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 (64oN, 69oW) 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; 61oN, 135oW). 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 redaction] Une methode d'apprentissage automatique pour integrer les observations des supersites de l'Arctique et diagnostiquer la presence d'elements meteorologiques. La detection et la quantification precises des precipitations legeres posent probleme, en particulier dans la region arctique. Les observations satellitaires et terrestres des precipitations legeres sont souvent sous-estimees aux hautes latitudes. La teledetection et les observations in situ du supersite d'Iqaluit, au Nunavut (64oN, 69oW) ont ete integrees pour former, etablir et valider un modele de foret aleatoire (FA) qui peut diagnostiquer le type de precipitations et d'autres occurrences d'elements meteorologiques. Des observations provenant de multiples lidars, de disdrometres optiques, de pluviometres traditionnels et de rapports d'aerodromes meteorologiques (METAR) de 2015 a 2020 ont ete integrees et utilisees dans l'elaboration du modele de foret aleatoire. Le modele a ete mis a l'essai a Iqaluit, valide sur differentes periodes et applique a une autre region (Whitehorse, Yukon; 61oN, 135oW). Les resultats denotent l'importance d'observations precises de la visibilite pour mettre a l'essai le modele. Dans l'ensemble, le modele FA a ete capable de distinguer les types de precipitations et a montre qu'il pouvait etre utilise sur tous les sites/reseaux ou des instruments automatises et rentables similaires sont deja deployes (p. ex. sites radar, aeroports dotes de ceilometres, etc.). Cela permettrait de reduire la dependance a l'egard des METAR tout en ameliorant la precision de l'occurrence des elements meteorologiques.