Abstract     Predicting   the   timing   and   location   of   lightning   initiation   is   a   challenging   but   important   task   for   operational   meteorology,   as   many   people   are   killed   or   injured   each  year  by  lightning.    The  advent  of  the  GOES-­‐16  satellite  offers  the  potential  for   new  answers  to  this  challenge.  This  study  takes  advantage  of  newly  available  high-­‐ resolution  infrared  imagery  from  GOES-­‐16,  along  with  lightning  data  from  ground-­‐ based   detection   systems,   in   order   to   determine   any   features   or   trends   that   might   help   predict   the   onset   of   lightning   in   the   cloud.     Using   an   operational   NWS   AWIPS   workstation,  cloud  temperature  data  for  over  60  thunderstorm  cells  in  four  regions   of   the   CONUS   were   collected   at   5-­‐minute   intervals   and   entered   into   spreadsheets,   along   with   5-­‐minute   total   lightning   counts.     The   data   collection   period   for   each   storm   was   30   minutes   before   lightning   initiation   to   30   minutes   after.     Preliminary   results   indicate   that   lightning   initiation   in   storms   over   the   US   Northeast   and   Midwest   occurs   with   cloud   temperatures   in   the   range   -­‐20   °C   to   -­‐40   °C,   averaging   about     -­‐30   °C.     However   for   storms   in   the   Southeast,   Great   Plains   and   Rockies   the   corresponding   temperatures   were   colder,   averaging   about   -­‐40   °C   to   -­‐45   °C.     The   period   of   most   rapid   cooling   typically   begins   a   few   minutes   before   lightning   initiation  but  also  continues  for  some  time  after.  Further  efforts  to  relate  lightning   initiation   temperature   to   environmental   factors   have   thus   far   been   generally   inconclusive.                                                             Aaron  Haegele   Meteorology,  Geology  Minor   Dr.  M.  Majcen,  Dr.  C.  Kauffman,  Dr.  G.  Gould,  Bill  Meloy   Keywords:  Lightning,  Remote  Sensing,  GOES-­‐16,  Cloud-­‐top  Temperature         Acknowledgements       I  would  like  to  thank  my  Thesis  Advisor  Dr.  Mario  Majcen  and  my  Thesis  Committee   members  consisting  of  Dr.  Chad  Kauffman,  Dr.  Greg  Gould,  and  Bill  Meloy.  I  would   also  like  to  express  my  gratitude  towards  the  University  Honors  Program  (UHP)  at   California  University  of  Pennsylvania  for  the  unparalleled  opportunities  given  to  me.   I  would  also  like  to  extend  my  gratitude  to  the  staff  of  the  National  Weather  Service   Office  in  Philadelphia/Mt.  Holly  NJ  for  aiding  in  my  research  during  my  internship  in   the  summer  of  2017.  Finally  I  would  like  to  recognize  the  NOAA  Ernest  F.  Hollings   Undergraduate  Scholarship  Program  for  providing  me  with  tuition  assistance  to   support  me  during  my  studies  at  California  University  of  Pennsylvania  as  well  as  a   paid  research  internship  in  the  summer  of  2017.                                                                                                                                                                                 Haegele     1   1.    Introduction     Lightning  is  one  of  the  most  spectacular  weather  phenomena,  yet  our   scientific  knowledge  of  exactly  how  and  when  it  will  occur  remains  an  elusive   research  problem.  Each  year  lightning  strikes  the  United  States  about  25  million   times  and  is  responsible  for  striking  400+  people  causing  about  47  fatalities  and   hundreds  of  injuries  in  the  U.S.  alone  (NOAA  2015).  Annually,  lightning  causes   numerous  economic  impacts  including  damages  of  $1  billion  in  insured  losses   (NOAA  2010),  $2  billion  in  aviation  operating  costs  (Golding  2005),  thirty  percent  of   all  power  outages  in  the  U.S.  (Crum  and  Forster  2014),  and  24,600  fires,  both  house   and  wildfire,  averaging  about  $407  million  in  damages  and  an  additional  16   fatalities  (Ahrens  2013).  The  need  to  better  understand  inter-­‐related  lightning   processes  and  be  able  to  predict  the  onset  of  lightning  is  critical  to  ensuring  the   safety  of  both  life  and  property.       a. Lightning  as  a  Risk/Danger   Lightning  and  related  threats  pose  serious  risks/dangers  to  people,  various   business  enterprises,  and  the  environment  in  the  United  States  and  around  the   globe.  In  the  United  States,  lightning  strikes  are  annually  responsible  for  about  47   fatalities  and  hundreds  of  injuries,  with  the  greatest  concentration  in  Florida  (NOAA   2015).  Despite  the  fact  that  the  U.S.  population  has  increased  by  about  a  factor  of   four  since  the  early  twentieth  century,  lightning  fatalities  have  decreased  from  more   than  400  to  less  than  50.  During  these  years,  large  improvements  in  the  quality  of   buildings,  workplace  environment,  and  overall  knowledge  and  education  of  weather                                                                                                                                                                                 Haegele     2   amongst  the  public  and  scientists  have  lead  to  a  decrease  in  fatalities.  