Fordonsbaserade mätningar av meteorologiska parametrar kan ge detaljerad väderinformation från en större täckande yta. Dagens bilar har redan flera monterade sensorer som kan användas för att skapa sådan information, exempelvis temperaturgivare eller vindrutetorkarnas hastighet som ett mått på nederbördsintensitet. Det finns även utrustning som kan monteras in och som efter vissa beräkningar ger däckens friktion mot underlaget. Om mätdata skickas direkt från fordonet till en databas kan väderinformationen tillhandahållas i realtid. I det här projektet utvärderas meteorologisk mätdata från sådana fordonsbaserade sensorer. Mätdata från en leverantör bearbetas och två perioder med mätdata från Göteborgsområdet undersöks. En längre period med mätningar från ett fordon och en kortare period med flera fordon. Den mätdata som används innehåller information om temperaturen och friktionskoefficienten. Arbetet har lett fram till en första metod för databehandling av fordonsbaserad mätdata, då ingen standardiserad metod finns ännu. En statistisk analys görs av mätdatas kvalitet, genom jämförelse med analysmodellen MESAN (Mesoskalig analys) samt genom jämförelse med data från VViS-stationer (VägVäderInformationsSystem). Det görs också en undersökning av korrelationer av temperaturdifferensen mellan fordon och MESAN med olika meteorologiska faktorer. De fordonsbaserade mätningarna har hög korrelation med modellen och stationerna, men visar generellt en högre temperatur. Bildata visar potentiellt också fler meteorologiska detaljer. Temperaturskillnaden är större i Göteborg centrum än utanför, vilket till stor del beror på fenomenet stadsvärmeö som inte representeras explicit i modellen. Temperaturskillnaden är också större vid högre temperaturer, som kan förklaras med vägarnas högre albedo och mindre evapotranspiration jämfört med omgivningen. En klimatologisk kartläggning av friktionskoefficienten har gjorts för månaderna februari till augusti samt för november. I det här arbetet syns inget tydligt samband mellan friktionskoefficienten och andra meteorologiska parametrar. Detta kan bero på den stora mänskliga påverkan på friktionen, exempelvis genom vinterväghållning. För att minska osäkerheten i resultaten krävs mer mätdata både i tid och rum, vilket kan betyda att mätdata från flera leverantörer bör analyseras. Att använda temperaturdata med större noggrannhet ökar potentialen att upptäcka fler och tydligare samband mellan temperaturen och de andra meteorologiska parametrarna som undersöks i den här studien. / Environmental measurements from vehicle-based networks could provide detailed weather information from a greater area. The cars of today already have several sensors that could be used to create such data. For example thermometers and the speed of the windshield wipers as a measure of intensity of precipitation. There also exists sensors that could be mounted on to the car, which after calculations shows the amount of friction between the tires and the ground. If the data were to be sent directly to a database real time weather information could be provided. In this project the meteorological data from such vehicle-based sensores is assessed. Data from one provider is processed and two sets of data from the Gothenburg area in Sweden are analyzed. One set which contains data from a longer time period, with observations from only one vehicle. The other set contains data from a shorter time period with observations from several vehicles. The data collected contains information about air temperature and the coefficient of friction. This project has led to a first method of processing data from vehicle-based measurements, since no such standardized method yet exists. A statistical analysis of the quality of the observations was implemented by means of comparison with the analysis model MESAN (Mesoscale Analysis) and with observations from VViS-stations (VägVäderInformationsSystem). In addition an analysis of the correlation of the temperature difference between the vehicle and MESAN with some meteorological parameters were made. The vehicle-based measurements have a high correlation with the model and the stations but measures higher temperatures in general. The vehicle data potentially also shows more meteorological details. The difference in temperature is larger closer to the center of Gothenburg city than outside, in large part due to the phenomenon called Urban heat island which is not represented explicitly in the model. The temperature differences are also greater at higher temperatures, and can be explained by the higher albedo of the roads and less evapotranspiration compared to the surrounding environment. Climatological mapping of the coefficient of friction during February to August and during November were plotted. In this study no relation between the coefficient of friction and other meteorological parameters were found. This could be due to the human impact on friction, for example through snow clearing. To decrease the uncertaincy of the results more measurements are required both in time and space, which could infer that data from more providers would be needed. To use temperature data with higher accuracy increases the potential of finding more and more evident relations between the temperature and the other meteorological parameters that are analysed in this study.

