Analysis of the Effects of Severe Weather with the COAWST- Model Comparing Coupled and Decoupled Simulations, as well as Using Machine Learning Algorithms to Predict the Impact on Populations

Abstract

Aquesta tesi doctoral s'estructura en tres capítols interconnectats en el camp de la mecànica de fluids. Els dos primers capítols es centren en l'anàlisi dels efectes del clima extrem, amb el primer capítol comparant específicament les simulacions numèriques acoblades i no acoblades de l'entorn. Aquestes simulacions són fonamentals per a les polítiques climàtiques i les decisions socioeconòmiques, i l'estudi avalua les millores i diferències dels models acoblats en la simulació d'una tempesta d'alta energia a la regió del nord-oest del Mediterrani (Gloria, gener 2020).

El segon capítol canvia l'enfocament cap a l'aplicació de tècniques de Machine Learning per a predir incidents causats per condicions climàtiques adverses, ajudant en la gestió d'emergències. Utilitzant diversos predictors, el model supera als sistemes d'alerta meteorològica existents, contribuint a avaluar l'impacte de la urbanització en la gravetat d'aquests esdeveniments. El tercer capítol aborda la disminució de les inscripcions en programes d'enginyeria i introdueix un taller d'aerodinàmica dissenyat per a involucrar i motivar als estudiants a seguir estudis d'enginyeria. El taller combina l'aprenentatge teòric amb l'experimentació pràctica en un túnel de vent, i les enquestes indiquen una opinió positiva per part dels estudiants i la seva possible influència en les decisions de l'elecció de la carrera.

En resum, la tesi explora temes crucials en la mecànica de fluids, l'anàlisi de fenòmens climàtics extrems, l'aprenentatge automàtic per a la gestió d'emergències i la participació dels estudiants en l'enginyeria, contribuint al coneixement científic i a aplicacions pràctiques en aquests camps.

Esta tesis doctoral se estructura en tres capítulos interconectados en el campo de la mecánica de fluidos. Los dos primeros capítulos se centran en el análisis de los efectos del clima extremo, con el primer capítulo comparando específicamente las simulaciones numéricas acopladas y no acopladas del entorno. Estas simulaciones son fundamentales para las políticas climáticas y las decisiones socioeconómicas, y el estudio evalúa las mejoras y diferencias de los modelos acoplados en la simulación de una tormenta de alta energía en la región del noroeste del Mediterráneo (Gloria, enero 2020).

El segundo capítulo cambia el enfoque hacia la aplicación de técnicas de Machine Learning para predecir incidentes causados por condiciones climáticas adversas, ayudando en la gestión de emergencias. Utilizando diversos predictores, el modelo supera a los sistemas de alerta meteorológica existentes, contribuyendo a evaluar el impacto de la urbanización en la gravedad de dichos eventos.

El tercer capítulo aborda la disminución de las inscripciones en programas de ingeniería e introduce un taller de aerodinámica diseñado para involucrar y motivar a los estudiantes a seguir estudios de ingeniería. El taller combina el aprendizaje teórico con la experimentación práctica en un túnel de viento, y las encuestas indican una recepción positiva por parte de los estudiantes y su posible influencia en las decisiones de la elección de la carrera.

En resumen, la tesis explora temas cruciales en la mecánica de fluidos, el análisis de fenómenos climáticos extremos, el aprendizaje automático para la gestión de emergencias y la participación de los estudiantes en la ingeniería, contribuyendo al conocimiento científico y a aplicaciones prácticas en estos campos.

This doctoral thesis is structured into three interconnected chapters rooted in the field of fluid mechanics. The first two chapters delve into the analysis of extreme weather effects, with the first chapter specifically comparing coupled and uncoupled numerical simulations of the environment. These simulations are critical for climate policies and socio-economic decisions, and the study assesses the performance of coupled models in simulating a high-energy storm (Gloria, January 2020) in the northwestern Mediterranean region.

The second chapter shifts focus to the application of Machine Learning techniques for predicting incidents caused by adverse weather, aiding emergency management. Using various municipality predictors, the model outperforms existing meteorological warning systems, helping to assess the impact of urbanization on the severity of such events. The third chapter addresses the decline in engineering program enrollments and introduces an aerodynamics workshop designed to engage and motivate students to pursue engineering studies. The workshop combines theoretical learning with hands-on experimentation in a wind tunnel, and surveys indicate positive student reception and their potential influence on career decisions.

Overall, the thesis explores crucial topics in fluid mechanics, extreme weather analysis, machine learning for emergency management, and student engagement in engineering, contributing to scientific knowledge and practical applications in these domains.