Lightning   fatality  incidents  have  shifted  from  agriculture  and  other  outdoor  work  to  largely   outdoor  recreation  incidents  (Holle  2016).     Globally,  lightning  fatality  records  are  much  less  complete.  One  study  by   Cardoso  et  al.  (2011)  estimates  6000  global  fatalities  and  another  study  by  Holle   and  Lopez  (2003)  estimates  as  much  as  24,000  annual  fatalities.  The  amount  of   annual  lightning  related  fatalities  differ  greatly  between  developed  and  developing   countries.  Lesser-­‐developed  countries  have  less  accessible  lightning  safe  structures,   lack  of  awareness  or  education  about  lightning  safety,  and  high  rate  of  labor-­‐ intensive  manual  agriculture  (Holle  2016).    Many  developing  countries  lie  near  the   equator  and  the  Inter-­‐Tropical  Convergence  Zone  (ITCZ),  making  the  population   prone  to  frequent  lightning  threats.  The  combination  of  frequent  lightning  threats   alongside  poor  infrastructure  and  lifestyles  prone  to  the  dangers  of  lightning  (i.e.   agriculture  based  economy  focused  on  manual  labor,  poor  education,  and  lack  of   scientific  knowledge)  cause  many  developing  countries  to  have  the  greatest   amounts  of  annual  lightning  fatalities  (Holle  2016).  In  the  United  States  about  0.3   people  in  1  million  die  from  lightning  strikes.  Similarly  in  European  countries  the   figure  is  about  0.2  per  million,  however  in  Zimbabwe  it  is  about  20  per  million  and   in  Malawi  it  is  84  per  million  (Mulder  et  al.  2012).   Lightning  is  responsible  for  24,600  fires  each  year  (including  house  and   wildfires)  causing  about  $407  million  in  damage,  upwards  of  $1  billion  in  insured   losses  and  an  additional  16  fatalities.  Lightning-­‐caused  house  fires  represent  about   5%  of  all  residential  claims,  averaging  about  1  claim  for  every  57  lightning  strikes.                                                                                                                                                                                 Haegele     3   In  1996,  the  National  Park  Service  alone  reported  517  lightning  caused  fires  with  a   total  cost  of  damages  of  over  $19.5  million.  (Crum  and  Forster  2014).  Wildfires   started  by  lightning  burn  an  average  of  5.5  million  acres  annually  (NOAA  2012).   Lightning-­‐caused  wildfires  tend  to  be  larger,  burning  on  average  402  acres,  as   opposed  to  human-­‐caused  wildfires  fires,  which  burn  45  acres  (Ahrens  2013).       Lightning  related  threats  affect  U.S.  industry,  especially  the  aviation  and   energy  enterprises.  Each  year,  lightning  and  related  thunderstorm  risks  are   responsible  for  $2  billion  in  aviation  operating  costs  and  passenger  delays.   Thunderstorm  weather  hazards  are  responsible  for  an  average  of  10  million   minutes  of  delay  annually  for  U.S.  airports  (Golding  2005).  Lightning  poses  a  serious   safety  risk  to  airport  personnel  that  work  outdoors  servicing  gate-­‐side  aircraft  and   maintaining  airport  grounds.  Safety  procedures  trigger  ramp  closures  and  suspend   outdoor  work  including  baggage  handling,  food  and  fuel  supplying,  mechanical   servicing  and  other  related  work.  There  are  many  uncertainties  in  the  decision   making  process  for  lightning  related  weather  delays,  including  lightning  detection   and  forecasting.  NCAR  (National  Center  for  Atmospheric  Research)  is  working   toward  a  better  characterization  of  the  true  lightning  hazard  that  is  needed  as  a   basis  for  improving  the  safety  of  outdoor  personnel  and  minimizing  avoidable   operational  inefficiencies.    Ongoing  research  is  combining  multiple  sources  of   relevant  information  (e.g.,  radar  and  various  lightning  data)  for  a  robust  diagnosis  of   lightning  threats  in  a  project  called  BoltAlert.  Most  importantly  a  nowcasting   component  is  developed  that  enables  recognition  of  lightning  threats  prior  to  impact   allowing  for  proactive  actions  (NCAR  2017).                                                                                                                                                                                 Haegele     4   Lightning  is  a  frequent  cause  of  power  outages  to  the  United  States  electrical   grid.  Lightning  strikes  can  hit  electrical  equipment  directly  or  indirectly  by  striking   nearby  objects  such  as  trees  that  may  fall  onto  utility  infrastructure.  Lightning  is   responsible  for  about  30%  of  U.S.  power  outages  totaling  about  $1  billion  in  costs.   Other  energy  enterprises  such  as  nuclear  power  plants  and  offshore  oil  rigs  are   often  at  frequent  risks  due  to  lightning  (Crum  and  Forster  2014).         