Nieselregen ist leichter Niederschlag in Tröpfchen, die kleiner sind als Regentropfen. Die Erkennung von Nieselregen in seinen frühen Stadien in marinen Stratocumuluswolken ist wichtig für die Untersuchung, wie Wasser in diesen Wolken zu Niederschlag wird. Diese Wolken bilden sich vor den Westküsten großer Landgebiete und sind wichtig für den Energiehaushalt der Erde. Nieselregen und Regen können ihre Lebensdauer, Struktur und die Menge an Sonnenlicht, die sie in den Weltraum reflektieren, verändern.
Für bodengestützte Fernerkundungsbeobachtungen ist es jedoch schwierig, die Anfangsstadien des Nieselregens zu erkennen. In einer Studie veröffentlicht in Atmosphärenchemie und PhysikForscher entwickelten einen auf maschinellem Lernen basierenden Ansatz, der einzigartige Radar-Doppler-Spektrenbeobachtungen nutzte, um das Frühstadium von Nieselregen zu identifizieren.
Die Ergebnisse zeigen, dass Nieselregen weitaus häufiger auftritt, als bisher mit herkömmlichen Methoden erkannt wurde. Die Methode liefert auch wichtige Informationen zu leichten Niederschlägen. Diese Informationen stellen die Nachweisgrenzen satellitengestützter Beobachtungen in Frage, die in Niederschlagsklimaanalysen für die Bewertung des globalen Klimamodells (GCM) verwendet werden.
Forscher nutzen üblicherweise das Radarreflexionsvermögen von Millimeterwellenradar zur Nieselregenerkennung, es ist jedoch nicht in der Lage, schwache Nieselregensignale zu erkennen. Die Doppler-Skewness – ein Maß für die Doppler-Spektralsymmetrie – hat sich als empfindlichere Größe für die Erkennung von Nieselregenembryonen erwiesen.
In dieser Studie entdeckten Forscher des Brookhaven National Laboratory und der Stony Brook University kleine Nieselregentröpfchen mithilfe einer neu entwickelten maschinellen Lerntechnik aus einzigartigen Nieselregenabfragen, die auf dem Radarreflexionsvermögen und der Schiefe von Radargeräten mit Millimeterwellenlänge basieren, die von der Abteilung für atmosphärische Strahlungsmessung des Energieministeriums betrieben werden ( ARM)-Benutzereinrichtung.
Die Forscher bewerteten den Nieselregen-Erkennungsalgorithmus bei In-situ-Messungen von Flugzeugen und wandten sie dann auf ARM-Beobachtungskampagnen an drei verschiedenen Standorten (östlicher Nordatlantik) an [ENA]Messungen von Aerosolen, Strahlung und Wolken über dem Südpolarmeer [MARCUS]und Marine ARM GPCI-Untersuchung von Wolken [MAGIC]), um das Auftreten von Nieselregen in marinen Stratocumuluswolken zu untersuchen.
Die Ergebnisse zeigen, dass Nieselregen weitaus allgegenwärtiger ist als bisher angenommen, und dass der traditionelle Ansatz das Auftreten von Nieselregen erheblich unterschätzt, insbesondere in dünnen Wolken mit geringen Wasserwegen. Das Auftreten von Nieselregen in marinen Grenzschichtwolken unterscheidet sich zwischen den drei ARM-Kampagnen, was darauf hindeutet, dass die Bildung und Verteilung von Nieselregen vom Regime abhängt und durch mikrophysikalische und dynamische Prozesse in der lokalen Region gesteuert wird.
Darüber hinaus weisen weltraumgestützte Radarbeobachtungen (z. B. CloudSat), die zur Erstellung von Niederschlagsklimatologien verwendet werden, in der Region mit geringem Niederschlag eine geringe Empfindlichkeit auf. Die neue Methode liefert in dieser Region wichtige Informationen, um die herkömmliche Klimatologie mit leichtem Niederschlag in Frage zu stellen, und kann zur Verbesserung der Warmregenparametrisierung in GCMs verwendet werden.
Mehr Informationen:
Zeen Zhu et al., Neue Erkenntnisse über die Prävalenz von Nieselregen in marinen Stratocumuluswolken basierend auf einem maschinellen Lernalgorithmus, der auf Radar-Doppler-Spektren angewendet wird, Atmosphärenchemie und Physik (2022). DOI: 10.5194/acp-22-7405-2022