Πώς να προβλέψετε βροχοπτώσεις μικρής διάρκειας χρησιμοποιώντας κεραυνό
Μια παγκόσμια, αυξανόμενη τάση γεγονότων έντονων βροχοπτώσεων υπό την επίδραση της υπερθέρμανσης του πλανήτη έχουν υποδείξει οι επιστήμονες, οι οποίες ασκούν καταστροφικές επιπτώσεις στον άνθρωπο. Το Πεκίνο, ως μία από τις μεγαλύτερες πόλεις στον κόσμο, είναι ιδιαίτερα ευάλωτο σε όλο και πιο συχνά και έντονες βροχοπτώσεις.
Μια καταρρακτώδης βροχή με ποσότητα ρεκόρ 460 mm σε 18 ώρες έπληξε την πόλη στις 21 Ιουλίου 2012, οδηγώντας σε σοβαρές καταστροφές. Οι επιστήμονες διαπίστωσαν ότι τα γεγονότα βροχοπτώσεων μικρής διάρκειας (SDR) (ένα γεγονός βροχόπτωσης διάρκειας 6 ωρών ή λιγότερο) κυριαρχούν στη συνολική ποσότητα βροχόπτωσης πάνω από το Πεκίνο τα καλοκαίρια. Έτσι, οι ακριβείς προβλέψεις των γεγονότων SDR έχουν μεγάλη σημασία, αλλά παραμένουν μια σημαντική πρόκληση τόσο για τους επιστήμονες όσο και για τους μετεωρολόγους μέχρι τώρα.
Οι επιστήμονες έχουν εκμεταλλευτεί τους κεραυνούς για να προβλέψουν τις πλησιέστερες καταιγίδες και έχουν επίσης αναπτυχθεί ορισμένες προειδοποιητικές προσεγγίσεις για έντονες καιρικές συνθήκες που προκαλούνται από τις καταιγίδες (π.χ. ανεμοστρόβιλοι, χαλάζι και ριπές ανέμου). Αντίθετα, υπάρχουν ελάχιστες ισχυρές προβλέψεις ή προσεγγίσεις προειδοποίησης που είναι διαθέσιμες για τις βροχοπτώσεις που προκαλούνται από τις βροχοπτώσεις — ιδιαίτερα τα συμβάντα SDR. Μπορούν τα συμβάντα SDR να προβλεφθούν με κεραυνό;
Μετά από διερεύνηση της σχέσης μεταξύ κεραυνών και βροχοπτώσεων στο Πεκίνο κατά τη διάρκεια των θερμών εποχών, επιστήμονες από το Ινστιτούτο Φυσικής της Ατμόσφαιρας, την Κινεζική Ακαδημία Επιστημών (Fan Wu και Xiaopeng Cui) και ο συν-συγγραφέας τους (Da-lin Zhang, Πανεπιστήμιο του Maryland) ανέπτυξαν ένα βασισμένη σε κεραυνούς προσέγγιση nowcast-warning για συμβάντα SDR, τα οποία δημοσιεύθηκαν πρόσφατα στο Atmospheric Research . Η νέα προσέγγισή τους χρησιμοποιεί απότομα αυξανόμενους ρυθμούς αστραπές (αστραπή άλματα) για να παρέχει έγκαιρες προειδοποιήσεις για συμβάντα SDR. Στην προσέγγιση, προτάθηκε και επιλέχτηκε ως προειδοποιητικός στόχος μια καινοτόμος ιδέα, το άλμα βροχοπτώσεων με ταχεία αύξηση του ποσοστού βροχόπτωσης σε συμβάντα SDR.
Η προσέγγιση nowcast-warning που προτείνεται στη μελέτη τους σχεδιάστηκε κυρίως για εκείνα τα συμβάντα SDR με μέτριους και έντονους ρυθμούς βροχοπτώσεων και αναπτύχθηκαν διαβαθμισμένα μοντέλα προειδοποίησης nowcast με βάση την προσέγγιση. Τα μοντέλα εκδίδουν διαφορετικά σήματα με βάση την ένταση του αστραπιαίου άλματος για να βελτιώσουν την απόδοση προειδοποίησης, με προειδοποιητικά σήματα χαμηλής ποιότητας για την καταγραφή όσο το δυνατόν περισσότερων συμβάντων SDR και υψηλής ποιότητας για τη βελτίωση της αξιοπιστίας της προειδοποίησης.
Για την επαλήθευση της απόδοσης των μοντέλων, επιλέχθηκαν συνολικά 870 μέτριες και 452 έντονες εκδηλώσεις SDR στη Μητροπολιτική Περιφέρεια του Πεκίνου (BMR). Τα μοντέλα θα μπορούσαν να παρέχουν επιτυχείς έγκαιρες προειδοποιήσεις για το 67,8% (87,0%) των μέτριων (έντονων) συμβάντων SDR, με ψευδείς συναγερμούς 27,0% (22,2%). Ειδικά, τα μοντέλα θα μπορούσαν να παρέχουν μεγαλύτερο μέσο χρόνο προειδοποίησης για τα έντονα συμβάντα SDR (52,0 λεπτά) από τα μέτρια (36,7 λεπτά).
Τα μοντέλα επικυρώθηκαν περαιτέρω χρησιμοποιώντας τρεις τυπικές καταιγίδες που παράγουν έντονες βροχοπτώσεις, οι οποίες ήταν ανεξάρτητες από αυτές που αναφέρθηκαν παραπάνω στο BMR. Τα αποτελέσματα έδειξαν ότι τα μοντέλα παρουσιάζουν μια ενθαρρυντική προειδοποιητική ικανότητα για συμβάντα SDR που προκαλούνται από καταιγίδες από περιφερειακή έως τοπική κλίμακα.
«Η προσέγγισή μας παρέχει μια νέα προοπτική για την πρόβλεψη γεγονότων SDR», λέει ο καθηγητής Xiaopeng Cui, ο αντίστοιχος συγγραφέας της μελέτης.
Αυτά τα ευρήματα περιγράφονται στο άρθρο με τίτλο A lightning-based nowcast-warning προσέγγιση for short-duration rainfall events:Development and testing over Beijing at the hot seasons of 2006-2007, που δημοσιεύτηκε πρόσφατα στο περιοδικό Atmospheric Research . Αυτή η εργασία διεξήχθη από τους Fan Wu και Xiaopeng Cui από το Ινστιτούτο Φυσικής της Ατμόσφαιρας, Κινεζική Ακαδημία Επιστημών, και Da-Lin Zhang από το Πανεπιστήμιο του Μέριλαντ.