b. Lightning  Processes   Despite  its  global  abundance,  lightning  and  the  electrification  processes,   which  govern  initiation,  are  not  fully  understood.  This  is  largely  because  lightning   formation  processes  are  complex  and  difficult  to  observe  at  all  scales  in  nature.   Lightning  discharges  span  15  orders  of  magnitude  in  scale,  from  atomic-­‐scale   electron  transfer  to  thunderstorm  dynamics  tens  or  hundreds  of  kilometers  in  size   (Harris  et  al.  2010).     Lightning  initiation  is  caused  by  the  electrification  process  within  a   thunderstorm  cloud,  therefore  the  beginning  of  the  electrification  process  begins   with  cloud  dynamics  and  properties  of  a  thunderstorm.  Lightning  is  caused  by   differential  charge  distributions  within  the  thunderstorm  cloud  and  the  ground   surface.  In  simplest  terms,  moisture,  atmospheric  instability,  and  a  lifting   mechanism  are  the  ingredients  for  thunderstorm  development.  Thunderstorms  go   through  life  stages  including  growth,  development,  electrification,  and  dissipation.   Higher  amounts  of  moisture  (generally  dewpoints  greater  than  55  °F),  allow  for   sufficient  latent  heat  release  leading  to  greater  instability.  Atmospheric  instability                                                                                                                                                                                 Haegele     5   allows  air  from  low  levels  of  the  atmosphere  to  rise  into  upper  levels,  supporting   deep  convection  and  thunderstorm  cloud  development.  Various  features  including   frontal  boundaries,  dry  lines,  outflow  boundaries,  upslope  flow,  low-­‐pressure   systems,  differential  heating,  and  low  level  warm  air  or  moisture  advection  may   trigger  lifting  mechanisms  (NWS  2004).     During  the  growth  stage,  rising  moist  unstable  air  leads  to  convective  growth   of  cumulus  clouds  due  to  strong  updrafts.  Continued  growth  occurs  as  the  cumulus   cloud  structure  develops  into  a  towering  cumulus  with  an  anvil  top.  At  the   development  stage,  the  towering  cloud  structures  (containing  mainly  liquid   particles)  rise  above  the  freezing  level  and  critical  temperature  levels  such  as  -­‐15°C   where  glaciation  occurs.  Cloud  droplets  grow  in  size  until  the  updrafts  are  no  longer   able  to  suspend  the  droplets,  at  which  time  precipitation  occurs.  Meanwhile,  cool   dry  air  flows  downward  in  the  cloud  structure  creating  a  downdraft.  At  this  point   the  cloud  structure  is  effectively  called  a  cumulonimbus  cloud  as  it  contains  an   updraft,  downdraft,  and  precipitation.  Once  precipitation  processes  within  the  cloud   have  formed,  different  phased  (water,  mixed,  super-­‐cooled  and  ice)  droplets  create   electric  charges  within  the  cloud,  known  as  the  electrification  stage.  Eventually  the   downdraft  in  the  cloud  structure  becomes  stronger  than  the  updraft  causing  a  net   loss  of  energy  to  the  structure  and  therefore  is  known  as  the  dissipation  stage   (Jensenius  2012).     For  purposes  of  this  study,  the  dynamics  and  processes  leading  up  to  and   during  the  electrification  stage  will  be  presented  in  most  detail.  Many  microphysical   processes  occur  prior  to  yielding  lightning  within  strongly  developed                                                                                                                                                                                 Haegele     6   cumulonimbus  clouds.  Lightning  occurs  in  cold  clouds  containing  water,   supercooled  water,  and  ice.  Initially,  a  convective  cumulus  cloud  contains  only  water   droplets.  However  strong  updrafts  carry  unstable  moist  air  and  water  droplets   above  the  freezing  level.  Precipitation  processes  usually  begin  to  occur  once  cloud   tops  reach  the  freezing  level.  Cloud  droplets  remain  liquid  (supercooled)  until  the   cloud  tops  ascend  to  temperatures  around  the  -­‐15°C  where  freezing  known  as   glaciation  occurs.  Droplets,  under  strong  updraft  environments,  may  continue  to   ascend  into  levels  from  -­‐15°C  to  -­‐25°C.  In  this  region  supercooled  droplets  freeze  to   form  larger  ice  crystals,  graupel,  or  hail.  These  larger  frozen  particles  are  heavy  and   therefore  either  descend  through  the  cloud  or  are  suspended  by  the  updraft.  Lighter   water  droplets  and  ice  crystals  from  lower  levels  in  the  cloud  are  ascended  by  the   updraft  and  collide  with  the  heavier  frozen  particles  in  central  part  of  the  cloud   structure  (Harris  et  al.  2010).     The  collision  of  ascending  liquid  droplets  and  suspended  or  descending  ice   particles  is  largely  believed  to  be  the  reason  for  differential  charge  generation  and   distribution  within  a  thunderstorm  cloud.  