Hybrid machine learning and dynamical models for improved Subseasonal-to-Seasonal (S2S) precipitation forecasts

Subseasonal-to-seasonal (S2S) precipitation forecasting lies within a transitional predictability regime between weather and climate, where atmospheric initial-condition memory has largely decayed and slowly varying boundary forcings only partially constrain regional rainfall variability. At these lead times, precipitation skill at basin scale remains limited, posing challenges for hydrological decision-making. The AI-Enhanced Niño Index Phase Analysis (AI-NIPA) framework has demonstrated improved skill in predicting cumulative monthly precipitation by exploiting state-aware predictor selection and information-theoretic feature extraction. However, while skillful at the monthly aggregation scale, AI-NIPA does not provide daily precipitation values, which are essential for hydrological modeling, reservoir operations, and water management decisions. Bridging this temporal resolution gap constitutes the central objective of this thesis. To translate skillful monthly forecasts into hydrologically relevant daily rainfall sequences, two alternative disaggregation strategies are developed, both conditioned on the same AI-NIPA monthly predictions. The first is a Copula-based statistical framework that reconstructs precipitation intermittency and temporal dependence structures from historical observations while preserving the predicted monthly totals. The second is a hybrid Machine Learning disaggregation model that dynamically conditions daily rainfall generation on physically based predictors from a dynamical seasonal forecasting system. The framework is implemented for the Rijnland basin and evaluated against climatological references and dynamical ensemble baselines using deterministic and probabilistic verification metrics. Results indicate that constraining daily precipitation generation with skillful AI-NIPA monthly forecasts enhances temporal realism and improves hydrological relevance relative to raw dynamical outputs. The complementary behavior of the statistical and hybrid approaches highlights the potential of structured disaggregation methods to narrow the weather–climate prediction gap for basin-scale S2S precipitation forecasting.

La previsione delle precipitazioni su scala substagionale-stagionale (S2S) si colloca in un regime di prevedibilità intermedio tra il tempo meteorologico e il clima, in cui la memoria delle condizioni iniziali atmosferiche si è in gran parte dissipata e le forzanti al contorno a lenta evoluzione vincolano solo parzialmente la variabilità regionale delle precipitazioni. A questi tempi di anticipo, l’abilità previsionale delle precipitazioni alla scala di bacino rimane limitata, ponendo sfide significative per il processo decisionale in ambito idrologico. Il framework AI-Enhanced Niño Index Phase Analysis (AI-NIPA) ha dimostrato un miglioramento dell’abilità nella previsione delle precipitazioni mensili cumulative, sfruttando una selezione dei predittori consapevole dello stato del sistema e un’estrazione delle caratteristiche basata sulla teoria dell’informazione. Tuttavia, sebbene efficace alla scala di aggregazione mensile, AI-NIPA non fornisce valori giornalieri di precipitazione, che sono essenziali per la modellazione idrologica, la gestione dei serbatoi e le decisioni di gestione delle risorse idriche. Colmare questo divario di risoluzione temporale costituisce l’obiettivo centrale di questa tesi. Per tradurre previsioni mensili accurate in sequenze giornaliere di precipitazione rilevanti dal punto di vista idrologico, vengono sviluppate due strategie alternative di disaggregazione, entrambe condizionate alle stesse previsioni mensili di AI-NIPA. La prima consiste in un framework statistico basato su copule, che ricostruisce l’intermittenza delle precipitazioni e le strutture di dipendenza temporale a partire dalle osservazioni storiche, preservando al contempo i totali mensili previsti. La seconda è un modello ibrido di disaggregazione basato su Machine Learning, che condiziona dinamicamente la generazione delle precipitazioni giornaliere su predittori fisicamente fondati provenienti da un sistema dinamico di previsione stagionale. Il framework è implementato per il bacino del Rijnland ed è valutato rispetto a riferimenti climatologici e a baseline di ensemble dinamici mediante metriche di verifica deterministiche e probabilistiche. I risultati indicano che vincolare la generazione delle precipitazioni giornaliere a previsioni mensili accurate di AI-NIPA migliora il realismo temporale e aumenta la rilevanza idrologica rispetto agli output dinamici grezzi. Il comportamento complementare degli approcci statistico e ibrido evidenzia il potenziale dei metodi di disaggregazione strutturata nel ridurre il divario tra previsione meteorologica e climatica nella previsione S2S delle precipitazioni alla scala di bacino.