Implementazione di un algoritmo di Deep Learning per la previsione a breve termine di eventi di fulminazione come indicatore di potenziali eventi meteorologici estremi

Abstract

Questa tesi analizza l’applicazione di un algoritmo di pattern recognition per la previsione in tempo reale e a breve termine di attività di fulminazione. In dettaglio, partendo dal fatto che numerosi studi confermano il collegamento tra eventi meteorologici estremi e l’attività di fulminazione, la possibilità di previsione a breve termine di quest’ultima può essere usata come indicatore precoce per successivi eventi estremi. Il modello creato è concepito per essere usato al fine di supportare decisioni in applicazioni di gestione dei rischi meteorologici, con l’obiettivo di mitigare gli effetti sulla popolazione e sulle infrastrutture. Inizialmente, per raggiungere questo obiettivo, è effettuata un’analisi degli eventi meteorologici estremi di tipo alluvionale avvenuti sul territorio italiano dal 2010 al 2021. È sviluppata quindi un’analisi statistica di tali eventi. Quindi, si sviluppa una rete neurale ricorrente con operatori convoluzionali con l’obiettivo di predire l’intensità di fulminazione nell’ora successiva. La variabile obiettivo, che rappresenta il numero di fulmini per area unitaria nell’ora, è stata discretizzata in un set finito di intervalli basati su un’analisi statistica condotta sull’area di studio. L’approccio proposto è progettato per predire il corrispondente intervallo di discretizzazione della densità di fulmini per l’ora successiva, mappata su una griglia nello spazio considerato con una risoluzione di 4.5 km. Queste informazioni possono fornire supporto al monitoraggio a breve termine dell’evoluzione degli eventi meteorologici pericolosi. I risultati della validazione sperimentale su un caso di studio che copre l’intero territorio italiano, mari territoriali compresi, per un periodo di un anno, mostrano la capacità dell’approccio proposto di discriminare le classi associate con gli intervalli di discretizzazione e di localizzare la regione spaziale in cui i fulmini si svilupperanno nell’ora successiva.

This thesis investigates the application of a pattern recognition algorithm to nowcast lightning activity as early indicator of the possibility of development of extreme meteorological events. Precisely, since numerous studies confirm the link between extreme meteorological events and the lightning activity, the possibility of its nowcasting could be used as early indicator for these events.

The created model is intended to be used to support decisions in weather hazard applications, to mitigate the effects on the population and on the infrastructures. To this goal, initially, an analysis of the extreme events occurred over the Italian territory from 2010 to 2021 is performed. 97 extreme events are considered, and a statistical analysis is developed with the goal of seeking a possible link between the extreme event and the number of cloud-to-ground strokes per hour over an area.

Then, a recurrent neural network with convolutional operators is developed with the goal of predicting lightning intensity in the next hour. The target variable, representing the hourly number of strokes per unit area, was discretized into a finite set of ranges based on statistical analysis over the study area. The proposed approach is designed to predict the corresponding discretization range of lightning density for the following hour mapped on a spatial lattice with resolution of 4.5 km.

The outcomes of the experimental validation on a case study covering the whole Italian territory and the surrounding seas for a period of one year suggested the capability of the proposed approach to discriminate the classes associated with the identified discretization ranges and to localize the spatial region in which strokes will develop in the following hour. Possible future developments of this research include, for instance, a further in-depth investigation of the link between the classes and the possibility of development of extreme meteorological events.