In einer neuen Studie wurden mit Hilfe künstlicher Intelligenz 10 Jahre lang gesammelte Wetterdaten über dem Südosten von Texas analysiert, um drei Hauptkategorien von Wettermustern und das Kontinuum der Bedingungen dazwischen zu ermitteln. Die Studie, die soeben im Journal of Geophysics Research veröffentlicht wurde: Atmospheres veröffentlicht wurde, wird Wissenschaftlern helfen zu verstehen, wie Aerosole – winzige Partikel, die in der Erdatmosphäre schweben – die Heftigkeit von Gewittern beeinflussen.
Verschlimmern diese winzigen Partikel – die in Autoabgasen, in der Umweltverschmutzung durch Raffinerien und Fabriken sowie in natürlichen Quellen wie der Gischt im Meer enthalten sind – Gewitter? Es ist möglich, sagt Michael Jensen, Meteorologe am Brookhaven National Laboratory des US-Energieministeriums (DOE) und Mitautor der Studie.
„Aerosole sind eng mit den Wolken verbunden; sie sind die Partikel, um die herum Wassermoleküle kondensieren, so dass sich Wolken bilden und wachsen“, erklärt Jensen.
Als leitender Forscher für das TRacking Aerosol Convection Interactions ExpeRiment (TRACER) – eine Feldkampagne, die von Oktober 2021 bis September 2022 in und um Houston, Texas, stattfindet – leitet Jensen die Sammlung und Analyse von Daten, die diese Frage beantworten könnten. TRACER verwendet Instrumente, die von der DOE-Nutzereinrichtung Atmospheric Radiation Measurement (ARM) zur Verfügung gestellt werden, um Messungen von Aerosolen, Wetterbedingungen und einer breiten Palette anderer Variablen zu erfassen.
„Mit TRACER wollen wir den Einfluss von Aerosolen auf Stürme ermitteln. Diese Einflüsse sind jedoch mit denen der großräumigen Wettersysteme (man denke an Hoch- oder Tiefdruckgebiete) und den lokalen Bedingungen verflochten“, so Jensen.
Um die Auswirkungen von Aerosolen herauszufinden, müssen die Wissenschaftler diese Einflüsse entflechten.
Dié Wang, ein Assistenzmeteorologe am Brookhaven Lab und Hauptautor der Studie, die auf 10 Jahre Daten vor TRACER zurückblickt, erläuterte den Ansatz, mit dem dies erreicht wurde.
„In dieser Studie verwendeten wir einen Ansatz des maschinellen Lernens, um die vorherrschenden sommerlichen Wetterbedingungen in der Region Houston zu bestimmen“, erklärte sie. „Diese Informationen werden wir in unseren TRACER-Analyse- und Modellierungsstudien verwenden, indem wir die Eigenschaften von Stürmen vergleichen, die bei ähnlichen Wetterlagen, aber unterschiedlichen Aerosolbedingungen auftreten.“
„Das wird uns helfen, die Unterschiede zu minimieren, die auf die großräumigen Wetterbedingungen zurückzuführen sind, um die Auswirkungen der Aerosole zu isolieren“, sagte sie.
Das Projekt ist der erste Schritt zur Verwirklichung der Ziele, die durch die DOE-Förderung für Nachwuchswissenschaftler unterstützt werden, die Wang im Jahr 2021 erhält.
Studenten an Bord holen
Die Studie bot auch mehreren Studenten, die an virtuellen Praktika im Brookhaven Lab teilnahmen, die Möglichkeit, zur Forschung beizutragen. Vier Co-Autoren waren Teilnehmer des SULI-Programms (Science Undergraduate Laboratory Internship) des DOE, und einer absolvierte ein Praktikum im Rahmen des High School Research Program (HSRP) von Brookhaven.
Jeder Praktikant untersuchte die Variabilität verschiedener Wolken- und Niederschlagseigenschaften zwischen den Wetterkategorien anhand von Datensätzen aus Radar-, Satelliten- und Oberflächenmeteorologie-Messnetzen.
„Diese Arbeit eignete sich gut für das virtuelle Praktikum, da sie größtenteils auf computergestützter Datenanalyse und -visualisierung beruhte“, sagte Jensen. „Die Praktikanten sammelten wertvolle Erfahrungen in der Computerprogrammierung, in der realen wissenschaftlichen Datenanalyse und in der Komplexität des atmosphärischen Systems der Erde.“
Dominic Taylor, ein SULI-Praktikant von der Pennsylvania State University, schrieb in einem ARM-Blog über seine Erfahrungen:
„Am Anfang stand ich vor vielen Herausforderungen… mein Computer war nicht in der Lage, die Größe und Anzahl der Datendateien zu bewältigen, die ich verwendete….Dié, Mike und meine Mitpraktikanten waren immer da, wenn ich Hilfe brauchte“, sagte er.
