Estudios previos han indicado una tendencia mundial creciente de eventos de precipitación intensa bajo la influencia del calentamiento global. Los eventos de fuertes precipitaciones aumentan el riesgo de inundaciones, ejerciendo efectos devastadores en la sociedad humana y el medio ambiente, especialmente para metrópolis con poblaciones densas. Como una de las ciudades más grandes del mundo, Beijing es muy vulnerable a los eventos de precipitación cada vez más frecuentes e intensos, como la lluvia torrencial del 21 de julio de 2012, cuando la ciudad se encontró con las lluvias más intensas de las últimas décadas con una cantidad récord de 460 mm en 18 horas. Los científicos han descubierto que los eventos de lluvia de corta duración (SDR) (un evento de lluvia de 6 horas o menos de duración) dominan la cantidad total de lluvia en Beijing en verano. y la cantidad de lluvia de eventos SDR ha aumentado significativamente en las últimas décadas. Por lo tanto, Es de gran importancia proporcionar predicciones precisas de eventos SDR, algo que sigue siendo un desafío considerable para científicos y pronosticadores.
Los científicos han notado y aprovechado los rayos para predecir las tormentas que se acercan, pero existen pocos métodos potentes de predicción o advertencia disponibles para la lluvia causada por tales tormentas, especialmente los eventos SDR. Después de estudiar la relación entre los rayos y las precipitaciones sobre Beijing durante las estaciones cálidas de 2006 y 2007, científicos del Instituto de Física Atmosférica, Academia de Ciencias de China (Fan Wu y Xiaopeng Cui) y su coautor (Da-lin Zhang, University of Maryland) desarrolló un enfoque de alerta inmediata basado en rayos para eventos SDR, y luego probó su desempeño en la Región Metropolitana de Beijing (BMR). Sus hallazgos fueron publicados recientemente en Investigación atmosférica . El nuevo enfoque utiliza tasas cada vez mayores de relámpagos, denominados saltos relámpago, observado por los sistemas de localización de rayos, para proporcionar alertas tempranas para eventos SDR. A diferencia de los enfoques de advertencia anteriores para otros tipos de clima severo causado por tormentas de lluvia (por ejemplo, tornados, granizo y ráfagas de viento), en este enfoque, un aumento rápido en la tasa de lluvia (conocido como un salto de lluvia) en un evento de SDR se elige como el objetivo de advertencia. El enfoque de alerta inmediata propuesto en este estudio fue diseñado para dos tipos de eventos SDR, a saber, aquellos con precipitaciones moderadas e intensas.
Para proporcionar predicciones más precisas de eventos SDR, los autores desarrollaron modelos graduales de advertencia inmediata al cambiar los parámetros en el algoritmo de salto de rayo en función de su nuevo enfoque. Estos modelos pueden emitir diferentes señales en función de la intensidad del salto del rayo para mejorar el rendimiento de la alerta inmediata. Los modelos utilizan señales de advertencia de bajo grado para capturar tantos eventos SDR como sea posible, y aproveche las señales de advertencia de alto grado para mejorar la confiabilidad de las advertencias. Para verificar el desempeño de los modelos, Se seleccionaron un total de 870 eventos SDR moderados y 452 intensos sobre la TMB. Los resultados mostraron un rendimiento del modelo alentador. Los modelos de alerta proporcionaron alertas tempranas exitosas para el 67,8% (87,0%) de los eventos SDR moderados (intensos), con falsas alarmas del 27,0% (22,2%). Además, los modelos proporcionaron un tiempo de advertencia promedio más largo para los eventos de SDR intensos (52,0 minutos) que los moderados (36,7 minutos).
Finalmente, los autores validaron aún más los modelos utilizando tres tormentas típicas de fuertes lluvias que eran independientes de las utilizadas para desarrollar los modelos. Los resultados mostraron que los modelos presentan una capacidad de alerta alentadora para eventos SDR desde escalas regionales hasta meso-γ. "Nuestro enfoque ofrece una nueva perspectiva sobre la predicción de eventos SDR, "dice el profesor Xiaopeng Cui, el autor correspondiente del estudio.
