Rilevare i fronti meteorologici dalle osservazioni satellitari: cosa aggiunge la rianalisi?

Abstract degli autori

I fronti meteorologici sono regioni di transizione tra masse d’aria con proprietà termodinamiche contrastanti e sono associati alle precipitazioni alle medie latitudini e agli eventi meteorologici estremi. Esaminiamo metodi di machine learning (ML) per rilevare i fronti meteorologici e quantifichiamo il contributo dei dati di rianalisi alle prestazioni. Confrontiamo due configurazioni dello stesso modello di ML per la classificazione frontale pixel per pixel sull’Atlantico settentrionale e sull’Europa: (1) utilizzando solo osservazioni satellitari infrarosse geostazionarie e (2) utilizzando anche 28 campi di rianalisi ERA5. Il modello basato solo sui dati satellitari raggiunge un indice di successo critico di vicinato con una tolleranza di 150 km (CSI@150) pari a $0.402$, che rientra nell’intervallo di accordo tra le analisi di diversi servizi meteorologici. Il modello satellite$+$ERA5 raggiunge $0.575$, con un miglioramento di $0.173$. La nostra analisi mostra che i venti a bassa quota sono la componente meno prevedibile sulla base della rappresentazione satellitare ($R^2 = 0.23$, rispetto a $0.88$ per la temperatura), mentre la rimozione dei venti o dell’umidità causa i maggiori cali nelle prestazioni di rilevamento.