Размытие границы между дождем и снегом: пределы метеорологической классификации

Новое исследование под руководством Университета Вермонта (UVM) выявило фундаментальную проблему в точной классификации осадков на дождь или снег с использованием данных о погоде у поверхности. Опубликованная в Nature Communications работа оценила эффективность как традиционных методов разделения фаз осадков, так и продвинутых моделей машинного обучения, показав, что температуры около точки замерзания создают принципиальное ограничение для различения дождя и снега.

Точное определение фазы осадков критически важно для прогноза погоды, гидрологического моделирования и климатических исследований, напрямую влияя на безопасность транспорта, авиасообщения, работу инфраструктуры и управление водными ресурсами. Особенно это актуально в горных регионах, где правильное различение помогает предсказывать и смягчать последствия: снегопад может пополнить водные ресурсы, а дождь — вызвать разрушительные паводки.

Поскольку прямые наблюдения за фазой осадков редки и в основном ведутся в аэропортах, ученые и прогнозисты используют математические методы, основанные на данных о температуре, влажности и давлении. Однако все эти подходы, включая машинное обучение, демонстрируют низкую точность в диапазоне температур 1.0°C–2.5°C. «Проблема в том, что при таких температурах распределения температур воздуха и по смоченному термометру для дождя и снега сильно перекрываются», — пояснил ведущий автор исследования доктор Кейт Дженнингс.

Исследование, основанное на анализе почти 40 000 краудсорсинговых наблюдений проекта Mountain Rain or Snow и более 17 миллионов синоптических отчетов по Северному полушарию, показало, что даже сложные ML-модели (случайный лес, XGBoost, нейронные сети) дают лишь незначительное улучшение точности (до +0.6%) по сравнению с лучшими традиционными методами. Ученые пришли к выводу, что существует предел предсказуемости фазы осадков при использовании только метеоданных у поверхности. Вместо дальнейшего усовершенствования этих методов доктор Дженнингс предлагает сосредоточиться на разработке новых подходов, интегрирующих краудсорсинговые наблюдения, данные радаров и спутников.