一项新研究揭示了使用地面天气数据准确分类降水为雨水或雪的一个重大挑战。准确识别降水相态对于天气预报、水文建模和气候研究至关重要，对交通运输有重大影响。然而，在接近冰点的温度下，所有传统方法都难以准确预测雨和雪，因为这两种相态的气象特征非常相似。利用多来源数据集成，而不是仅依赖地面天气数据，可能提供改进。
由佛蒙特大学（UVM）领导的一项新研究揭示了使用地面天气数据准确分类降水为雨或雪的一个重大挑战。
该研究发表在《自然通讯》上，评估了传统降水相态分割方法和先进机器学习模型的表现，揭示接近冰点的温度在区分雨和雪方面存在固有局限，限制了这些方法的准确性。
准确识别降水相态对于天气预报、水文建模和气候研究至关重要，对交通安全、航空旅行、基础设施运行和水资源管理有重大影响。
在山区尤其如此，准确区分雨和雪有助于自然资源管理者更好地预测和缓解威胁和挑战。虽然以降雪为主的风暴可能使滑雪区和水资源受益，但以降雨为主的事件可能会造成严重的洪水和基础设施损坏。
由于降雨和降雪观测的稀缺，绝大多数来自机场，并且很少能反映附近山区复杂的天气模式，科学家和气象预报员依赖于使用天气数据来估算降水相态的数学技术。
这些降水相态分割方法——阈值、范围和统计模型——利用空气温度、湿度和压力等数据。然而，大多数方法仅在降雪或降雨几乎确定的寒冷或温暖温度下表现良好。然而，在接近冰点的温度下，所有传统方法都难以准确预测雨和雪，因为这两种相态的气象相似性。
这项研究找到了原因。
研究的首席研究员基思·詹宁斯博士说：“挑战在于，在接近冰点的温度下，雨和雪的空气和湿球温度分布重叠得很严重。这意味着传统的分割方法无法始终如一地将雨和雪区分开。令我们感到惊讶的是，机器学习模型的表现并没有好太多。即使使用更多的数据和复杂的数学，他们仍然在努力分离相同的信息，他们看到的雨和雪几乎具备相同的气象特征。”
为进行这项研究，UVM水资源研究所的研究主任基思·詹宁斯博士与Lynker、沙漠资源研究所（DRI）、大气研究合作所、内华达大学里诺分校和犹他州立大学的科学家合作。研究团队挖掘了两组独特的降水相态数据集：来自NASA资助的“山雨或雪”参与性科学项目的近40,000份众包观察数据，以及来自北半球的1700多万则天气报告。
研究团队利用这些数据集评估了将降水分类为雨、雪或混合的不同方法。这些技术包括一系列高性能传统方法作为基准（温度阈值和一个统计模型），以及三种机器学习（ML）模型：随机森林、XGBoost和人工神经网络（ANN）。
虽然机器学习模型在最佳基准上提供了微不足道的改进，准确度提高了最多0.6%，但它们仍然在接近冰点的范围内（1.0°C-2.5°C）正确分类降水方面存在困难，并且未能一致识别混合降水和低于冰点的降雨事件。
该研究揭示了一个主要障碍：雨和雪之间自然的气象条件重叠使得单靠地面天气数据难以分类。尽管机器学习取得了进展，但仅凭这些气象输入预测降水相态仍然存在局限。
詹宁斯博士建议研究人员应将注意力从使用地面天气数据边际改善固有限制的雨雪分割方法转向创造新技术，以吸收新的数据源。这些替代方案包括来自“山雨或雪”项目的众包观察、天气雷达和卫星降水产品。
随着气候变化导致雨雪事件更加频繁并改变降水模式，平衡生命、财产和生态系统功能的风险将变得更加困难。然而，利用多来源数据集成而不仅依赖地面天气数据可能提供改善的机会。