Accurate precipitation-type forecasts are essential in many areas of our modern society andtherefore there is a need to develop proper working methods for this purpose. Focus of thiswork has been to study important physical processes decisive in deciding both the temperatureof the precipitation particles, hence affecting their phase, and the surrounding air. Two majorlatent heating effects have been emphasized, melting effect and cooling byevaporation/sublimation. Melting of the snow flakes subtracts heat from the surroundings andhence acts as a cooling agent. Phase transformation from solid/liquid into the gas phase alsoneeds heat which here results in a cooling tendency. These two mechanisms may sometimeshave a crucial influence for deciding the correct precipitation-type. The melting effect isdiscussed in a paper about a snow event in Tennessee in USA, and another paper describingan event in Japan showing the influence of the evaporation/sublimation process. In the lattercase the wet-bulb temperature, Tiw as a physical correct discriminator between snow and rainis obtained. A numerical weather prediction model (HIRLAM) is being used to study differentcondensation schemes during three weather situations occurring in Sweden. These areRasch/Kristjánsson condensation scheme, Sundqvist original condensation scheme and amodification of the latter scheme. In the modified Sundqvist condensation scheme the Tiw hasbeen implemented as a limit temperature between snow and rain. The results are showingdifferences between the two main schemes concerning the total precipitation (both snow andrain). Comparisons between Sundqvist condensation scheme and this modified version, calledSundqvist scheme with Tiw show that this latter version creates slightly more snow.Differences between them are largest in dryer areas. Differences in the snow accumulationincrease when the forecast length increases. That makes them harder to be compared to snowanalyses from MESAN (mesoscale analysis) because the analyses is partly based ondifferences in the snow depth and this cannot be directly compared to amount of newly fallensnow especially when surface air temperatures are above freezing. Deviations from the dataanalyses are obtained in both Sundqvist and Sundqvist scheme with Tiw but in some regionsthe latter is in better agreement with measurements. Further work is needed in precipitationtypestudies but the physical correct value with Tiw = 0 ºC as melting temperature used inSundqvist with Tiw scheme is an interesting project for the future in the field of precipitationtypeforecasting. / Sammanfattning av ”Regn eller snö? En fråga om våta temperaturen” Noggranna prognoser beträffande nederbördstyp är väldigt viktiga inom många områden isamhället. Det finns därför ett behov att utveckla bra metoder att avgöra om nederbördenfaller som regn eller snö. Viktiga fysikaliska processer är avgörande för nederbördens och denomgivande luftens temperatur; processernas kritiska betydelse för dess fas har satts i fokus.De två största latenta värmeeffekterna, avkylning genom smältning och genomavdunstning/sublimation har betonats. Smältning av snöflingorna extraherar värme frånomgivningen och därmed sänks temperaturen. Avdunstning och sublimation erfordrar värmeför fastransformation vilket även här tas från omgivningen och därmed en kylande effekt somföljd. Dessa två latenta värmeeffekter har ibland kritisk betydelse för nederbördstypen vidmarkytan och detta diskuteras dels i en artikel om en vädersituation från Tennessee (Kain etal., 2000) där smälteffekten fick avgörande betydelse för nederbördsfasen vid markytan, dels istudier från Japan där betydelsen av avdunstning och sublimation på nederbördstypenbetonats (Matsuo and Sasyo, 1981). I det senare fallet tydliggörs isobara våta temperaturenoch dess betydelse som diskriminator mellan regn och snö. En numerisk vädermodell (HIRLAM) har använts för att studera olika typer avkondensationsscheman och deras betydelse för nederbörden under tre olika väderskeenden iSverige. Dessa är Rasch/Kristjánssons kondensationsschema, Sundqvistskondensationsschema samt en något ändrad variant av Sundqvists kondensationsschema dären subrutin för beräknandet av Tiw har implementerats och ersatt den vanliga temperaturen iden del av schemat som beräknar smältning av nederbörd i fast form. Smälttemperaturen harsedan