Том 35, номер 12, статья № 7

Синькевич А. А., Куров А. Б., Михайловский Ю. П., Торопова М. Л., Веремей Н. Е. Исследование характеристик грозовых облаков на Северо-Западе России с использованием нейронных сетей. // Оптика атмосферы и океана. 2022. Т. 35. № 12. С. 1008–1014. DOI: 10.15372/AOO20221207.
Скопировать ссылку в буфер обмена

Аннотация:

Представлены результаты анализа радиолокационных характеристик облаков, включая поляризационные, и данных о грозовой активности за 9 июня 2020 г. в районе Санкт-Петербурга, когда отмечалась интенсивная грозовая деятельность. Выполнено сравнение параметров грозовых облаков и облаков без молний. Приведены статистические данные об их различиях. С использованием нейронных сетей проведен регрессионный анализ зависимости частоты молний от радиолокационных характеристик облаков. Оценено влияние рассмотренных параметров на частоту молний. Получено математическое выражение для расчета частоты молний на основе данных о максимальной величине дифференциальной отражаемости облака и объеме его переохлажденной части с отражаемостью не менее 35 дБZ.

Ключевые слова:

грозовое облако, молния, радиолокационные характеристики, регрессионный анализ, нейронные сети

Список литературы:

1. Синькевич А.А., Михайловский Ю.П., Торопова М.Л., Попов В.Б., Старых Д.С., Довгалюк Ю.А., Веремей Н.Е. Строение грозового облака со смерчем и зависимость частоты молний от его характеристик // Оптика атмосф. и океана. 2020. Т. 33, № 9. С. 705–709. DOI: 10.15372/AOO20200907; Sin’kevich A.A., Mikhailovskiy Yu.P., Toropova M.L., Popov V.B., Starykh D.S., Dovgalyuk Yu.A., Veremei N.E. Thunderstorm with waterspout structure and the dependence lightning frequency on its characteristics // Atmos. Ocean. Opt. 2020. V. 33, N 6. P. 645–649. DOI: 10.1134/S1024856020060226.
2. Qie X., Zhang Y. A review of atmospheric electricity research in China from 2011 to 2018 // Adv. Atmos. Sci. 2019. V. 36, N 9. P. 994–1014. DOI: 10.1007/ s00376-019-8195-x.
3. Cecil D.J., Goodman S.J., Boccippio D.J., Zipser E.J., Nesbitt S.W. Three years of TRMM precipitation features. Part I: Radar, radiometric, and lightning characteristics // Mon. Weather Rev. 2005. V. 133, N 3. P. 543–566. DOI: 10.1175/MWR-2876.1.
4. Saunders C.P.R., Peck S.L. Laboratory studies of the influence of the rime accretion rate on charge transfer during crystal/graupel collisions // J. Geophys. Res.: Atmos. 1998. V. 103, D12. P. 13949–13956. DOI: 10.1029/97JD02644.
5. Синькевич А.А., Попов В.Б., Абшаев А.М., Боу Б., Павар С.Д., Михайловский Ю.П., Торопова М.Л., Гопалакришнан В., Геккиева Ж.М. Радиолокационные характеристики конвективных облаков разных регионов при переходе в грозовую стадию // Оптика атмосф. и океана. 2020. Т. 33, № 12. С. 932–936. DOI: 10.15372/AOO20201205; Sin’kevich A.A., Po­pov V.B., Abshaev A.M., Boe B.A., Pawar S.D., Mi­khailovskii Yu.P., Toropova M.L., Gopalakrishnan V., Gekkieva Zh.M. Radar characteristics of convective clouds during transition to the cumulonimbus stage in different regions of the world // Atmos. Ocean. Opt. 2021. V. 34, N 2. P. 134–139. DOI: 10.1134/ S1024856021020081.
6. Ushio T., Heckman S.J., Boccippio D.J., Christian H.J., Kawasaki Z.-I. A survey of thunderstorm flash rates compared to cloud top height using TRMM satellite data // J. Geophys. Res.: Atmos. 2001. V. 106, N D20. P. 24089–24095. DOI: 10.1029/2001JD900233.
7. Pessi A.T., Businger S. Relationships among lightning, precipitation, and hydrometeor characteristics over the North Pacific Ocean // J. Appl. Meteorol. Climatol. 2009, V. 48, N 4. P. 833–848. DOI: 10.1175/ 2008JAMC1817.1.
8. Zipser E.J., Lutz K.R. The vertical profile of radar reflectivity of convective cells: A strong indicator of storm intensity and lightning probability? // Mon. Weather Rev. 1994. V. 122, N 8. P. 1751–1759. DOI: 10.1175/1520-0493(1994)122<1751:TVPORR>2.0.CO;2.
9. Fehr T., Dotzek N., Höller H. Comparison of lightning activity and radar-retrieved microphysical properties in EULINOX storms // Atmos. Res. 2005. V. 76, N 1–4. P. 167–189. DOI: 10.1016/j.atmosres.2004.11.027.
10. Petersen W.A., Rutledge S.A. Regional variability in tropical convection: Observations from TRMM // J. Clim. 2001. V. 14, N 17. P. 3566–3586. DOI: 10.1175/1520-0442(2001)014<3566:RVITCO>2.0.CO;2.
11. Baker M.B., Christian H.J., Latham J. A computatio­nal study of the relationships linking lightning frequency and other thundercloud parameters // Quart. J. Roy. Meteorol. Soc. 1995. V. 121, N 527. P. 1525–1548. DOI: 10.1002/qj.49712152703.
