Stel je voor dat je foto's maakt van duizenden sneeuwvlokken vanuit drie verschillende hoeken met een gespecialiseerd instrument geïnstalleerd op een hoogte van 2, 500 meter. Stel je dan voor dat je 3 gebruikt, 500 van deze foto's om handmatig een algoritme te trainen om zes verschillende klassen sneeuwvlokken te herkennen. En, Tenslotte, stel je voor dat je dit algoritme gebruikt om de sneeuwvlokken in de miljoenen resterende foto's in razend tempo in die zes klassen te classificeren. Dat is precies wat onderzoekers van EPFL's Environmental Remote Sensing Laboratory (LTE) deden, in een project onder leiding van Alexis Berne. Hun baanbrekende aanpak was te zien in het laatste nummer van Atmosferische meettechnieken .

"De wetenschappelijke gemeenschap probeert al meer dan 50 jaar de neerslagmeting en -voorspelling te verbeteren. We hebben nu een redelijk goed begrip van de mechanismen die betrokken zijn bij regen, " zegt Bern. "Maar sneeuw is een stuk ingewikkelder. Vele factoren - zoals de vorm, geometrie en elektromagnetische eigenschappen van individuele sneeuwvlokken - beïnvloeden hoe sneeuwkristallen signalen terugkaatsen naar weerradars, waardoor onze taak veel moeilijker wordt. En we hebben nog steeds geen goed idee van het equivalente vloeibare watergehalte van sneeuwvlokken. Ons doel met deze studie was om beter te begrijpen wat er precies valt als het sneeuwt, zodat we uiteindelijk de sneeuwvoorspelling op grote hoogte kunnen verbeteren." Berne ziet ook andere toepassingen voor de bevindingen van het team, zoals een nauwkeurigere schatting van het waterequivalent dat is opgeslagen in de sneeuwlaag voor irrigatie en waterkracht.

Sneeuwvlokken en hun mate van riming identificeren

Om hun doel te bereiken, de onderzoekers kochten een Multi-Angle Snowflake Camera (MASC) - een geavanceerd instrument samengesteld uit drie gesynchroniseerde camera's die tegelijkertijd hoge resolutie (tot 35 micron) foto's maken van sneeuwvlokken terwijl ze door een metalen ring gaan.

In samenwerking met het Federaal Bureau voor Meteorologie en Klimatologie MeteoSwiss en het Instituut voor Sneeuw- en Avalancheonderzoek, ze installeerden de MASC op een locatie in de buurt van Davos, op een hoogte van 2, 500 meter, waar het een hele winter lang foto's heeft gemaakt en op een locatie aan de kust van Antarctica, waar het een hele Australische zomer foto's nam. Vervolgens hebben ze hun algoritme uitgevoerd om de sneeuwvlokafbeeldingen in zes hoofdklassen te classificeren op basis van bestaande classificatie:vlakke kristallen, zuilvormige kristallen, graupels, aggregaten, combinatie van kolom- en vlakke kristallen, en kleine deeltjes.

De onderzoekers gebruikten de foto's van het MASC om ook de mate van riming van elke sneeuwvlok te bepalen op basis van de oppervlakteruwheid (afbeelding 3). "Sneeuwvlokken veranderen van vorm als ze door de atmosfeer vallen - vooral door wolken, "zegt Berne. "Sommige van hen verzamelen rijp en worden min of meer omrande sneeuwkristallen [#3-5 in de afbeelding], terwijl andere ongerept blijven en een zeer lage riming-index hebben." Riming is belangrijk omdat het het proces is dat wolkwaterdruppels omzet in neerslag in de vorm van ijs - met andere woorden, sneeuw.

Sneeuwvlokken in de Alpen en Antarctica vergelijken

De volgende stap was om de resultaten van de foto's bij Davos in de Zwitserse Alpen te vergelijken met die van Adélie Land aan de kust van Antarctica. Dat onthulde significante verschillen in hoe vaak elke sneeuwvlokfamilie verscheen. De meeste sneeuwvlokken in de Alpen zijn aggregaten (49%), gevolgd door kleine deeltjes en graupels. Echter, op Antartica, de meerderheid waren kleine deeltjes (54%), gevolgd door aggregaten en graupels.

Volgens Bern, deze verschillen kunnen worden verklaard. "De felle Antarctische winden eroderen voortdurend de sneeuwlaag en resulteren in de vorming van kleine sneeuwdeeltjes. Bovendien, Antarctische sneeuwvlokken hebben veel minder riming dan Alpensneeuwvlokken omdat de Antarctische lucht veel droger is." Een andere van de bevindingen van de onderzoekers die puristen misschien zullen teleurstellen, is dat het 'stellaire dendriet'-type sneeuwvlok - degene die we doorgaans associëren met de 'ideale ' sneeuwvlok - bleek op beide locaties zeldzaam te zijn, slechts 10% van de sneeuwvlokken in de Alpen en 5% van de sneeuwvlokken op Antarctica.

Multi-instrumentale aanpak

Om de complexiteit van de meerdere betrokken processen aan te pakken, wetenschappers vertrouwen meestal op verschillende instrumenten bij het maken van meteorologische metingen en weersvoorspellingen. De resultaten die door het team van Bern zijn verkregen, zullen daarom nog meer inzicht geven in combinatie met andere instrumenten, zoals weerradars, die gegevens verzamelen over wolken en neerslag in alle lagen van de atmosfeer.

Als onderdeel van het internationale Solid Precipitation Intercomparison Experiment (SPICE), MeteoSwiss plaatste een regenmeter naast het MASC op het terrein van Davos. De gegevens zijn nog niet volledig geanalyseerd, maar door het type sneeuwvlokken dat door het MASC is gefotografeerd te vergelijken met de hoeveelheid water die in een bepaalde periode is verzameld, het team zal verschillende hypothesen kunnen testen over het gehalte aan vloeibaar water van sneeuwvlokjes, wat een raadsel blijft voor atmosferische wetenschappers.

Een meetcampagne tijdens de Olympische Winterspelen van 2018

Om hun bevindingen kracht bij te zetten, Het team van Berne moet meer gegevens verzamelen. Ze stuurden dit jaar hun MASC terug naar Antarctica voor een nieuwe ronde van gegevensverzameling; het zal dan naar de bergen van Zuid-Korea gaan in 2018 voor de Olympische Winterspelen die zullen plaatsvinden in Pyeongchang. "Hoe meer gegevens we hebben, hoe betrouwbaarder onze berekeningen zullen zijn, ' zegt Bern.

Dit onderzoeksproject combineert fundamenteel en toegepast onderzoek. Er zijn drie wetenschappers bij betrokken:Alexis Berne en Christophe Praz van EPFL's Environmental Remote Sensing Laboratory en Yves-Alain Roulet van MeteoSwiss (het Federaal Bureau voor Meteorologie en Klimatologie). MeteoSwiss werkt al enkele jaren samen met EPFL om de neerslagschattingen en het numerieke weersvoorspellingsmodel te verbeteren.