satts till 0ºC. Resultatet visar skillnader mellan Rasch/Kristjánssons schema ochSundqvists schema beträffande total 12 timmars nederbörd (regn och snö). Vissa periodertenderar Sundqvists kondensationsschema att överproducera nederbörden medan under andraperioder är det Rasch/Kristjánssons schema, som överproducerar jämfört mednederbördsobservationer. Jämförelser mellan Sundqvists schema och Sundqvists schema medTiw visar att den senare producerar mer ackumulerad snömängd med de största skillnaderna iområden som avviker mest från mättnad (100 %). Där finner vi också större differensermellan den vanliga temperaturen och Tiw. Skillnaden blir större när vi ökar den totala tiden förackumulerad snömängd men dessa värden blir då också svårare att verifiera med snöanalyserfrån MESAN. Detta då snöanalyserna bygger på skillnader mellan aktuell och föregåendeobserverade snödjup. Detta behöver ej alls vara lika med den verkliga mängden nysnö somfallit, speciellt under mätperioder då det är plusgrader. Avvikelser från snöanalyserna kannoteras i både Sundqvists schema och Sundqvists schema med Tiw. I vissa regioner är docksnöprognosen från den senare något bättre. Det fysikaliskt korrekta värdet av Tiw = 0ºC somsmältgräns mellan regn och snö istället för den vanliga temperaturen, utgör grunden förintressanta framtida studier beträffande nederbörd och nederbördstyp.

Previous studies, such as van der Veen (2012) and White et al. (2017), have demonstrated the potential of using measurement-based cloud data to improve Numerical Weather Prediction (NWP) based cloud forecasts. This can be done through cloud initialization; a process of injecting cloud data after the regular data assimilation in an NWP model. The purpose of this study was to use cloud data from the Mesoscale Analysis system MESAN to investigate cloud initialization in the HARMONIE-AROME model system for improving short-range cloud forecasts. The cloud initialization method that was used was similar to a method used by van der Veen (2012), where specific humidities, temperatures, and hydrometeor concentrations were altered using information on cloud fractions, cloud base heights and cloud top heights. MESAN input data analyses as well as cloud initialization investigations were carried out. MESAN input data analyses revealed significant differences in cloud fractions between MESAN and the background model field in MESAN. Overestimations of cloud fractions in MESAN over sea were caused by satellite data, particularly due to the inclusion of the fractional cloud category. Underestimations of cloud fractions over land were caused by limitations of the synoptic weather (SYNOP) stations in measuring clouds. Furthermore, larger differences between MESAN and SYNOP were found over Sweden and Finland compared to Norway, which may be tied to Norway having mostly manual SYNOP stations, and Sweden and Finland having mostly automatic stations. Shortcomings were found in the investigated cloud initialization method. Such shortcomings involved a limit check on the specific humidity change, the cloud initialization being repeated for an unnecessarily large amount of iterations, and the use of a sub-optimal profile of critical relative humidity. Using a one-dimensional vertical column version of HARMONIE-AROME, named MUSC, to integrate forward in time revealed a large sensitivity to the use of forcing profiles and forcing time scales in MUSC. Alterations made through cloud initialization were found to last over 12 h, with varying effects depending on the investigated height. A reasonably good agreement between MUSC results and results from the three-dimensional version of HARMONIE-AROME was found. Findings in this thesis point at potential to further enhance the HARMONIE-AROME cloud initialization technique. These enhancements concern a revised MESAN cloud product and taking care of some flaws in the cloud initialization method. / I en operationell vädermodell inkluderas olika mätdata, såsom temperatur och atmosfärstryck, i ett regelbundet intervall. Molnighet är inte vanligtvis en del av dessa cykler; istället bildas molnen av modellen utifrån balanser i de andra fysikaliska fälten. Detta projekt gick ut på att direkt införa molnmätningar från väderanalyssystemet MESAN i vädermodellsystemet HARMONIE-AROME genom en metod som kallas molninitialisering. Specifikt förbättringar