Machine Learning-Based Weather Impact Forecasting

Abstract

Natural disasters influenced over 4 billion people, required 1.23 million lives, and caused almost US$ 3 trillion economic losses between 2000 and 2019. The picture becomes even more deplorable when hazards, smaller-scale severe weather events not requiring casualties, are considered. For example, 78 percent of power outages in Finland were inflicted by extreme weather in 2017, and train delays, often caused by adverse weather, have been estimated to cost 1 billion pounds during 2006 and 2007 in the UK. To mitigate the effects of the adverse weather and increase the resilience of the societies, the World Meteorological Organisation (WMO) raised the consciousness of impact-based warnings along with impact forecasts. Such warnings and predictions can be used in various domains to prepare, alleviate and recuperate from adverse weather conditions.

This thesis studies how to preprocess data and use machine learning to create valuable impact forecasts for power grid and rail traffic operators. The thesis introduces a novel object-oriented method to predict power outages caused by convective storms. The method combines state-of-the-art storm identification, tracking, and nowcasting algorithms with modern machine learning methods. The proposed object-oriented method is also adapted to predict power outages caused by large-scale extratropical storms days ahead. In addition, the thesis studies the task of predicting weather-inflicted train delays. The method presented in the thesis hinges weather parameters on train delays to anticipate the delays days ahead. The thesis shows that the object-oriented approach is a vindicable method to predict power outages caused by convective storms and that a similar approach is feasible also in the context of extratropical storms. The introduced methods provide power grid operators increasingly accurate outage predictions.

The thesis also demonstrates that the train delays related to adverse weather can be predicted with good quality training data. Such predictions offer cardinal information for rail traffic operators in preparing the challenging conditions. Presumably, similar approaches can be applied to any other domain with quantitative impacts produced by identifiable weather events, if sufficient impact data are available. Several advanced machine learning methods were evaluated in the tasks. The results corroborate with existing research: random forests provided a robust performance in all tasks, but also gradient boosting trees, Gaussian processes, and support vector machines proved useful.

Luonnonkatastrofit vaikuttivat yli 4 miljardiin henkeen, vaativat 1,23 miljoonaa kuolonuhria ja tuottivat lähes 3 biljoonan dollarin taloudelliset tappiot vuosina 2000 -- 2019. Kuva heikkenee entisestään, mikäli huomioidaan myös pienemmän luokan vakavat säätapahtumat. Esimerkiksi 78 prosenttia Suomen vuoden 2017 sähkökatkoista oli sään aiheuttamia. Toisaalta -- usein säähän liittyvät -- junien myöhästymiset tuottivat arviolta miljardin punnan tappiot vuosina 2006 -- 2007 Isossa-Britanniassa. Maailman ilmatieteiden järjestö (WMO) onkin tähdentänyt vaikutusperusteisen varoitusten ja vaikutusennusteiden tärkeyttä vaaralliseen säähän varautumisessa. Vaikutusperusteiset varoitukset ja ennustukset ovat tärkeä apuväline useilla yhteiskunnan osa-alueilla varautuessa ääreviin sääilmiöihin sekä lievittäessä niiden vaikutuksia ja toipuessa niistä.

Tämä väitöskirja tutkii kuinka esiprosessoida dataa ja hyödyntää koneoppmimista sähköverkko- ja junaliikenneoperaattoreille tuotetuissa vaikutusennusteissa. Väitöskirja esittelee uuden oliopohjaisen metodin konvektiivisten rajuilmojen aiheuttamien sähkökatkojen ennustamiseksi. Metodi yhdistää ajantasaiset myrskyn tunnistus-, seuraus- ja lähihetkiennustusalgoritmit moderneihin koneoppimismenetelmiin. Ehdotettu oliopohjainen metodi on myös muokattu ennustamaan laaja-alaisten matalapainemyrskyjen aiheuttamia sähköatkoja. Lisäksi, väitöskirja tutkii sään aiheuttamien junien myöhästymisten ennustamista. Väitöskirjassa esitetty methodi yhdistää sääparametrit junien myöhästymisdataan, jotta myöhästymisiä voidaan ennakoida päiviä etukäteen.

Väitöskirja osoittaa, että oliopohjainen lähestymistapa toimii hyvin konvektiivisten myrskyjen aiheuttamien sähkökatkojen ennustamisessa, ja että vastaavaa metodia voidaan soveltaa myös matalapainemyrskyjen tapauksessa. Väitöskirjassa esitetyt metodit tarjoavat sähköverkko-operaattoreille entistä tarkempia sähkökatkoennusteita. Väitöskirja osoittaa myös, että sään aiheuttamien junien myöhästymisiä voidaan ennustaa mikäli hyvälaatuista koulutusdataa on saatavilla. Tällaiset ennustukset ovat hyvin tärkeitä junaliikenneoperaattoreille haasteellisiin olosuhteisiin varauduttaessa. Oletettavasti samoja lähestymistapoja voidaan hyödyntää myös muilla aloilla, joilla vaikutuksia ovat numeerisesti mallinnettavia ja tunnistettavan säätapahtuman tuottamia sekä kunnollista vaikutusdataa on saatavilla. Väitöskirja vertailee useiden koneoppmismetodeiden soveltuvuutta käsiteltäviin tähtäviin. Tulokset ovat linjassa edellisten tutkimusten kanssa: erityisesti satunnaismetsät ('random forests') tarjosivat toimitavarmoja ennusteita kaikissa tehtävissä, mutta gradienttivahvisteiset puut ('gradient boosting trees'), Gaussiset prosessit ('Gaussian processes') ja tukiverkkokoneet ('support vector machines') toimivat tehtävissä.