Collision  events  are  most  numerous  in  the   mixed  phase  region  of  the  cloud  and  are  proportional  to  the  intensity  of  the  updraft.   The  smaller  ascending  liquid  droplets  and  ice  crystals  become  positively  charged   while  the  larger  suspended  or  descending  frozen  particles  become  negatively   charged.  The  updraft  carries  the  positive  charges  toward  the  top  of  the  cloud  to   temperature  levels  exceeding  -­‐40°C,  while  the  heavier  ice  particles  are  either   suspended  in  the  middle  or  fall  toward  the  lower  part  of  the  cloud  due  to  gravity   and  the  downdraft  (Gremillion  and  Orville  1999).  A  thin  layer  of  positive  charges                                                                                                                                                                                 Haegele     7   develops  at  the  base  of  the  cloud  structure  due  to  warmer  air  temperatures  and   liquid  precipitation  properties.  Figure  1.0  shows  a  typical  charge  distribution  within   a  thunderstorm  cloud.  The  Earth’s  surface  is  naturally  negatively  charged.  However   the  Earth’s  surface  is  influenced  by  charges  within  overlying  clouds.  The  abundant   amount  of  accumulated  negative  charges  within  the  mixed  phase  region  of  clouds   induces  a  proportional  positive  charge  upon  the  ground  surface  (and  anything   touching  the  ground)  beneath  the  thunderstorm  cloud.  The  electric  field  and   gradient  increases  until  the  insulating  properties  of  the  air  break  down,  resulting  in   electric  discharge  in  the  form  of  a  lightning  flash  or  strike.  The  resulting  lightning   discharges  negative  charges  to  one  or  more  locations  on  the  ground  (negative  flash).   Lightning  can  also  be  a  positive  flash  where  there  is  a  discharge  between  positive   charges  within  a  cloud  and  negative  charges  on  the  ground.  Positive  cloud-­‐to-­‐ ground  (CG)  lightning  strikes  are  much  less  common  than  negative  strikes;  90-­‐95%   of  all  CG  lightning  is  negatively  charged  (Harris  et  al.  2010).                                                                                                                                                                                     Haegele     8     Figure  1.0  Charge  Distributions  within  Thunderstorm  Cloud  and  Ground   Surface  (ALDIS  2013)       Electric  discharges  do  not  have  to  connect  differential  charges  from  the  cloud   to  the  ground  surface.  In  fact,  cloud-­‐to-­‐ground  (CG)  lightning  is  less  frequent  than   inter-­‐cloud  and  intra-­‐cloud  (IC)  lightning.  Inter-­‐cloud  lightning  is  caused  by  a   discharge  from  negative  charges  in  one  cloud  to  positive  charges  in  another  cloud   whereas  intra-­‐cloud  lightning  is  caused  by  a  discharge  from  negative  charges  to   positive  charges  within  the  same  cloud.  Intra-­‐cloud  lightning  flashes  tend  to  briefly   neutralize  charge  between  the  upper  positive  and  mid-­‐lower  level  negative  charge   regions  within  the  cloud.  IC  lightning  is  more  abundant  and  usually  precedes  CG   lightning  in  a  thunderstorm    (Medici  et  al.  2017).  A  study  by  Melick  et  al.  (2015)   determined  that  the  total  lightning  across  the  contiguous  U.S.  is  composed  of  85-­‐ 91%  IC  lightning  with  the  small  remainder  composed  of  CG.  Figure  1.1  explains  the                                                                                                                                                                                 Haegele     9   different  types  of  lightning  (e.g.  cloud-­‐to-­‐ground,  inter-­‐cloud  and  intra-­‐cloud)  and   their  respective  charge  distributions.                 Figure  1.1  Different  types  of  lightning  and  respective  charge  distributions   (Beroual  and  Fofana  2016)   c. Forecasting  &  Detection     Operational  meteorologists  use  a  combination  of  radar,  satellite  imagery,  and   even  recently  developed  numerical  weather  models  to  forecast  the  onset  of   lightning.  Over  the  years  much  research  regarding  relationships  between  different   types  of  lightning  and  radar  and  satellite  signatures  have  been  explored.  Many  of   these  studies  have  made  significant  contributions  to  operational  meteorology  and   the  understanding  of  lightning  processes.  Radar  studies  (using  WSR  88-­‐D)    in  the                                                                                                                                                                                 Haegele    10   late  1980s  and  1990s  relating  radar  reflectivity  to  temperature  heights  have  proven   useful  in  determining  CG  lightning  activity.  From  these  studies  it  has  been  widely   accepted  that  lightning  frequently  occurs  when  the  40  dBz  echo  reaches   approximately  the    -­‐10  °C  height  and  also  that  cloud  tops  usually  have  to  exceed  9   km  for  CG  lightning  to  occur.  