Ein innovativer Ansatz um Temperatur und Feuchteprofile aus Radar-Windprofilermessungen zu bestimmen

Die ständige Weiterentwicklung und Verbesserung der Wetter- und Klimamodelle stellt die atmosphärische Fernerkundung vor eine große Herausforderung. Für die Evaluierung der Modelle werden immer besser aufgelöste Messungen und Methoden benötigt. Herkömmliche Ansätze scheitern hier vor allem an kontinuierlichen Beobachtungen der Temperatur und Feuchte bei allen Wetterbedingungen und insbesondere bei Regen.

Ein Radar-Windprofiler (RWP) ist allerdings auch bei solchen atmosphärischen Bedingungen in der Lage Vertikalinformationen der Temperatur- und Feuchtegradienten zu beobachten. Das Signal ist direkt proportional zu starken Änderungen in der Temperatur und der Feuchte. Hier lernen künstliche neuronale Netzwerke die Zusammenhänge aus dem RWP Dopplerspektrum und zeitgleichen atmosphärischen Profilen von Radiosonden. Es werden zwei unterschiedliche Ansätze aus dem maschinellen Lernen vorgestellt. Einmal als Vorwärtsmodell (multilayer perceptron) um das RWP Signal aus Radiosonden zu generieren und einmal andersherum, also aus RWP-Dopplerspektren Temperatur- und Feuchteprofile zu erzeugen (convolutional neural network).

Die langen Zeitreihen an Daten (seit 2010) und die Kombination an sich ergänzenden Messinstrumenten, insbesondere mit dem 482 MHz Windprofiler am Meteorologischen Observatorium Lindenberg – Richard Aßmann Observatorium (MOL-RAO), sind einzigartig. Daraus kann eine kontinuierliche Zeitreihe von Temperatur- und Feuchteprofilen mit bisher nicht erreichter Genauigkeit innerhalb und oberhalb von Wolken und insbesondere bei Niederschlag erstellt werden. Erste Ergebnisse bei wolkenlosen Fällen sind vielversprechend. In naher Zukunft können die Algorithmen als Vorwärtsmodelle für variationelle Methoden (optimale Schätzung) verwendet werden.