پیشبینی اینکه بارش به صورت باران خواهد بود یا برف، ممکن است در نگاه اول یک کار ساده برای هواشناسان به نظر برسد. اما در واقع، تفکیک بارش به دو دسته باران یا برف – بهویژه زمانی که دما در حوالی نقطه انجماد قرار دارد – بسیار پیچیدهتر از آن است که تصور میکنیم.
یک مطالعه اخیر که توسط محققان دانشگاه ورمونت انجام شده است، این چالش را بهطور دقیق بررسی کرده است.
چرا تشخیص درست نوع بارش اهمیت دارد؟
تعیین دقیق اینکه آیا بارش بهصورت باران است یا برف، از آنچه اکثر مردم تصور میکنند مهمتر است. این موضوع بر سفرهای جادهای و هوایی، پیشبینی سیل، برنامهریزی برای ذخایر آبی و نگهداری از زیرساختها تأثیر میگذارد.
در مناطق کوهستانی، این موضوع حتی حیاتیتر است. طوفانی که با برف سنگین همراه باشد، میتواند فصل اسکی را تقویت کرده و ذخایر آبی را افزایش دهد. اما اگر همان طوفان به جای برف، باران به همراه داشته باشد، ممکن است باعث سیلاب یا آسیب به جادهها و پلها شود.
با وجود اهمیت این موضوع، ایستگاههای هواشناسی معمولاً ابزارهای مستقیمی برای اندازهگیری اینکه بارش بهصورت باران است یا برف ندارند. بیشتر دادههای سطحی – مانند دما، رطوبت و فشار – از فرودگاهها جمعآوری میشود و شرایط پیچیده در مناطق کوهستانی را بهخوبی منعکس نمیکند.
باران و برف در دمای نزدیک به انجماد
برای پر کردن این خلأ اطلاعاتی، هواشناسان از روشی به نام «تقسیمبندی فاز بارش» استفاده میکنند. این روش شامل مدلهای ریاضی است که بر اساس دادههای سطحی، برآورد میکنند که آیا بارش بهصورت باران خواهد بود یا برف.
اما این روش محدودیتهایی دارد. این مدلها زمانی که هوا بهوضوح گرم یا سرد باشد، بهخوبی کار میکنند. اما در دمای نزدیک به نقطه انجماد، جایی که شرایط برای باران و برف تقریباً یکسان است، پیشبینیها اغلب دچار خطا میشوند.
دکتر کیت جنینگز، محقق اصلی این پروژه، توضیح میدهد:
“چالش اصلی این است که در دماهای نزدیک به انجماد، توزیع دما و میزان رطوبت هوا برای باران و برف بهشدت با هم همپوشانی دارند. این به این معنی است که روشهای سنتی تقسیمبندی قادر به تشخیص دقیق بین باران و برف نیستند.”
وی همچنین افزود که حتی مدلهای مبتنی بر یادگیری ماشینی هم عملکرد بهتری نشان ندادند. با وجود استفاده از دادههای بیشتر و الگوریتمهای پیچیدهتر، این مدلها همچنان با همان مشکل اساسی روبرو هستند: باران و برف در این شرایط تقریباً دارای ویژگیهای هواشناسی یکسانی هستند.
آیا فناوریهای جدید این مشکل را حل میکنند؟
برای درک بهتر این چالش، محققان دو مجموعه داده بزرگ را مورد بررسی قرار دادند:
- یک مجموعه شامل نزدیک به ۴۰ هزار گزارش آبوهوایی جمعآوریشده توسط ناسا از طریق پروژه “باران یا برف کوهستانی”.
- یک مجموعه دیگر شامل بیش از ۱۷ میلیون گزارش هواشناسی از سراسر نیمکره شمالی.
آنها هم روشهای سنتی – مانند تعیین دما بهعنوان مرز بارش – و هم مدلهای پیچیدهتر یادگیری ماشینی (مانند جنگل تصادفی، XGBoost و شبکههای عصبی مصنوعی) را آزمایش کردند.
با این حال، حتی مدلهای یادگیری ماشینی هم تنها ۰.۶ درصد دقت بیشتری نسبت به روشهای سنتی داشتند، که افزایش ناچیزی محسوب میشود.
همه روشها در دماهای نزدیک به انجماد، بهویژه در بازه ۱.۰ تا ۲.۵ درجه سانتیگراد، در تشخیص درست نوع بارش با مشکل مواجه بودند. همچنین، این مدلها نتوانستند بهطور دقیق بارشهای ترکیبی (مانند تگرگ) یا بارانهایی که در دماهای زیر صفر رخ میدهند را شناسایی کنند.
مطالعه نشان داد که چالش اصلی این است که باران و برف در این دماها تحت شرایط تقریباً یکسانی رخ میدهند. وقتی دادههای ورودی نمیتوانند این دو را بهوضوح از هم تفکیک کنند، هیچ الگوریتمی – هرچقدر هم پیچیده – نمیتواند این مشکل را برطرف کند.
افزایش بارش باران روی برف و خطرات آن
این پژوهش نشان میدهد که زمان آن رسیده تا دانشمندان رویکرد جدیدی در پیشبینی بارش باران و برف اتخاذ کنند.
بهجای تلاش برای استخراج اطلاعات بیشتر از دادههای سطحی محدود، ممکن است لازم باشد از منابع جدید داده استفاده شود. این منابع میتوانند شامل رادارها، ماهوارهها و گزارشهای جمعسپاریشده بیشتری باشند که زمینهای را فراهم میکنند که دادههای سطحی قادر به ارائه آن نیستند.
با تغییرات اقلیمی، پیشبینی دقیق بارشها از همیشه مهمتر شده است. رخدادهای باران بر روی برف در حال افزایش هستند که میتواند خطر سیلابها و آسیبهای زیرساختی را بیشتر کند. تفاوت بین یک طوفان برفی و یک طوفان بارانی میتواند کلید مدیریت این خطرات باشد.
اگر میخواهیم برای طوفانهای آینده آماده باشیم، نباید از دادههای سطحی انتظاری بیش از توانشان داشته باشیم. بلکه باید سیستمهای هوشمندتر و یکپارچهتری بسازیم که تصویر کاملی از وضعیت جوی را ارائه دهند.
جمعبندی
پیشبینی دقیق باران و برف بهویژه در دماهای نزدیک به نقطه انجماد، همچنان یکی از چالشهای بزرگ هواشناسی است. مدلهای سنتی و حتی الگوریتمهای یادگیری ماشینی هم در این شرایط عملکرد قابل اعتمادی ندارند.
راهحل احتمالی این مشکل، افزایش تنوع منابع دادهای و استفاده از فناوریهای پیشرفتهتر مانند ماهوارهها و دادههای جمعسپاریشده است. با این روش، میتوان تصویر بهتری از شرایط واقعی جوی به دست آورد و در برابر تغییرات اقلیمی بهتر آماده شد.
این پژوهش توسط محققانی از دانشگاه ورمونت، شرکت Lynker، مؤسسه تحقیقاتی صحرایی، مؤسسه تحقیقاتی تعاونی در جو، دانشگاه نوادا رینو و دانشگاه ایالتی یوتا انجام شده و در مجله Nature Communications منتشر شده است.