Toward AI-based subseasonal-to-seasonal hydroclimatic forecasting at the catchment scale

Accelerating climate change poses unprecedented challenges to water resource management, requiring accurate forecasting across multiple temporal and spatial scales. While subseasonal-to-seasonal (S2S) forecasting provides crucial foresight, translating large-scale predictability into actionable, high-resolution intelligence at the catchment scale remains a significant challenge. This thesis aims to take a step toward bridging this gap by leveraging the U-Net deep learning architecture to translate large-scale climate signals into spatially distributed precipitation predictions for the Lake Como basin. The study first evaluates the impact of ground-truth data on predictive skill by comparing an observation-based framework (APGD and E-OBS) with a global reanalysis-based framework (ERA5). Forecasts are generated across daily and weekly resolutions, up to a two-week lead time. Furthermore, post-processing strategies---including QQ mapping and boosting---are implemented to mitigate the drizzle effect inherent to networks optimized with MSE-based loss functions, which tend to over-smooth precipitation fields and underestimate extremes. Results indicate predictive skill depends heavily on the training dataset. U-Net models trained on high-resolution APGD and E-OBS data exhibit negligible spatial skill due to domain restrictions and missing values. Conversely, training on ERA5 establishes a robust spatial baseline, successfully capturing broad precipitation structures. However, spatial skill steadily declines as the forecast extends deeper into the subseasonal range. Evaluation of post-processing techniques reveals a clear trade-off: while they successfully correct intensity distributions, their effectiveness is strictly bounded by initial positional accuracy. Applying intensity corrections to spatially displaced precipitation fields amplifies displacement-related errors (double-penalty effect), leading to a marked deterioration in point-wise performance metrics. Ultimately, this research establishes a foundational baseline for catchment-scale S2S forecasting, offering a solid starting point to guide future innovations in spatially distributed hydroclimatic modeling.

L'intensificarsi del cambiamento climatico pone sfide senza precedenti alla tutela delle risorse idriche, richiedendo previsioni climatiche affidabili su scale eterogenee. Benché le proiezioni sub-stagionali e stagionali (S2S) offrano uno strumento di previsione fondamentale, tradurre tale potenziale in applicazioni operative a scala di bacino resta una sfida. Questo studio contribuisce a colmare tale divario applicando l'architettura deep learning U-Net per tradurre i segnali climatici a grande scala in previsioni di precipitazione spazialmente distribuite per il bacino del Lago di Como. Lo studio valuta innanzitutto l'impatto dei dati di riferimento sulla performance dei modelli. Le proiezioni basate su dataset osservativi (APGD ed E-OBS) vengono confrontate con sistemi a rianalisi globale (ERA5) su orizzonti giornalieri e settimanali. Inoltre, per mitigare lo smoothing spaziale e la sottostima degli estremi piovosi intrinseci nelle reti neurali ottimizzate tramite funzioni obiettivo basate su MSE, si testano tecniche di post-elaborazione (correzione Quantile-Quantile e boosting). Le analisi evidenziano che la qualità predittiva è profondamente subordinata ai dati di addestramento. Le reti addestrate sull'alta risoluzione di APGD ed E-OBS esibiscono un'abilità spaziale pressoché nulla, compromesse dalla limitata copertura del dominio e dai dati mancanti. L'impiego del dataset ERA5 invece definisce un solido riferimento, ricostruendo con successo la struttura spaziale delle perturbazioni, pur evidenziando un degrado dell'affidabilità man mano che l'orizzonte si estende nel range sub-stagionale. Infine, le tecniche di post-processing si dimostrano funzionali a ricalibrare le intensità di pioggia; tuttavia, il loro beneficio resta subordinato all'accuratezza posizionale iniziale. Forzare intensità elevate su perturbazioni spazialmente disallineate causa un peggioramento dell'errore assoluto (effetto "double-penalty"), deteriorando le metriche di performance puntuali. Complessivamente, questo studio definisce un solido impianto metodologico per le previsioni S2S a scala di bacino, guidando futuri sviluppi nella modellazione idroclimatica spazialmente distribuita.