Michimoto  (1991)  discovered  in  their  study  that  the   first  CG  lightning  discharge  occurred  approximately  five  minutes  after  the  30  dBz   echo  reached  the    -­‐20  °C  height,  therefore  providing  a  possible  proxy  to  the  onset  of   CG  lightning  (Gremillion  and  Orville  1999).    More  recently  a  research  group  from   University  of  Alabama-­‐Huntsville  (UAH)  examined  summertime  lightning  activity   and  found  the  best  index  for  CG  flash  initiation  is  a  25  dBz  echo  at  -­‐20°C,  and  a  25   dBz  echo  at  the  -­‐15  °C  for  IC  flash  initiation  (Mecikalski  et  al.  2013).   Geostationary  satellite  studies  since  the  1990s  have  shown  significant   usefulness  for  nowcasting  the  development  of  severe  storms  and  estimating  storm   intensity  with  lightning  flash  rates.  Infrared  (IR)  interest  fields  from  GOES  satellites   have  proven  to  be  able  to  identify  locations  of  cloud-­‐top  glaciation  within  convective   systems  and  also  identify  locations  of  strong  updrafts,  two  proxies  for  lightning   initiation.  Various  satellite-­‐measured  parameters  including  cloud-­‐top  height,   temperature,  and  phase  have  been  used  to  gain  understanding  of  possible   relationships  to  lightning  initiation  (Mecikalski  et  al.  2013).         Numerical  Weather  Models  such  as  the  Weather  Research  and  Forecasting   Model  (WRF)  contains  derived  variables  such  as  the  potential  electrical  energy  (Ep)   and  lightning  potential  index  (LPI).  The  two  variables  use  similar  microphysical                                                                                                                                                                                 Haegele    11   processes  to  predict  the  possible  production  of  CG  and  IC  lightning  in  convection,   allowing  forecasts  (Lynn  et  al.  2012).   Lightning  detection,  until  the  advent  of  GOES-­‐R,  has  been  observed  by   numerous  ground-­‐based  networks  sensitive  to  electromagnetic  pulses  emitted  by   lightning  strikes.  Cloud-­‐to-­‐ground  lightning  detecting  networks  were  the  first   invented  and  became  operationally  used  starting  in  1989  with  the  implementation   of  the  National  Lightning  Data  Network  (NLDN)  operated  by  Vaisala  Inc.  There  are   numerous  ground-­‐based  networks  but  the  two  used  in  U.S.  operational  meteorology   are  the  NLDN  and  a  newer  system  developed  by  Earth  Networks  called  Earth   Networks  Total  Lightning  Network  (ENTLN).    Most  ground-­‐based  networks  were   originally  only  able  to  detect  CG  strikes  and  not  IC.    The  ENTLN  lead  the  way  in   detecting  total  lightning  and  differentiating  between  CG  and  IC  flashes  (Thompson   et  al.  2014).     Lightning  Mapping  Arrays  (LMA)  provide  3-­‐D  mapping  of  lightning  channels   over  a  specific  area.  Up  to  thousands  of  points  can  be  mapped  for  an  individual   lightning  flash  to  reveal  its  location  and  structure.  LMAs  are  used  extensively  in   research  to  investigate  lightning  characteristics  and  how  it’s  related  to  updrafts,   precipitation  and  severe  storm  processes.  National  research  LMAs  currently  exist  in   Oklahoma,  Texas,  Northern  Alabama,  Washington  D.C.  and  the  Kennedy  Space   Center  (NSSL  2012).   The  Geostationary  Lightning  Mapper  (GLM)  on  board  GOES-­‐R  satellites  is  an   incredibly  powerful  lightning-­‐monitoring  instrument  that  is  capable  of  detecting   and  differentiating  between  lightning  types  at  90%  accuracy.  The  GLM  uses  optical                                                                                                                                                                                 Haegele    12   technology  to  detect  visible  radiances  from  clouds  and  collects  information  such  as   the  frequency,  location,  and  extent  of  lightning  discharges  to  identify  intensifying   thunderstorms  and  tropical  cyclones  (Goodman  et  al.  2013).   Studies  have  shown  lightning  activity  trends  are  related  to  severe  storm   development  and  can  be  used  as  predictors  of  tornados,  excessive  winds,  and  hail   events  (Schultz  et  al.  2011,  Thompson  et  al.  2014,  Medici  et  al.  2017).  Earlier  studies   in  the  1990s  claimed  that  rapid  increases  in  lightning  flash  rates  occur  before  the   onset  of  severe  weather.  These  abrupt  increases  in  rates  have  been  acceptably   named  “lightning  jumps”  within  the  scientific  community.  These  studies  used  CG   lightning  data  due  to  the  ease  of  availability,  high  detection  efficiency,  and  broad   coverage  across  the  United  States  and  other  regions.  With  the  advent  of  newer   lightning  detection  technologies,  more  recent  studies  have  demonstrated  that   trends  in  total  and  IC  lightning  are  more  robustly  correlated  to  severe  weather   occurrences  than  previously  stated  CG  trends  (Medici  et  al.  2017).    A  study  by   Schultz  et  al.  (2011)  found  that  average  lead  times  prior  to  severe  weather   occurrence  were  higher  using  total  lightning  as  compared  with  CG  lightning  (20.6   min  vs.  13.5  min).       2.  Project  Motivation     Previous  studies  such  as  Molinie  et  al.  (2004),  Mecikalski  et  al.  (2010)  Harris   et  al.  (2010),  Sieglaff  et  al.  (2011),  and  Mecikalski  et  al.  (2013)  have  provided  insight   into  the  usefulness  of  relationships  between  satellite  imagery  and   convection/lightning  initiation.  These  studies  investigated  cloud  top  temperatures                                                                                                                                                                                 Haegele    13   and  cooling  rates  in  connection  to  the  onset  of  thunderstorm  development   (convection)  or  lightning  in  order  to  better  predict  the  timing  and  location  of  either   convective  storm  initiation  or  lightning  initiation.    Mecikalski  et  al.  (2010)  used   results  to  formulate  an  algorithm  called  Satellite  Convection  Analysis  and  Tracking   (SATCAST)  system,  which  uses  spatial  temporal  and  spectral  information  from   Geostationary  Operational  Environmental  Satellites  (GOES)  to  identify,  track,  and   monitor  growing  convective  clouds  in  their  pre-­‐convective  state  to  nowcast   convective  initiation.         These  studies  used  older  and  now  outdated  satellite  imagers  including  GOES-­‐ 8,  10,  and  12  and  Meteosat-­‐9.  Mecikalski  et  al.  (2010)  in  regards  to  newer  and  more   capable  forthcoming  imagers  stated,  “Therefore,  developing  an  understanding  that   guides  the  proper  use  of  the  ‘new’  IR  channel  information  to  improve  applications   such  as  CI  &  LI  nowcasting  will  be  needed.”       GOES-­‐R,  the  newest  series  of  satellites  (GOES-­‐16  launched  in  November   2016,  operational  in  December  2017)  provides  new  instruments  capable  of  better   understanding  convection  and  lightning  development  processes.  The  onboard   Advanced  Baseline  Imager  (ABI)  improves  every  product  from  previous  GOES   imagers  and  introduces  a  host  of  new  products.  The  new  ABI  views  Earth  with  16   spectral  bands  (compared  to  5  on  previous  satellites),  including  two  visible,  four   near-­‐infrared  and  ten  infrared  channels.  In  addition  to  the  16  available  channels,  25   derived  products  and  RGB  composites  are  newly  available.  The  GOES-­‐R  series   satellites  provide  3x  more  spectral  information,  4x  better  spatial  resolution  and  are                                                                                                                                                                                 Haegele    14   5x  faster  than  previous  GOES  imagers  (NOAA-­‐NASA  2017).  Figure  2.0  compares  the   GOES-­‐R  Series  ABI  to  the  current  (now  previous)  GOES.       Figure  2.0  Comparison  Table  of  GOES-­‐R  ABI  capabilities  vs.  previous  GOES   (NOAA-­‐NASA  2017)     All  of  these  previous  studies  also  used  either  ground-­‐based  lightning   networks  that  were  capable  of  measuring  cloud-­‐to-­‐ground  strikes  only  or  used   lightning  mapping  arrays  capable  of  detecting  cloud  flashes,  but  very  limited  in   spatial  coverage.  The  GOES-­‐R  series  satellites  carry  a  revolutionary  instrument   called  the  Geostationary  Lightning  Mapper  (GLM),  an  optical  transient  detector   capable  of  detecting  momentary  changes  in  an  optical  scene  indicating  the  presence   of  lightning.  The  GLM  is  the  first  operational  lightning  mapper  in  geostationary  orbit   and  is  able  to  measure  and  discern  IC  and  CG  lightning  flashes.  GLM  observable   trends  in  IC,  CG,  and  total  lightning  provide  critical  information  to  forecasters,                                                                                                                                                                                 Haegele    15   allowing  them  to  focus  on  initial  thunderstorm  development  and  intensifying  severe   storms  before  these  storms  produce  damaging  winds,  hail  or  even  tornados  (NOAA-­‐ NASA  2017).   The  advent  of  GOES-­‐16  (GOES-­‐R  series)  provides  potential  for  new  answers   regarding  the  difficult  operational  meteorology  challenge  of  lightning  prediction.   With  newly  available  instruments  and  capabilities,  this  study  aims  to  determine  any   features  or  trends  in  GOES-­‐16  ABI  imagery,  specifically  cloud-­‐top  temperature,  that   might  help  predict  the  onset  of  lightning  in  the  cloud.    With  GOES-­‐16  launching  in   November  2016  and  the  study  period  being  May-­‐July  2017,  this  study  serves  as  an   initial  research  assessment  of  the  usefulness  and  capabilities  of  GOES-­‐16  products  in   providing  new  insight  for  operational  meteorology.         3.  Data  &  Methods   a. GOES-­‐R  Satellite  Imagery   Using  a  standard  National  Weather  Service  (NWS)  AWIPS  II  (Advanced   Weather  Interactive  Processing  System)  workstation,  GOES-­‐16  ABI  infrared  (IR)   channels  were  examined  to  determine  the  strongest  signal  for  cloud-­‐top  cooling.  