Als zware overstromingen, waaronder die in Houston, Texas, en Bombay, Indië, doorgaan met, onderzoeksteams van Purdue University en India hebben gewerkt aan het verbeteren van de modellen die kunnen helpen bij het voorspellen van zware regenval door weersomstandigheden.

De onderzoekers ontdekten dat het opnemen van een verbeterde weergave van hoe heet en nat het landoppervlak is voordat zich een storm vormt, belangrijke informatie geeft die leidt tot verbeteringen in de voorspelling van de timing van zware regenval, plaats, omvang en duur.

De studie wordt geleid door Dev Niyogi, Indiana staat klimatoloog en Purdue University hoogleraar agronomie en aarde, atmosferische en planetaire wetenschappen.

De studie, een samenwerking tussen onderzoekers uit de Verenigde Staten en India, wordt ondersteund door de Amerikaanse National Science Foundation, Indian Ministry of Earth Sciences National Monsoon Mission en de Indo-US Science and Technology Foundation. Het werd ontworpen om onweersbuien en regenvalsimulaties over de Indiase moessonregio te verbeteren. Niyogi zei dat onweer en zware regenval vaak ingebed zijn in grotere stormclusters als onderdeel van de moessonregens, waardoor hun voorspelling een voortdurende uitdaging wordt.

"Het grootste deel van het onderzoek naar moessonregens richt zich op het begrijpen en modelleren van grootschalige meteorologische instellingen, specifiek oceanische patronen en invloeden, " zei Niyogi. "Deze studie toont aan dat, net zoals oceanische processen belangrijk zijn voor grootschalige moessonkenmerken, het opnemen van bodemvocht en landstatus kan zorgen voor een betere voorspelbaarheid voor de regionale onweersclusters en regenval binnen deze stormen."

Niyogi zei dat het modelleringskader is ontwikkeld voor toepassingen in verschillende delen van de wereld, na de eerste tests en toepassing in de Verenigde Staten.

"Voor Indië, we weten dat de moessonregens worden veroorzaakt door grootschalige processen en we waren aanvankelijk sceptisch over verbeteringen die we in de voorspellingen zullen zien door de lokale landomstandigheden te verbeteren, " zei Niyogi. "Toch, bewijs van werk in de Verenigde Staten en de theoretische overwegingen suggereerden dat verbeterde landrepresentatie kan helpen bij het verbeteren van de simulatie van de regionale stormen en de bijbehorende energieën, dus deze modelleringsexperimenten werden uitgevoerd. We vinden dat land de timing beïnvloedt en beïnvloedt, plaats, intensiteit en duur van zware regenbuien. Het verbeteren van de landtoestand helpt dus direct bij het verbeteren van de regenvoorspelling, speciaal voor gevaarlijke, hevige regensituaties."

Uit de studie bleek dat het nemen van beschikbare satelliet- en oppervlakteobservaties binnen een zogenaamd "Land Data Assimilation System (LDAS)" -kader in staat was om de toestand van het landoppervlak te bepalen voordat stormen worden gevormd. Het opnemen van deze informatie in de weersvoorspellingsmodellen leidde tot verbeteringen in de regionale atmosferische verwarmingspatronen, windcirculatie en wolkenvoorspellingen. Als resultaat, het verbeterde model kon efficiënt voorspellen waar en wanneer deze onweersbuien en zware regenbanden zouden optreden.

De Indiase moessonregio heeft te maken met frequente en vaak schadelijke onweersbuien. Meteorologen blijven zoeken naar manieren om ze nauwkeuriger te voorspellen, aldus de studie. Verstedelijking en veranderende landbouwpraktijken hebben ook de verwarmings- en luchtstroompatronen van het land veranderd, wat betekent dat voorspellingen op basis van oudere basisgegevens geen regionale landkenmerken weerspiegelen.

"Er moet rekening worden gehouden met realistische landomstandigheden in de weersvoorspellingsmodellen om onze voorspellingsmogelijkheden voor onweersbuien te verbeteren, Niyogi zei. "We hebben datasets met hoge resolutie ontwikkeld met informatie over bodemvocht en temperatuur, die voorheen niet beschikbaar waren, en ontdekte dat het introduceren van deze informatie onweersvoorspellingen kan verbeteren."

Het model heeft enkele beperkingen, merkte Niyogi op. Terwijl het door LDAS verbeterde weermodel gevoeliger was voor korte regenbuien, het had ook de neiging om de regenval onder bepaalde omstandigheden te overschatten. Anderzijds, het model voorspelde de ontwikkeling van onweersbuien in regio's met een complexe topografie te laag. Toekomstige werkzaamheden zullen gericht zijn op het verbeteren van de input van het model om voorspellingen realistischer en nauwkeuriger te maken met behulp van een verscheidenheid aan nieuw beschikbare satellietdatasets, zowel uit de Verenigde Staten als India, zei Niyogi.

De volgende stap voor Niyogi's team is het maken van een gerasterde klimatologie van bodemvocht, bodemtemperatuurvelden die kunnen worden gebruikt voor weersvoorspellingen en beoordelingen van overstromingen of droogte.

"Het doel is om door te gaan met het ontwikkelen van deze datasets en onze bevindingen te vertalen naar tools die helpen bij het dagelijks voorspellen, " zei Niyogi. "Simpel gezegd, de partnerschappen tussen Purdue en Indiase onderzoekers blijven nieuwe gegevens gebruiken, wetenschappelijk inzicht en computationele hulpmiddelen om de collectieve kennis te gebruiken en oplossingen te ontwikkelen voor enkele van de meest urgente uitdagingen waarmee het maatschappelijk welzijn wordt geconfronteerd."

De modellen en de verbeterde wetenschap beperken zich niet tot een regio en zijn wereldwijd overdraagbaar om modellen te verbeteren die de stormvoorspelling in India en de Verenigde Staten helpen verbeteren, zei Niyogi.