De Vervaging van de Grens Tussen Regen en Sneeuw: De Beperkingen van Meteorologische Classificatie

Een nieuwe studie, geleid door de Universiteit van Vermont (UVM), onthult een belangrijke uitdaging bij het nauwkeurig classificeren van neerslag als regen of sneeuw met behulp van weerdata.

Gepubliceerd in Nature Communications, evalueert het onderzoek de prestaties van zowel traditionele methoden voor neerslagclassificatie als geavanceerde machine learning-modellen. Het blijkt dat temperaturen rond het vriespunt een inherente beperking creëren in het onderscheid tussen regen en sneeuw, wat de nauwkeurigheid van deze benaderingen beperkt.

Het nauwkeurig identificeren van de neerslagfase is cruciaal voor weersvoorspellingen, hydrologische modellering en klimaatonderzoek, met aanzienlijke implicaties voor de verkeersveiligheid, luchtvaart, infrastructuur en waterbeheer. Dit is vooral belangrijk in bergachtige gebieden, waar nauwkeurige onderscheidingen tussen regen en sneeuw natuurlijke hulpbronnenbeheerders helpen bedreigingen en uitdagingen beter te voorspellen en te mitigeren.

Terwijl een storm die voornamelijk uit sneeuw bestaat voordelig kan zijn voor skigebieden en waterbronnen, kan een regenachtige gebeurtenis leiden tot verwoestende overstromingen en schade aan infrastructuur. Vanwege de schaarste aan directe waarnemingen van regen en sneeuw, die meestal afkomstig zijn van luchthavens en zelden de complexe weerspatronen van nabijgelegen berggebieden weerspiegelen, vertrouwen wetenschappers en meteorologen op wiskundige technieken die weerdata gebruiken om de neerslagfase te schatten.

Deze methoden voor neerslagclassificatie—drempels, bereiken en statistische modellen—gebruiken gegevens zoals luchttemperatuur, vochtigheid en druk. De meeste van deze methoden presteren echter alleen goed bij koude of warme temperaturen, wanneer sneeuwval of regen vrijwel zeker zijn. Bij temperaturen rond het vriespunt hebben echter alle traditionele methoden moeite om regen en sneeuw nauwkeurig te voorspellen vanwege de meteorologische overeenkomsten tussen beide fases.

Dr. Keith Jennings, de hoofonderzoeker van de studie, legt uit: “De uitdaging is dat bij temperaturen rond het vriespunt de lucht- en natteboltemperatuurverdelingen van regen en sneeuw sterk overlappen.”

“Dit betekent dat de traditionele partitioneringsmethoden regen niet consistent van sneeuw kunnen scheiden. Wat ons verraste, is dat de machine learning-modellen niet veel beter presteerden. Zelfs met meer data en complexe wiskunde proberen ze nog steeds dezelfde informatie te onderscheiden, en ze zien regen en sneeuw met bijna dezelfde meteorologische eigenschappen.”

Voor deze studie heeft Dr. Jennings samengewerkt met wetenschappers van Lynker, het Desert Research Institute (DRI), het Cooperative Institute for Research in the Atmosphere, de Universiteit van Nevada Reno en de Utah State University. Ze hebben twee unieke datasets van neerslagfases verzameld: bijna 40.000 crowdsourced waarnemingen in de Verenigde Staten van het participatieve wetenschapsproject Mountain Rain or Snow en meer dan 17 miljoen synoptische weerberichten van de Noordelijke Halfrond.

Het onderzoeksteam gebruikte deze datasets om verschillende methoden voor het classificeren van neerslag als regen, sneeuw of gemengd te evalueren. Deze technieken omvatten een selectie van goed presterende traditionele methoden als benchmarks (temperatuurdrempels en een statistisch model) en drie machine learning (ML) modellen: random forest, XGBoost en een kunstmatig neuraal netwerk (ANN).

Hoewel de ML-modellen verwaarloosbare verbeteringen boden ten opzichte van de beste benchmarks, met een nauwkeurigheidsverhoging van maximaal 0,6%, hadden ze nog steeds moeite om neerslag in het nabij-vriespuntbereik (1,0°C–2,5°C) correct te classificeren en faalden ze erin om gemengde neerslag en sub-vriespunt regenval consistent te identificeren.

De studie onthulde een belangrijke hindernis: de natuurlijke overlap in meteorologische omstandigheden tussen regen en sneeuw maakt classificatie moeilijk wanneer men uitsluitend vertrouwt op weerdata. Ondanks de vooruitgang in machine learning is er een limiet aan hoe goed de neerslagfase kan worden voorspeld met alleen deze meteorologische inputs.

Dr. Jennings suggereert dat onderzoekers hun focus moeten verleggen van het marginale verbeteren van de inherent beperkte regen-sneeuw partitioneringsmethoden met behulp van weerdata naar het creëren van nieuwe technieken die gebruik maken van nieuwe gegevensbronnen. Deze alternatieven omvatten crowdsourced waarnemingen, zoals die van het Mountain Rain or Snow project, weersradars en satellietneerslagproducten.

Nu klimaatverandering leidt tot frequentere regen-op-sneeuw gebeurtenissen en neerslagpatronen verandert, zal het balanceren van de risico’s voor leven, eigendommen en ecosysteemfunctie alleen maar moeilijker worden. Het benutten van multi-source dataintegratie in plaats van alleen te vertrouwen op weerdata kan echter verbeteringen bieden.