IR   channels  are  preferred  because  they  are  not  limited  by  the  amount  of  sunlight  and   therefore  provide  accurate  measurements  both  during  the  day  and  night.  Previous   literature  (Harris  et  al.  2010,  Mecikalski  et  al.  2013)  found  the  legacy  GOES  ABI   “clean  window  IR”  channel  to  be  best.  After  reviewing  all  10  IR  available  channels   from  GOES-­‐16,  it  was  determined  the  best  signals  were  found  in  “long  wave   window”  channels  11,  13,  14,  15,  with  channel  13  (10.3  μm)  “clean  window”                                                                                                                                                                                 Haegele    16   producing  the  strongest  signal.  Channel  13  was  thus  used  for  this  study  as  the  cloud-­‐ top  temperature  measurement  for  all  interested  cells.  Figure  3.0  shows  the  10  IR   channels  responses  to  cloud-­‐top  temperatures  in  respect  to  lightning  initiation   (t=0).  Although  all  10  IR  channels  were  investigated,  the  four  longwave  IR  channels   (shown  in  Figure  3.0  as  blue  lines)  yield  the  most  accurate  cooling  trend  for  cloud-­‐ top  temperatures.         Figure  3.0  Temperature  trends  around  lightning  initiation  for  the  10  GOES-­‐16   IR  channels.    The  four  long-­‐wave  window  channels  (blue)  show  the  greatest   response.  Channel  13  was  used  for  this  study   Following  similar  previous  studies  (Molinie  et  al.  2004,  Sieglaff  et  al.  2011,   Harris  et  al.  2010),  this  study  focused  on  only  isolated  thunderstorm  cells.  Any   embedded  or  multi-­‐cell  thunderstorms  such  as  mesoscale  convective  systems                                                                                                                                                                                 Haegele    17   (MCS),  squall  lines  and  other  linear  features  were  not  included  for  data  quality   purposes.  Multi-­‐cell  and  other  embedded  systems  were  proven  to  disturb  lightning   flash  data  and  made  it  difficult  to  decipher  which  cell  was  responsible  for  the   production  of  lightning.  Isolated  single  cells  made  this  process  much  easier  and   more  accurate.  The  temporal  scale  for  this  study  was  30  minutes  prior  and  after   lightning  initiation  (defined  at  t=0).       GOES-­‐16  ABI  imagery  is  available  for  the  Continental  United  States  (CONUS)   (5000km  x  3000  km)  every  5  minutes  and  at  either  1  minute  or  30  seconds  for   smaller  viewing  regions  known  as  “mesoscale  sectors”  (1000km  x  1000km).  The   mesoscale  viewing  sectors  are  able  to  be  re-­‐positioned  to  focus  on  various  interest   areas  across  the  CONUS  and  even  the  hemisphere.  At  the  time  of  this  study,  GOES-­‐16   was  still  in  preliminary  stage  and  therefore  mesoscale  sector  imagery  often  had  data   blackouts  and/or  were  not  available  due  to  frequent  viewing  jumps  during   instrumentation  tests.  This  study  took  place  from  May-­‐July  2017  and  during  this   time  period  the  mesoscale  sector  was  often  positioned  over  tropical  storms  and/or   severe  storms  of  special  interest.  However,  the  sector  was  re-­‐positioned  frequently,   making  data  collection  for  1  hour  very  unreliable.    For  these  reasons,  the  CONUS  5-­‐ minute  imagery  was  used  because  it  provided  the  most  constant  and  reliable  data   for  cloud-­‐top  temperature  measurements.  Figure  3.1  shows  a  comparison  of  the   cloud  top  temperatures  using  the  legacy  GOES-­‐13  15-­‐minute  (green  triangles)  and   newly  available  GOES-­‐16  5-­‐minute  (red  squares)  and  1-­‐minute  (blue  diamonds)   imagery  during  a  preliminary  investigation.  Note  the  increase  in  data  points  with                                                                                                                                                                                 Haegele    18   the  GOES-­‐16  imagery  and  therefore  the  more  detailed  cooling  trend  as  compared  to   the  legacy  GOES-­‐13  imagery  every  15  minutes.       Figure  3.1  Comparison  example  of  1-­‐min  and  5-­‐min  (GOES-­‐16)  and  legacy  15-­‐ min  (GOES-­‐13)  cloud-­‐top  temperatures  for  one  storm.         b. Lightning  Data     Earth  Networks  Total  Lightning  Network  (ENTLN)  intra-­‐cloud  (IC)  pulses   were  used  for  the  lightning  initiation  data.  Preliminary  investigations  showed  that   IC  pulses  preceded  both  cloud  flashes  and  CG  strikes  and  were  best  proxy  signal  for   initial  cloud  electrification  and  lightning  initiation.  ENTLN  boasts  greater  than  89%   total  lightning  detection  efficiency  for  CONUS  (Liu  and  Heckman  2011).  