Wind shear detection from Doppler weather radar data

Abstract

Intensive wind shear phenomena, such as downbursts and gust fronts, pose a hazard to aviation, and issuing local forecasts of them could improve safety and decrease costs. In this thesis, a methodology for detecting and nowcasting wind shear using Doppler weather radar data is developed. The method consists of detecting the shear from one to three weather radars, representing them as objects, and tracking and extrapolating their trajectory for short-time forecasts from 5 to 15 minutes. The method is studied using a case study of a very intensive shear line generated by a thunderstorm in southern Finland on August 12, 2017. Using the synthesized wind field from three radars to detect shear performs poorly. Instead, the shear detected by different radars should be combined only as objects. The tracking and forecasting of the object trajectory is done with a discrete white noise acceleration model using a Kalman filter. The method shows potential for identifying the trajectories of the shear, but further studying of the used state variable for the shear location is required.

Tuuliväänteet, eli äkilliset ja suuret muutokset tuulen suunnassa tai nopeudessa, ovat merkittävä riski lentoliikenteelle, ja paikallistetut ennusteet niiden etenemisestä vähentäisivät riskitilanteita sekä kuluja. Tässä työssä kehitetään menetelmä tuuliväänteiden maksimikohtien havaitsemiseksi ja niiden liikeradan ennustamiseksi Doppler-säätutkadatan avulla. Menetelmä koostuu tuuliväänteiden havaitsemisesta yhdestä kolmeen säätutkan perusteella, väänteiden esittämisestä olioina, sekä olioiden liikeradan jäljittämisestä ja ennustamisesta viidestä viiteentoista minuuttia eteenpäin. Menetelmää tarkastellaan käyttäen tapaustutkimuksena Kiira-rajuilmaa, joka iski Etelä-Suomeen 12.7.2017. Tuuliväänteiden havaitseminen kolmen tutkakentän mittaamasta tuulikentästä toimii huonosti. Sen sijaan eri tutkista havaitut väänteet tulisi yhdistää vasta olioina. Olioiden liikeradan jäljittäminen ja ennustaminen tehdään Kalman-suotimen avulla käyttäen diskreettiä valkoisen kohinan kiihtyvyysmallia. Menetelmä tunnistaa olioiden liikeradat, mutta tilamuuttujana käytetty olion sijainti vaatii lisätutkimusta.