Прогнозы погоды часто не могут точно определить тип осадков. Компьютеру трудно отличить снег от дождя или града. Хотя это важно, потому что от типа осадков зависят безопасность на дорогах, риск лавин и запасы воды весной.
Вычисления становятся особенно трудными при температуре около нуля (от -3° до +5°C). Простые методы, которые смотрят только на температуру, здесь не работают. Для точного прогноза нужно знать свойства каждой частицы: ее размер, форму, плотность и скорость падения.
Непогода на дороге, иллюстрация
Автор: ИИ Copilot Designer//DALL·E 3
Ученые собирают большие объемы таких данных, но они включают много переменных, что создает путаницу. Новое исследование описывает метод решения этой проблемы. Был применен алгоритм, который находит скрытые закономерности в этих данных.
Данные с двенадцатью показателями
Для каждого пятиминутного периода осадков есть 12 разных показателей. Это температура, влажность и свойства частиц: как они распределены по размеру, их скорость падения, плотность и общее число. Данные собирались девять лет с семи станций. Получился большой массив информации, где все показатели связаны между собой непрямыми зависимостями. Анализировать такой массив напрямую было невозможно.
Общая схема кластеров осадков, полученных с помощью UMAP и HDBSCAN. (A) Карта всех наблюдений, построенная алгоритмом UMAP. Серые точки — это отдельные замеры. Цветные области — это девять разных кластеров (типов) осадков, выделенных алгоритмом HDBSCAN. Белые кружки — центры этих кластеров. Оси LE1 и LE2 показывают фазу осадков (от дождя к снегу) и их интенсивность. Трехмерная визуализация с третьей осью LE3 (форма частиц) показана на Рис. 2. Условные обозначения: S — снег, M — смешанные осадки, R — дождь. (B) Пример эволюции осадков в течение одного дня на станции в Мичигане. Стрелка показывает путь, который «прошли» осадки на карте (A) по мере изменения погоды: от сильного дождя, через смешанную фазу, к легкому снегу к концу дня. Черные точки — переходные состояния, не попавшие ни в один кластер. (C) Данные радара и температуры для того же дня. Этот график подтверждает выводы UMAP: резкое похолодание около 17:00 (черная линия опускается ниже 0°C) точно совпадает с моментом, когда, по данным UMAP, дождь начал превращаться в снег. Цитирование: Fraser King et al., Decoding global precipitation processes and particle evolution using unsupervised learning.Sci. Adv.11,eadu0162(2025).DOI:10.1126/sciadv.adu0162
Автор: Fraser King et al.Источник: www.science.org
UMAP: алгоритм для анализа данных
Для анализа применили алгоритм UMAP. Это метод снижения размерности данных. Его работа — взять набор данных с 12 показателями и сжать его до трех главных осей. При этом он сохраняет исходную структуру, и похожие погодные условия остаются сгруппированными вместе.
Это отличает его от старых, линейных методов. UMAP может находить непрямые, изогнутые связи в данных, что было очень важно для успешного результата.
Общая схема проекта. Эта схема показывает основные этапы исследования: Изображения частиц: С помощью камеры PIP были получены снимки твердых, жидких и смешанных частиц осадков (снег, дождь, ледяная крупа). Сбор данных: Из этих изображений были извлечены ключевые параметры (PSDs, скорость падения, плотность) и объединены с данными наземных метеостанций (температура, влажность и т. д.). Анализ с помощью UMAP: Создание трехмерной «карты» всех состояний осадков на основе собранных данных. Кластеризация: Алгоритм HDBSCAN находит на этой карте цветные области, которые представляют собой 9 основных типов осадков. Проверка результатов: Полученные кластеры сравниваются с независимыми данными радара (MRR), чтобы убедиться в точности классификации. Практическое применение: Новые знания используются для улучшения спутниковых наблюдений и глобальных моделей прогнозирования погоды.
Автор: Fraser King et al.Источник: www.science.org
Классификация осадков: результаты работы алгоритма
После обработки данных с помощью UMAP получилась четкая схема всех состояний осадков. Три новые оси получили ясное физическое значение:
Фаза осадков (от дождя до снега).
Интенсивность (от слабой до сильной).
Форма частиц (от простых капель до снежинок).
На этой схеме ученые выделили девять отдельных групп — это девять разных типов осадков. Кроме дождя и снега, были определены разные виды смешанных осадков. Алгоритм показал, как один тип осадков плавно переходит в другой при изменении погоды, например, как дождь становится снегом.
Сравнительный анализ характеристик для каждого типа осадков (на примере станции Маркетт). (A) и (B): Средние профили по высоте для отражательной способности (сила эха радара) и доплеровской скорости (скорость падения частиц). Заштрихованные области показывают 95% доверительный интервал. (C) и (D): Диаграммы показывают распределение температуры воздуха и относительной влажности для каждого из 9 кластеров (типов осадков). (E): Сводная тепловая карта, показывающая средние значения различных параметров (данные диздрометра, радара и метеостанции) за 9 лет. Каждая цветная строка соответствует одному из 9 типов осадков. Чем насыщеннее цвет ячейки, тем выше значение параметра. Названия, выделенные жирным шрифтом внизу, — это те параметры, которые изначально использовались для анализа алгоритмом UMAP.
Автор: Fraser King et al.Источник: www.science.org
Практическая польза этого метода
Во-первых, она может улучшить работу спутников. Спутник сможет точнее определять тип осадков у поверхности, сверяясь с этой схемой. Это полезно для мест без наземных станций, как Арктика.
Во-вторых, это помогает погодным и климатическим моделям. Вместо простых алгоритмов (например, «ниже нуля — снег»), модели смогут работать с вероятностями, полученными из реальных данных. Это позволит им точнее прогнозировать снежный покров и уровень воды.
Этот веб-сайт использует файлы cookie или аналогичные технологии для улучшения вашего просмотра и предоставления персонализированных рекомендаций. Продолжая использовать наш веб-сайт, вы соглашаетесь с нашей Политикой конфиденциальности
