Föreställ dig att ta bilder av tusentals snöflingor från tre olika vinklar med ett specialiserat instrument installerat på en höjd av 2, 500 meter. Tänk dig sedan att använda 3, 500 av dessa bilder för att manuellt träna en algoritm för att känna igen sex olika klasser av snöflingor. Och, till sist, tänk dig att använda denna algoritm för att klassificera snöflingorna i de miljontals återstående bilderna i de sex klasserna med rasande fart. Det är precis vad forskare vid EPFL:s Environmental Remote Sensing Laboratory (LTE) gjorde, i ett projekt som leds av Alexis Berne. Deras banbrytande tillvägagångssätt presenterades i det senaste numret av Atmosfäriska mättekniker .

"Det vetenskapliga samfundet har försökt att förbättra nederbördsmätning och -prognoser i över 50 år. Vi har nu en ganska bra förståelse för mekanismerna som är involverade i regn, " säger Berne. "Men snö är mycket mer komplicerat. Många faktorer - som formen, geometri och elektromagnetiska egenskaper hos enskilda snöflingor - påverkar hur snökristaller reflekterar signaler tillbaka till väderradar, gör vår uppgift mycket svårare. Och vi har fortfarande inte bra koll på motsvarande halt av flytande vatten i snöflingor. Vårt mål med den här studien var att bättre förstå exakt vad som faller när det snöar, så att vi så småningom kan förbättra snöfallsprognosen på höga höjder." Berne ser också andra tillämpningar för teamets fynd, som en mer exakt uppskattning av vattenekvivalenten lagrad i snöpacken för bevattning och vattenkraft.

Identifiera snöflingor och deras grad av rimning

För att nå sitt mål, forskarna skaffade en Multi-Angle Snowflake Camera (MASC) - ett sofistikerat instrument som består av tre synkroniserade kameror som samtidigt tar högupplösta (upp till 35 mikron) bilder av snöflingor när de passerar genom en metallring.

I samarbete med Federal Office of Meteorology and Climatology MeteoSwiss och Institute for Snow and Avalanche Research, de installerade MASC på en plats nära Davos, på en höjd av 2, 500 meter, där den tog bilder under en hel vinter och på en plats i kustnära Antarktis, där den tog bilder under en hel australsommar. De körde sedan sin algoritm för att klassificera snöflingabilderna i sex huvudklasser baserat på befintlig klassificering:plana kristaller, pelare kristaller, Graupels, aggregat, kombination av kolumn och plana kristaller, och små partiklar.

Forskarna använde bilderna som tagits av MASC för att också bestämma graden av rimning av varje snöflinga baserat på dess ytråhet (bild 3). "Snöflingor ändrar form när de faller ner i atmosfären - särskilt genom moln, " säger Berne. "En del av dem samlar frost och blir mer eller mindre kantade snökristaller [#3-5 på bilden], medan andra förblir orörda och har ett mycket lågt rimningsindex." Riming är viktigt eftersom det är processen som förvandlar molnvattendroppar till nederbörd i form av is - med andra ord, snö.

Jämför alpina och antarktiska snöflingor

Nästa steg var att jämföra resultaten från bilderna tagna nära Davos i de schweiziska alperna med de som togs i Adélie Land på Antarktis kust. Det avslöjade betydande skillnader i hur ofta varje snöflingafamilj dök upp. De flesta snöflingorna i Alperna är aggregat (49%), följt av små partiklar och graupeller. Dock, i Antarktis, majoriteten var små partiklar (54 %), följt av ballast och graupeller.

Enligt Berne, dessa skillnader kan förklaras. "De hårda antarktiska vindarna eroderar kontinuerligt snöpackningen och resulterar i bildandet av små snöpartiklar. Dessutom Antarktiska snöflingor har mycket mindre kant än alpina snöflingor eftersom den antarktiska luften är mycket torrare." En annan av forskarnas upptäckter som kanske kommer att göra purister besviken är att den "stjärna dendrit"-typen av snöflinga - den vi vanligtvis förknippar med "idealet" 'snöflinga - visade sig vara sällsynt på båda platserna, utgör endast 10 % av snöflingorna i Alperna och 5 % av snöflingorna i Antarktis.

Multiinstrumentellt tillvägagångssätt

För att ta itu med komplexiteten i de många involverade processerna, forskare förlitar sig vanligtvis på flera olika instrument när de gör meteorologiska mätningar och väderprognoser. Resultaten från Bernes team kommer därför att ge ännu fler insikter när de kombineras med andra instrument, som väderradar, som samlar in data om moln och nederbörd över alla skikt av atmosfären.

Som en del av det internationella Solid Precipitation Intercomparison Experiment (SPICE), MeteoSwiss satte upp en regnmätare bredvid MASC på Davos-platsen. Uppgifterna har ännu inte analyserats helt, men genom att jämföra typen av snöflingor som fotograferats av MASC med mängden vatten som samlats in under en given period, teamet kommer att kunna testa olika hypoteser om innehållet av flytande vatten i snöflingor, vilket förblir en gåta för atmosfärsforskare.

En mätkampanj under vinter-OS 2018

För att stärka deras upptäckter, Bernes team behöver samla in mer data. De skickade sin MASC tillbaka till Antarktis för ytterligare en datainsamlingsrunda i år; det kommer sedan att bege sig till bergen i Sydkorea 2018 för vinter-OS som kommer att äga rum i Pyeongchang. "Ju mer data vi har, desto mer tillförlitliga blir våra beräkningar, säger Berne.

Detta forskningsprojekt kombinerar grundläggande och tillämpad forskning. Det involverar tre forskare:Alexis Berne och Christophe Praz från EPFL:s Environmental Remote Sensing Laboratory och Yves-Alain Roulet från MeteoSwiss (Federal Office of Meteorology and Climatology). MeteoSwiss har arbetat med EPFL i flera år för att förbättra sina nederbördsberäkningar och sin numeriska väderprognosmodell.