La turbulenta vida de las nubes

Por: Thorwald Stein

Ha sido un verano duro para los entusiastas de la lluvia en el sur de Inglaterra, ya que la región acaba de registrar su julio más seco registrado. Pero no hubo escasez de nubes: habrá habido una pequeña probabilidad de una lluvia en el pronóstico, un indicio de lluvia en la aplicación de radar meteorológico, o habrá visto una nube cúmulo particularmente jugosa en el cielo acercándose tentadoramente a usted antes. desapareció en el aire. Te preguntas por qué había una promesa de lluvia hace unas horas o incluso unos momentos, y trajiste tu ropa o te pusiste el poncho sin ningún motivo. ¿Qué pasó con esa nube?

Lo primero que hay que tener en cuenta es que las nubes tienen bordes que, aunque no siempre son fáciles de definir, para un cúmulo se puede imaginar dónde termina el blanco de la nube y comienza el azul del cielo. En este sentido, la nube se define por la presencia de gran cantidad de gotitas líquidas debido a la saturación del aire, es decir, condiciones de mucha humedad, y el cielo azul –al que nos referimos como el “ambiente”– por la ausencia de gotitas, debido al aire que está subsaturado. La segunda realización es que las nubes siempre están cambiando y no solo objetos estáticos que avanzan lentamente por el cielo. Considerar este lapso de tiempo de cúmulos frente a la costa cerca de Miami e intente enfocarse en una sola nube: ¡vea cómo crece y luego se disipa!

Observe cómo cada nube se compone de varios pulsos consecutivos, cada uno con sus propias ondas (de menor escala). Si uno de esos pulsos es lo suficientemente vigoroso, puede conducir a un crecimiento más profundo y, en última instancia, a la lluvia. Pero el borde de la nube no es sólido: a través de la mezcla turbulenta de esos pulsos y olas, el aire ambiental queda atrapado dentro de las nubes, lo que fomenta la evaporación de las gotas e inhibe el crecimiento de las nubes. La convección de cúmulos sobre el Reino Unido generalmente no se comporta de una manera tan fotogénica, ya que a menudo resulta de sistemas meteorológicos a escala sinóptica en lugar de locales, pero observamos procesos similares.

¿Por qué, entonces, a menudo se pronostican lluvias que no se materializan? (1) Considere que el cúmulo individual tiene aproximadamente un kilómetro de ancho y un kilómetro de profundidad. Los pulsos individuales son más pequeños que eso y las olas son aún más pequeñas, «… y los remolinos pequeños tienen remolinos menores y así hasta la viscosidad» (LFRichardson, 1922): estamos estudiando procesos turbulentos complejos en una amplia gama de escalas, desde más de un kilómetro a menos de un centímetro. Los modelos de pronóstico operativo se ejecutan en longitudes de cuadrícula de alrededor de 1 km, lo que convertiría la nube cúmulo individual en un solo cuboide al estilo de Minecraft. Los procesos turbulentos que son tan importantes para el desarrollo y la disipación de las nubes están parametrizados: una combinación de variables en la escala de cuadrícula, incluida la temperatura, la humedad y los vientos, informará la cantidad de mezcla de aire ambiental que se produce. Desafortunadamente, nuestros modelos son muy sensibles a la elección de los parámetros, lo que afecta la duración, la intensidad e incluso las formas tridimensionales de las lluvias y tormentas eléctricas previstas (Stein et al. 2015). Además, es difícil observar los procesos relevantes utilizando mediciones disponibles de forma rutinaria.

En la Universidad de Reading, estamos explorando formas de capturar los procesos turbulentos y dinámicos en las nubes utilizando radares Doppler orientables. Los radares Doppler orientables se pueden apuntar directamente a la nube de interés, lo que nos permite probarla una y otra vez y estudiar su desarrollo (ver, por ejemplo, esta animacion, creado por Robin Hogan a partir de escaneos usando el Radar Meteorológico Avanzado de Chilbolton). Las mediciones Doppler nos brindan vientos en la línea de visión donde pequeñas variaciones son indicativas de circulaciones turbulentas y el seguimiento de estas variaciones de escaneo a escaneo nos permite estimar la corriente ascendente dentro de la nube (Hogan et al. 2008 (4)). Mientras tanto, la distribución de las mediciones Doppler en un solo lugar nos informa la intensidad de la turbulencia en términos de tasa de disipación de remolinos, que podemos usar para evaluar los modelos de pronóstico (Feist et al. 2019). Combinados, obtenemos una vista única de nubes que evolucionan rápidamente, como la tormenta eléctrica en la figura a continuación.

Figura: Pulsos de corriente ascendente detectados utilizando recuperaciones de radar Doppler para una nube cumulonimbus. Cada panel muestra parte de un escaneo con el tiempo indicado en la parte superior, la distancia horizontal en el eje x y la altura en el eje y. Los colores muestran la tasa de disipación de remolinos, una medida de la intensidad de la turbulencia, siendo el rojo indicativo de la turbulencia más intensa, utilizando el método de Feist et al. (2019). Los contornos muestran la velocidad vertical y las flechas indican el campo de viento, utilizando un método adaptado de Hogan et al. (2008). La línea de puntos que atraviesa los paneles indica un movimiento vertical de 10 metros por segundo. Adaptado de La tesis de Liam Till.

Hay numerosas razones por las que las nubes aparecen donde lo hacen, pero es evidente que la turbulencia juega un papel importante en el ciclo de vida de las nubes. Al sondear nubes individuales y enfocarnos en los procesos turbulentos internos, podemos comprender mejor dónde y cuándo importa la turbulencia. Nuestro análisis de radar continúa informando el desarrollo del modelo (Stein et al. 2015) y, en última instancia, permite una mejor toma de decisiones, ya sea traer la ropa o posponer un viaje debido a lluvias torrenciales.

Nota:
(1) Además de los procesos físicos considerados en este blog, también existen limitaciones a la previsibilidad, que se explican claramente aquí: https://blogs.reading.ac.uk/weather-and-climate-at-reading/2019/dont- siempre-culpa-al-meteorólogo/

Referencias:

Feist, MM, Westbrook, CD, Clark, PA, Stein, THM, Lean, HW y Stirling, AJ, 2019: Estadísticas de turbulencia de nubes convectivas a partir de un método integral de recuperación de turbulencia para observaciones de radar. Meteorol QJR. Soc., 145727–744. https://doi.org/10.1002/qj.3462

Hogan, RJ, Illingworth, AJ y Halladay, K., 2008: Estimación de flujos de masa y momento en una línea de cumulonimbus usando un solo radar Doppler de alta resolución. Meteorol QJR. Soc., 1341127-1141. https://doi.org/10.1002/qj.286

Richardson, LF, 1922: Predicción del tiempo por proceso numérico. Prensa de la Universidad de Cambridge.

Stein, THM, Hogan, RJ, Clark, PA, Halliwell, CE, Hanley, KE, Lean, HW, Nicol, JC y Plant, RS, 2015: Proyecto DYMECS: un enfoque estadístico para la evaluación de tormentas convectivas en alta -Resolución de modelos NWP, Boletín de la Sociedad Meteorológica Americana, 96(6)939-951. https://doi.org/10.1175/BAMS-D-13-00279.1