A Machine-Learning Method to Integrate Arctic Supersite Observations and Diagnose Weather Element Occurrence.

The accurate detection and quantification of light precipitation is problematic, particularly in the Arctic region. Satellite and ground-based observations of light precipitation are frequently underestimated at high latitudes. Remote sensing and in-situ observations from the Iqaluit, NU supersite (64^oN, 69^oW) were integrated to train, develop, and validate a random forest (RF) model that can diagnose precipitation type and other weather element occurrences. Observations from multiple lidars, optical disdrometers, traditional precipitation gauges and meteorological aerodrome (METAR) reports from 2015–2020 were integrated and used in the RF model development. The model was trained at Iqaluit, validated over different time periods, and applied to another region (Whitehorse, YT; 61^oN, 135^oW). Results indicate the importance of accurate visibility observations to train the model. Overall, the RF model was capable of distinguishing precipitation types and demonstrated the potential to be used at all sites/networks where similar automated and cost-effective instruments are already deployed (e.g. radar sites, airports with ceilometers, etc.). This would reduce the dependency on METARs while improving weather element occurrence accuracy. [Traduit par la rédaction] Une méthode d'apprentissage automatique pour intégrer les observations des supersites de l'Arctique et diagnostiquer la présence d'éléments météorologiques. La détection et la quantification précises des précipitations légères posent problème, en particulier dans la région arctique. Les observations satellitaires et terrestres des précipitations légères sont souvent sous-estimées aux hautes latitudes. La télédétection et les observations in situ du supersite d'Iqaluit, au Nunavut (64^oN, 69^oW) ont été intégrées pour former, établir et valider un modèle de forêt aléatoire (FA) qui peut diagnostiquer le type de précipitations et d'autres occurrences d'éléments météorologiques. Des observations provenant de multiples lidars, de disdromètres optiques, de pluviomètres traditionnels et de rapports d'aérodromes météorologiques (METAR) de 2015 à 2020 ont été intégrées et utilisées dans l'élaboration du modèle de forêt aléatoire. Le modèle a été mis à l'essai à Iqaluit, validé sur différentes périodes et appliqué à une autre région (Whitehorse, Yukon; 61^oN, 135^oW). Les résultats dénotent l'importance d'observations précises de la visibilité pour mettre à l'essai le modèle. Dans l'ensemble, le modèle FA a été capable de distinguer les types de précipitations et a montré qu'il pouvait être utilisé sur tous les sites/réseaux où des instruments automatisés et rentables similaires sont déjà déployés (p. ex. sites radar, aéroports dotés de céilomètres, etc.). Cela permettrait de réduire la dépendance à l'égard des METAR tout en améliorant la précision de l'occurrence des éléments météorologiques. [ABSTRACT FROM AUTHOR]