för korttidsprognoser var av i ntresse. MESAN är ett system vars produkter är en sammanslagning av ett bakgrundsfält från en vädermodellkörning med olika mätdata. I MESAN kommer molndata från tre källor: bakgrundsfältet, satellitdata och synoptisk väderstationsdata (SYNOP-data). Undersökningar av indata till MESAN samt molninitialiseringsmetoden har utförts. Analyser av indata till MESAN visade på överskattningar av moln i satellitdata över hav och underskattningar av moln i SYNOP-data över land. För satellitdatat berodde detta på medtagande av moln på liten skala eller väldigt tunna moln, medan det för SYNOP berodde på begränsningar i mätmetoderna. Det fanns även en skillnad i kvalitet i SYNOP-data i Sverige och Finland gentemot Norge, vilket kan bero på att de flesta mätstationer i Norge är manuella medan de flesta i Sverige och Finland är automatiska. Molninitialiseringsmetoden bestod i att extrahera data om molnbashöjd och molntopphöjd från MESAN, och sedan modifiera fuktighet, temperatur och hydrometeorer (såsom molndroppar och iskristaller) i HARMONIE-AROME utifrån molnens position. Brister i metoden hittades. Initialiseringsprocessen upprepades ett suboptimalt antal gånger. En begränsning i hur mycket fuktigheten tillåts modifieras förändras under initialiseringsprocessen och fungerade inte som avsett. Dessutom, jämförese med radiosonddata pekar på att relativa fuktighetsgränserna för villket moln bildas inledningsvis inte ansattes korrekt. Effekterna av metoden kunde vara i över 12 timmar, men denna studie pekar på ytterligare troliga förbättringsmöjligheter i HARMONIE-AROME genom införande av reviderad version av metoden samt förbättrade satellitprodukter.

Denna forskningsansats undersöker genomförbarheten i att prediktera lavinfara med hjälp av ma-skininlärning i form avXGBoostoch väderdata. Lavinprognoser och meterologisk vädermodelldata harsamlats in för de sex svenska fjällområden där Naturvårdsveket genomlavinprognoser.sepublicerar lavin-prognoser. Lavinprognoserna har hämtats frånlavinprognoser.seoch den vädermodelldata som användsär hämtad från prognosmodellen MESAN, som produceras och tillhandahålls av Sveriges meteorologiskaoch hydrologiska institut. 40 modeller av typenXGBoosthar sedan tränats på denna datamängd, medsyfte att prediktera olika aspekter av en lavinprognos och den övergripande lavinfaran. Resultaten visaratt det möjligt att prediktera den dagligalavinfaranunder säsongen 2018/19 i Södra Jämtlandsfjällenmed en träffsäkerhet på 71% och enmean average errorpå 0,295, genom att applicera maskininlärningpå väderleken för det området. Värdet avXGBoosti sammanhanget har styrkts genom att jämföradessa resultat med resultaten från den enklare metoden logistisk regression, vilken uppvisade en sämreträffsäkerhet på 56% och enmean average errorpå 0,459. Forskningsansatsens bidrag är ett ”proof ofconcept” som visar på genomförbarheten av att med hjälp av maskininlärning och väderdata predikteralavinprognoser. / This research project examines the feasibility of using machine learning to predict avalanche dangerby usingXGBoostand openly available weather data. Avalanche forecasts and meterological modelledweather data have been gathered for the six areas in Sweden where Naturvårdsverket throughlavin-prognoser.seissues avalanche forecasts. The avanlanche forecasts are collected fromlavinprognoser.seand the modelled weather data is collected from theMESANmodel, which is produced and providedby the Swedish Meteorological and Hydrological Institute. 40 machine learning models, in the form ofXGBoost, have been trained on this data set, with the goal of assessing the main aspects of an avalan-che forecast and the overall avalanche danger. The results show it is possible to predict the day to dayavalanche danger for the 2018/19 season inSödra Jämtlandsfjällenwith an accuracy of 71% and a MeanAverage Error of 0.256, by applying machine learning to the weather data for that region. The contribu-tion ofXGBoostin this context, is demonstrated by applying the simpler method ofLogistic Regressionon the data set and comparing the results. Thelogistic regressionperforms worse with an accuracy of56% and a Mean Average Error of 0.459. The contribution of this research is a proof of concept, showingfeasibility in predicting avalanche danger in Sweden, with the help of machine learning and weather data.