation cells, while from a hydrological perspective both predictive chains provide comparable flood simulations and maintain good predictive skill up to a lead time of about 40 minutes. Therefore, the study concludes that integrating AI-based radar nowcasting systems with hydrological models can provide reliable and accurate short-term forecasts, yielding promising results that suggest a substantial potential to improve the effectiveness of current operational warning systems and the dynamic management of structural systems.

Negli ultimi decenni, il cambiamento climatico ha portato a un aumento significativo della frequenza e dell’intensità di eventi meteorologici estremi con conseguente incremento del rischio idrogeologico e della vulnerabilità di ecosistemi e infrastrutture. Tali fenomeni, spesso caratterizzati da forte variabilità spaziale e temporale, risultano particolarmente impattanti nelle aree urbane. Il nodo idraulico di Milano rappresenta un caso emblematico: le piene del fiume Seveso causano allagamenti ricorrenti nel quartiere Niguarda, a nord della città, provocando danni diffusi a infrastrutture e mobilità. In questo scenario, la capacità di prevedere con precisione variabili meteorologiche e idrologiche a brevissimo termine risulta fondamentale per gestire il rischio e sviluppare sistemi di allerta tempestivi. Il presente studio propone l’impiego di modelli di machine learning, come LDCast e GPTCast, sviluppati dalla Fondazione Bruno Kessler di Trento, per la previsione radar in chiave nowcasting, con un lead time di interesse che si estende fino a 2 ore. Le stime prodotte da questi modelli vengono poi utilizzate come input per un modello idrologico basato su intelligenza artificiale sviluppato dal Politecnico di Milano, con il fine ultimo di valutare le prestazioni complessive del sistema previsionale. I risultati mostrano che LDCast e GPTCast presentano prestazioni complessivamente simili. Si osserva una lieve superiorità di LDCast nella localizzazione spaziale delle celle precipitative, mentre dal punto di vista idrologico entrambe le catene predittive garantiscono simulazioni di piena comparabili e mantengono una buona capacità predittiva fino a un lead time di circa 40 minuti. Pertanto, lo studio conclude che l'integrazione di sistemi di nowcasting radar basati sull’intelligenza artificiale con modelli idrologici è in grado di fornire previsioni affidabili e accurate nel breve termine, con risultati promettenti che suggeriscono una sostanziale possibilità di migliorare l'efficacia degli attuali sistemi di allerta operativi e la gestione dinamica dei sistemi strutturali.