Hava durumu tahminlerini ve kışın sürüş güvenliğini iyileştirebilecek bir araştırmada, Michigan Üniversitesi liderliğindeki bir araştırma, denetimsiz makine öğrenimini ve neredeyse on yıllık yüksek hızlı kamera verilerini kullanarak dokuz farklı yağış türünü (yağmur, kar ve karışık faz (örneğin sulu kar) çeşitleri) ayırt etti. Araştırma şu adreste yayınlandı: Bilim Gelişmeleri.
Donma noktasının üzerindeki ve altındaki sıcaklıklarda (-3°C ile 5°C arası) yağmur ve kar ihtimali eşit olduğundan, doğru tahminler yapmak zordur. Bu çalışma, NASA’nın hava durumu modellerini bilgilendirmek ve geliştirmek için gözlemlere olanak sağlama çabasının bir parçasıdır.
UM’de iklim ve uzay bilimleri ve mühendislik yardımcı doçenti Claire Pettersen şöyle konuştu: “Kısa vadede, daha iyi tahminler insanların günlük ulaşımlarını ayarlamalarına veya sel ya da buz fırtınası gibi büyük olaylara hazırlanmalarına yardımcı olabilir. Daha uzun zaman ölçeklerinde, kar yığınlarının veya yüzeysel akış zamanlamasının bir bölgedeki tatlı su mevcudiyetini nasıl değiştireceğini tahmin etmeye yardımcı olabilir.”
Araştırmacılar, yağışları ayırt eden ve verileri bunlara göre sıralayan temel faktörlere odaklanmak için istatistiksel teknikleri ve makine öğrenimini kullandı. Sınıflandırma sistemleri iki tür yağmur, iki tür kar ve beş benzersiz karışım içerir:
- Çiseleyen yağmur — hafif, sürekli yağış
- Şiddetli yağış: Çok sayıda küçük damlacıklı yoğun yağış
- Hafif yağmurdan karışık yağmura geçiş; yoğun buz topaklarıyla birlikte hafif sulu kar
- Şiddetli yağmurdan karışık yağmura geçiş; yoğun karla karışık yağmur ve yoğun buz topakları
- Hafif karışık faz – düşük hacimli, sulu, kısmen donmuş parçacıklar
- Ağır karışık faz – yüksek hacimli sulu, kısmen donmuş parçacıklar
- Yoğun kardan karışıma geçiş – büyük kar taneleri ve agrega parçacıkları
- Hafif kar yağışı – hafif, yumuşak kar yağışı
- Yoğun kar yağışı – yoğun, şiddetli kar fırtınası
Yağmurdan kara geçiş aşamasına odaklanılıyor
Yağışın katı veya sıvı fazını tahmin etmek günümüzde birçok nedenden dolayı zordur. -3°C (26,6°F) ile 5°C (41°F) arasındaki sıcaklıklar eşit olasılıkla kar veya yağmur üretebilir. Hava durumu modelleri, bulutların içinde meydana gelen ve hatalara neden olan karmaşık mikrofiziği yaklaşık olarak tahmin eder. Uzaydan hava durumu sistemlerini takip eden uydular ise saha kampanyalarından elde edilen ve mevcut koşulları yansıtmayabilen yağış gözlemlerine dayanıyor.
Hava durumu modellerinin üzerine inşa edildiği verileri genişletmek ve güncellemek için NASA, Yağış Görüntüleme Paketi veya kısaca PIP adı verilen özel bir kamera sistemi geliştirdi ve bunu Amerika Birleşik Devletleri, Kanada ve Avrupa’daki yedi bölgeye yerleştirdi. Bir video disdrometre olan cihaz, kameranın görüş alanından düşen yağışları kaydetmek için hava koşullarına dayanıklı, yüksek hızlı bir kamera ve parlak bir ışık kullanır. Parçacık boyutları, boyut dağılımı, yoğunluk, konsantrasyon ve düşme hızlarına ilişkin ölçümler, kar ve yağmurun belirlenmesine yardımcı olur. (Disdrometre, yağış parçacıklarının hızını ve boyut dağılımını ölçen bir araçtır.)
Bu çalışmada araştırmacılar, bu yedi bölgede dokuz yıl boyunca sürekli olarak toplanan ve 1,5 milyon dakikalık ölçekli parçacık ölçümüne tekabül eden PIP verilerinden yararlandı. Sıcaklık, bağıl nem, çiğlenme noktası, basınç ve rüzgar hızını içeren çevresel koşulların tam bir resmini elde etmek için bunu yüzey meteoroloji istasyonu ölçümleriyle tamamladılar.
UMAP boyut azaltımıyla veri seti yapısını ortaya çıkarma
Bu muazzam veri setini anlamlandırmak için araştırma ekibi, altta yatan kalıpları anlamak için birçok değişken içeren verileri basitleştiren istatistiksel bir teknik olan boyut azaltmayı kullandı. Test edilen iki modelden değişkenler arasında dolaylı veya koşullu ilişkilere izin veren doğrusal olmayan bir yöntem, doğrudan ilişkiler gerektiren geleneksel doğrusal yöntemi geride bıraktı.
Marquette, Michigan’dan alınan bağımsız hava durumu radar verileriyle karşılaştırıldığında, doğrusal olmayan yöntem, radar gözlemleriyle eşleşen yağış geçişlerini takip ederken belirsiz durumları doğrusal yönteme kıyasla %36 oranında azalttı.
Pettersen, “Yağış süreçleri oldukça doğrusal değildir. Düşerken yağışı etkileyen birçok şey yüzeyde yaşadıklarımızı etkiler” dedi.
Düzgün Manifold Yaklaşımı ve Projeksiyonu için UMAP olarak adlandırılan doğrusal olmayan yöntem, çökelmeyi ayırt eden üç ana faktörü tanımlayarak boyutsallığı %75 oranında azalttı: faz, yoğunluk ve parçacık özellikleri. Bu faktörler, bu farklı yağış türlerinin tanımlanmasına ve tanımlanmasına yardımcı oldu. Daha da önemlisi, UMAP aynı zamanda türler arasındaki yolları da vurgulayarak şiddetli yağmurdan karla karışık yağmura geçişlerin daha derinlemesine anlaşılmasını sağlar.
Sonuçlarını geniş çapta paylaşmak amacıyla araştırma ekibi, verileri görüntülemek için etkileşimli bir plan ve herkesin kendi sınıflandırma sistemini deneyebileceği halka açık bir arayüz sunuyor. Kullanıcılar önceden bilgisayar programlama bilgisi olmadan, ellerinde bulunan iklim değişkenlerini girebilir ve yağış sınıfının nasıl görüneceğine dair bir olasılık dağılımı elde edebilirler.
UM’de iklim ve uzay bilimleri ve mühendisliği araştırma görevlisi ve çalışmanın baş yazarı Fraser King, “Diğer insanların bunu nasıl kullanacağını görmekten heyecan duyuyoruz ve burada oluşturduğumuz arayüz ve arama tablosu aracılığıyla modelleme topluluğuna bir miktar fayda sağlayacağını umuyoruz” dedi.
Veriler Deep Blue Data’da mevcuttur.
