Новый инструмент визуализации помогает синоптикам и исследователям легче выявлять и изучать полосы сильного снега

Прогнозирование снегопада от зимних штормов — сложная задача, во многом потому, что сильный снег и области смешанных осадков выглядят на радиолокационных изображениях очень похоже. Смешанные осадки, представляющие собой смесь дождя, ледяного дождя, мокрого снега и снега, могут быть ошибочно приняты на радаре за сильный снег, тогда как на земле они приведут к меньшему накоплению снега.

Информация о единообразии формы и размера частиц осадков, получаемая с помощью метеорологического радара, может помочь метеорологам отличить однородные осадки от смешанных. Однако визуализировать это было традиционно сложно, особенно с учётом того, что элементы осадков внутри зимнего шторма движутся сложным образом, меняясь во времени и перемещаясь с преобладающими ветрами.

Чтобы решить эту проблему, исследователи из Университета Северной Каролины разработали новый способ бесшовного объединения стандартных радиолокационных изображений и информации о типе осадков. Это позволяет синоптикам и атмосферным учёным быстро и легко отличать сильный снег от смешанных осадков и лучше понимать динамику зимних штормов.

Новая техника, названная «приглушением изображения» (image muting), снижает визуальную заметность смешанных осадков на движущихся радиолокационных изображениях, делая более очевидными области, где есть только снег или только дождь. Для учёных, изучающих снегопады, это помогает убедиться, что они «анализируют правильные особенности», — объясняет Лора Томкинс, докторант Центра геопространственной аналитики NC State и ведущий автор исследования. Её метод основан на интеграции двух источников информации в одно визуальное отображение: радиолокационной отражательной способности и коэффициента корреляции.

«Отражательная способность» (измеряемая в децибелах, dBZ) указывает на интенсивность осадков, а коэффициент корреляции показывает единообразие формы и размера частиц. Области только дождя или только снега имеют коэффициент корреляции около 1, в то время как области смешанных осадков — более низкие значения.

Обычно эти два параметра отображаются как отдельные продукты. «Сейчас синоптики переключаются между картами отражательной способности и коэффициента корреляции, чтобы увидеть, где находятся смешанные осадки», — говорит Томкинс. Чтобы снизить нагрузку на оператора, команда научилась выявлять области зимнего шторма со значениями, характерными для смешанных осадков (отражательная способность > 20 dBZ и коэффициент корреляции < 0.97). Затем эти области на стандартных движущихся картах отражательной способности переводятся в серую шкалу, в то время как остальная часть карты остаётся в цветовой шкале, удобной для людей с дальтонизмом и указывающей на интенсивность осадков.

«Мы не хотели полностью удалять таяние [с карты], а лишь снизить его визуальную заметность, — говорит Томкинс. — Это даёт нам уверенность сказать: мы знаем, что это не сильный снег, потому что он "загрязнён" таянием».

Метод, разработанный специально для анализа снегопадов, поможет учёным лучше понять, где и почему возникают снежные полосы, что в конечном итоге улучшит прогнозы снегопадов. «Мы разработали это для нашего собственного анализа снега, но у этого также есть потенциал для применения синоптиками», — отмечает исследовательница. Для обычного человека, проверяющего погодные карты, такая визуализация поможет лучше понять, где и когда ожидать переход от дождя и мокрого снега к снегу.

Как техника визуализации, «приглушение изображения» может использоваться и в других исследовательских приложениях, например, для снижения визуальной заметности данных с высокой неопределённостью. Функции для создания таких карт включены в открытый пакет Python Atmospheric Radiation Measurement (ARM) Radar Toolkit (Py-ART). Исследование опубликовано в журнале Atmospheric Measurement Techniques.