„Angesichts meiner Leidenschaft für die Meteorologie war ich begeistert, diese Stelle zu bekommen, aber das Schreiben von Code und das wahrscheinlich viel zu lange Formatieren von Plots fühlte sich nicht wie Arbeit an, weil ich das Thema so faszinierend fand“, fügte er hinzu.
Amanda Rakotoarivony, eine HSRP-Praktikantin von der Longwood High School, sagte in demselben Blogbeitrag: „Dieses Praktikum hat es mir ermöglicht, die Themen, die ich in der Schule gelernt habe, wirklich mit der realen Forschung zu verbinden …. [und] hat mir gezeigt, dass Forschung und Zusammenarbeit im Kern interdisziplinär sind.“
Einzelheiten zu den Daten
Das Sommerwetter im Südosten von Texas wird größtenteils von Meeres- und Buchtbrisen aus dem nahen Golf von Mexiko und der Galveston Bay bestimmt. Diese Zirkulationen beeinflussen in Verbindung mit den Zirkulationen größerer Wettersysteme den Fluss von Feuchtigkeit und Aerosolpartikeln in die Region Houston und wirken sich auf die Entwicklung von Gewittern und die damit verbundenen Niederschläge aus. Zu verstehen, wie sich diese Strömungen auf Wolken und Stürme auswirken, ist wichtig, um die für Wetter- und Klimavorhersagen verwendeten Modelle zu verbessern. Die Kategorisierung von Mustern kann Wissenschaftlern helfen, die Auswirkungen anderer Einflüsse, einschließlich Aerosolen, zu bewerten.
Um die Wettermuster zu charakterisieren, haben die Wissenschaftler eine Form der künstlichen Intelligenz verwendet, um 10 Jahre an Daten zu analysieren, die Klimamodellergebnisse mit meteorologischen Beobachtungen kombinieren.
„Die kombinierten Daten ergeben eine vollständige, langfristige Beschreibung der dreidimensionalen atmosphärischen Eigenschaften wie Druck, Temperatur, Feuchtigkeit und Winde“, so Wang.
Die Wissenschaftler nutzten ein Programm für maschinelles Lernen, das als „Self-Organizing Map“ bekannt ist, um diese Daten in drei vorherrschende Kategorien oder Regime von Wettermustern mit einem Kontinuum von Übergangszuständen zwischen ihnen zu sortieren. Die Überlagerung dieser Karten mit zusätzlichen Satelliten-, Radar- und Oberflächenbeobachtungen ermöglichte es den Wissenschaftlern, die Eigenschaften von Wolken und Niederschlag in diesen verschiedenen Regimen zu untersuchen.
„Die von uns identifizierten Wetterregime fassen komplexe Informationen über die vorherrschenden großräumigen Wettermuster zusammen, einschließlich Faktoren, die für die Entstehung und Entwicklung von Stürmen wichtig sind. Indem wir untersuchen, wie sich die Eigenschaften von Sturmwolken und Niederschlägen unter verschiedenen Aerosolbedingungen, aber ähnlichen Wetterlagen verändern, können wir die Auswirkungen der Aerosole besser isolieren“, so Wang.
Das Team wird hochauflösende Wettermodelle verwenden, um zusätzliche meteorologische Messungen auf lokaler Ebene – z. B. die Meeresbrise-Zirkulation – und detaillierte Informationen über die Anzahl, Größe und Zusammensetzung der Aerosolpartikel einzubeziehen.
„Dieser Ansatz sollte es uns ermöglichen, genau zu bestimmen, wie Aerosole die Wolken und Stürme beeinflussen – und sogar die unterschiedlichen Auswirkungen industrieller und natürlicher Aerosolquellen herauszuarbeiten“, so Wang.
Die Rolle des Brookhaven Labs bei dieser Arbeit sowie die TRACER- und SULI-Praktika werden vom DOE Office of Science (BER, WDTS) finanziert. Das HSRP-Programm wird von Brookhaven Science Associates unterstützt, der Organisation, die das Brookhaven Lab im Auftrag des DOE verwaltet.
Datum: März 21, 2022
Quelle: DOE/Brookhaven National Laboratory