12. Синькевич А.А., Михайловский Ю.П., Матросов С.Ю., Попов В.Б., Снегуров В.С., Снегуров А.В., Довгалюк Ю.А., Веремей Н.Е. Связь структуры конвективных облаков с частотой молний по результатам радиофизических измерений // Метеорол. гидрол. 2019. № 6. С. 37–51.
13. Petersen W.A., Christian H.J., Rutledge S.A. TRMM observations of the global relationship between ice water content and lightning // Geophys. Res. Lett. 2005. V. 32, N 14. DOI: 10.1029/2005GL023236.
14. Синькевич А.А., Попов В.Б., Михайловский Ю.П., Торопова М.Л., Довгалюк Ю.А., Веремей Н.Е., Старых Д.С. Характеристики кучево-дождевого облака с водяным смерчем над Ладожским озером по данным дистанционных измерений // Оптика атмосф. и океана. 2020. Т. 33, № 2. С. 153–158. DOI: 10.15372/ AOO20200211; Sin’kevich A.A., Popov V.B., Mikhailovskii Yu.P., Toropova M.L., Dovgalyuk Yu.A., Veremei N.E., Starykh D.S. Characteristics of cumulonimbus with waterspout over Ladoga lake from remote measurements // Atmos. Ocean. Opt. 2020. V. 33, N 4. P. 387–392. DOI: 10.1134/S1024856020040156.
15. Cornet C., Isaka H., Guillemet B., Szczap F. Neural network retrieval of cloud parameters of inhomogeneous clouds from multispectral and multiscale radiance data: Feasibility study // J. Geophys. Res.: Atmos. 2004. V. 109, N D12. DOI: 10.1029/2003JD004186.
16. Wimmers A., Velden C., Cossuth J.H. Using deep learning to estimate tropical cyclone intensity from sa­tellite passive microwave imagery // Mon. Weather Rev. 2019. V. 147, N 6. P. 2261–2282. DOI: 10.1175/ MWR-D-18-0391.1.
17. McGovern A., Lagerquist R., Gagne D.J., Jergensen G.E., Elmore K.L., Homeyer C.R., Smith T. Making the black box more transparent: Understanding the physical implications of machine learning // Bull. Am. Meteorol. Soc. 2019. V. 100, N 11. DOI: 10.1175/ BAMS-D-18-0195.1.
18. Андреева Е.С. Применение методов нейропрограммирования для определения рисков опасных явлений погоды // Изв. вузов. Сев.-Кавк. регион. Естеств. науки. 2008. № 5. С. 105–107.
19. Chaharborj S.S., Borazjani M.M., Gheisari Y. Predic­ting climatic meteorological parameters by using the artificial dynamics neural networks: Case study, Bushehr City // J. Comput. Sci. Comput. Math. 2016. V. 6, N 4. DOI: 10.20967/jcscm.2016.04.005.
20. Михайловский Ю.П., Торопова М.Л., Веремей Н.Е., Довгалюк Ю.А., Синькевич А.А., Янг Дж., Лу Дж. Динамика электрической структуры кучево-дождевых облаков // Изв. вузов. Радиофизика. 2021. Т. 64, № 5. С. 341–353.
21. Dolan B., Rutledge S.A., Lim S., Chandrasekar V., Thurai M. A robust C-band hydrometeor identification algorithm and application to a long-term polarimetric radar dataset // J. Appl. Meteorol. Climatol. 2013. V. 52, N 9. P. 2162–2186. DOI: 10.1175/JAMC-D-12-0275.1.
22. Сальман Е.М. Комплексный радиолокационный метод метеорологического обслуживания авиации // Тр. ГГО. 1964. Вып. 159. С. 24–34.
23. Sin’kevich A., Boe B., Pawar S., Yang J., Abshaev A., Dovgaluk Y., Gekkieva J., Gopalakrishnan V., Kurov A., Mikhailovskii Y., Toropova M., Veremei N. Investigation of thundercloud features in different regions // Remote Sens. 2021. V. 13, N 16. DOI: 10.3390/rs13163216.
24. Buechler D.E., Goodman S.J. Echo size and asymmetry: Impact on NEXRAD storm identification // J. Appl. Meteorol. Climatol. 1990. V. 29, N 9. P. 962–969. DOI: 10.1175/1520-0450(1990)029<0962:ESAAIO>2.0.CO;2.
25. Gremillion M.S., Orville R.E. Thunderstorm characteristics of cloud-to-ground lightning at the Kennedy Space Center, Florida: a study of lightning initiation signatures as indicated by the WSR-88D // Weather Fo­recast. 1999. V. 14, N 5. P. 640–649. DOI: 10.1175/ 1520-0434(1999)014<0640:TCOCTG>2.0.CO;2.
26. Vincent B.R., Carey L.D., Schneider D., Keeter K., Gonski R. Using WSR-88D reflectivity data for the prediction of cloud-to-ground lightning: A central North Carolina study // Natl. Wea. Dig. 2003. V. 27, N 1. P. 35–44.
27. Yang Y.H., King P. Investigating the potential of using radar echo reflectivity to nowcast cloud-to-ground lightning initiation over southern Ontario // Weather Forecast. 2010. V. 25, N 4. P. 1235–1248. DOI: 10.1175/ 2010WAF2222387.1.
28. Mosier R.M., Schumacher C., Orville R.E., Carey L.D. Radar nowcasting of cloud-to-ground lightning over Houston, Texas // Weather Forecast. 2011. V. 26, N 2. P. 199–212. DOI: 10.1175/ 2010WAF2222431.1.
29. Kumjian M.R. Principles and applications of dual-polarization weather radar. Part I: Description of the polarimetric radar variables // J. Operational Meteor. 2013. V. 1, N 19. P. 226–242. DOI: 10.15191/nwajom. 2013.0119.
30. Методические указания по использованию информации доплеровского метеорологического радиолокатора ДМРЛ-С в синоптической практике. Третья ред. М., 2019. 129 с.