Detection of deep convection clouds in quasi-real time using Machine Learning techniques and GOES-R data

Abstract

"The presence of deep convective clouds is directly related to potential convective hazards such as lightning, hail, severe storms, flash floods, and tornadoes. On the other hand, Mexico has a limited and heterogeneous network of instruments for efficient and reliablemonitoring and forecasting of such events. In this study, a quasi-real-time framework to identify and model deep convective clouds using Machine Learning (ML) models was developed. This framework was guided by three key principles: the use of open-source software and open-access geospatial products, automation, and scalability. Eight different ML models and model ensemble approaches, including Logistic Regression (LR), Random Forest (RF), Multi-Layer Perceptron, LRstacking, RFstacking, Bagging, Hard-Voting, and Soft-Voting, were trained using Interest Fields derived from Advanced Baseline Imager (ABI) sensor data aboard the Geostationary Operational Environmental Satellite - R Series (GOES-R). These models were evaluated at two study sites: Los Mochis and Mexico City, which were selected for their intense convective activity and high vulnerability to extreme weather events. The findings demonstrate that a simple approach such as LR or RF can effectively identify and simulate deep convective clouds in both study areas, achieving a probability of detection (POD) ≈ 0.84 for Los Mochis and POD ≈ 0.72 for Mexico City. In addition, false alarm ratio (FAR) values of approximately 0.2 for Los Mochis and 0.4 forMexico City were obtained. Subsequently, a post-processing filter based on lightning incidence (Lightning Filter) using data from the Geostationary Lightning Mapper (GLM) onboard the GOES-16 satellite showed significant potential to improve the POD of the ML models. Furthermore, the deep convective cloud detection framework was integrated with multi-source precipitation data to generate quasi-real-time precipitation scenarios and perform risk assessments for severe storms and river flooding. This study sets a precedent towards the development and implementation of an Early Warning System for hazards associated with intense convective activity in Mexico."

"La presencia de nubes de convección profunda está directamente relacionada con potenciales peligros convectivos como incidencia de rayos, caída de granizo, tormentas severas, inundaciones repentinas, tornados, etc. Por otro lado, México cuenta con una red limitada y heterogénea de instrumentos para el monitoreo y pronóstico eficiente y confiable de dichos eventos. En este estudio, se desarrolló un sistema para la identificación y modelación de nubes de convección profunda en tiempo cuasi-real utilizando modelos de Aprendizaje Automático. Este sistema se basa en tres principios clave: el uso de software de código abierto y productos geoespaciales de libre acceso, la automatización y escalabilidad a todo el territorio mexicano. En total, ocho diferentes modelos de Aprendizaje Automático: Regresión Logística (LR), Bosque Aleatorio (RF), Perceptrón Multicapa (MLP), Apilamiento con LR y RF, Embolsado, y Votación Suave y Dura fueron entrenados utilizando Campos de Interés derivados a partir de datos del sensor Advanced Baseline Imager (ABI) a bordo del Satélite Ambiental Operativo Geoestacionario - Serie R (GOES-R). Estos modelos fueron evaluados en dos sitios de estudio: Los Mochis, Sinaloa y la Ciudad de México, seleccionados por su intensa actividad convectiva y alta vulnerabilidad ante eventos climáticos extremos. Los hallazgos demuestran que un enfoque simple como LR o RF puede identificar y simular eficazmente nubes de convección profunda en ambas áreas de estudio, logrando una Probabilidad de Detección (POD) ≈ 0.84 para Los Mochis y POD ≈ 0.72 para la Ciudad de México. Además, se obtuvieron valores del índice de Falsas alarmas (FAR) de aproximadamente 0.2 para Los Mochis y 0.4 para la Ciudad de México. Posteriormente, un filtro de post-procesamiento basado en la incidencia de rayos (Lightning Filter) utilizando datos del Geostationary Lightning Mapper, carga útil del satélite GOES-16, mostró un potencial significativo para mejorar los valores de POD registrados por los modelos de Aprendizaje Automático. Finalmente, el sistema de detección de nubes de convección profunda se integró con datos de precipitación multi-fuente para generar escenarios de precipitación en tiempo cuasi-real y realizar evaluaciones de riesgo ante tormentas severas y análisis de avenidas fluviales. Este estudio es pionero en el desarrollo e implementación de un Sistema de Alerta Temprana para los peligros asociados con actividad convectiva en México."