Combined   with  linked  temporal  scales  to  the  GOES-­‐16  ABI  imagery  and  the  unavailability  of                                                                                                                                                                                 Haegele    19   GOES-­‐16  GLM  data,  ENTLN  is  the  best  alternate  IC  lightning  detection  method  for   the  study.    ENTLN  provides  1-­‐min,  5  minute,  and  15-­‐  minute  lightning  data.  The  5-­‐ minute  data  were  used  because  it  allowed  for  real-­‐time  comparison  of  lightning  data   and  the  GOES-­‐16  ABI  data.  Figure  3.2  shows  an  example  of  sampled  cloud-­‐top   temperatures  and  various  lightning  counts  (using  AWIPS  II)  for  a  cell  near   Baltimore,  MD.  Note  the  equal  time  stamps  for  both  the  ENTLN  and  GOES-­‐16  data.   Also  note  the  offset  in  location  of  the  cloud-­‐top  temperatures  and  lightning  due  to   parallax  from  the  satellite-­‐viewing  angle.       Figure  3.2  Sampled  Cloud-­‐Top  Temperature  of  a  cell  located  near  Baltimore,   MD  and  time  correlated  lightning  data                                                                                                                                                                                             Haegele    20   c. Soundings     Investigations  into  further  understanding  lighting  initiation  relationships   beyond  cloud-­‐top  temperatures  led  to  examining  soundings  for  possible   atmospheric  parameter  relationships.  A  Rapid  Refresh  (RAP)  model  analysis   sounding  corresponding  to  the  approximate  time  and  location  of  each  cell  was   obtained  from  a  freely  available  source  at:  http://mtarchive.geol.iastate.edu.    RAP   soundings  provide  spatially  and  temporarily  efficient  sounding  parameters  easily   displayed  in  BUFKIT  software.  METAR  (Meteorological  Terminal  Aviation  Routine   Weather  Report)  stations  were  displayed  on  AWIPS  II  during  the  sampling  of  cloud-­‐ top  temperatures  and  lightning  data,  making  it  easy  to  determine  close  proximity   sounding  stations.  This  study  selected  sounding  parameters  including  CAPE,  Lifted   Index,  Equilibrium  Level,  Precipitable  Water,  LCL,  LFC,  WBZ  and  500-­‐700mb  Lapse   Rates.    Figure  3.3  shows  an  example  of  a  sounding  used  in  the  study  using  BUFKIT.   Note  the  measured  sounding  parameters  (in  orange)  in  the  black  table  to  the  left.   These  values  were  then  used  for  analyzing  relationships  with  cloud-­‐top   temperature  at  lightning  initiation  and  sounding  indices.                                                                                                                                                                                       Haegele    21       Figure  3.3  Example  of  a  sounding  used  in  BUFKIT  and  measured  indices       d. Procedures     Cloud-­‐top  temperatures  using  GOES-­‐16  ABI  Channel  13  (10.3  μm)  CONUS  5-­‐ minute  imagery  were  recorded  for  isolated  cells  30  minutes  prior  and  after  the  first   IC  pulse(s)  as  determined  by  corresponding  ENTLN  5-­‐minute  lightning  data.   Selected  cells  from  June-­‐July  2017  were  classified  into  four  CONUS  regions:   Northeast,  Southeast,  Midwest,  and  Plains-­‐Rockies.  Figure  3.4  shows  the  area  of     study  displaying  all  cells  divided  into  corresponding  regions.  Blue  circles  mark   Northeast  cells,  green  mark  Midwest  cells,  purple  mark  Southeast  cells,  and  red   mark  Plains-­‐Rockies  cells.  In  total,  60  cells  and  corresponding  data  were  collected.                                                                                                                                                                                 Haegele    22     Figure  3.4  Map  of  area  study  displaying  all  cells  for  each  region     Linear  regressions  and  simple  statistics  were  used  to  determine  trends  in  cloud-­‐top   temperatures  in  relationship  to  lightning  initiation  and  total  lightning  across  the   various  regions.  Further  investigation  into  possible  relationships  between  lightning   initiation  and  atmospheric  parameters  (i.e.  CAPE,  LI,  LCL,  LFC,  WBZ,  etc.)  were  then   examined  using  RAP  model  analysis  soundings  for  nearest  (in  relation  to  the  cell   position)  and  time  approximate  METAR  stations.  Linear  regressions  and  simple   statistics  were  used  to  determine  relationships  between  lightning  initiation  and   sounding  indices.       4.  Results   a.  Cloud-­‐Top  Temperature  at  Lightning  Initiation     Cloud-­‐top  temperatures  at  lightning  initiation  vary  from  region  to  region  in   storms  over  the  over  the  United  States.  Table  4.0  shows  the  minimum,  mean,  and                                                                                                                                                                                 Haegele    23   maximum  cloud-­‐top  temperatures  at  lightning  initiation  as  well  as  standard   deviation.  Northeast  and  Midwest  storms  reflect  similar  temperature  profiles  with   cloud  temperatures  in  the  range  of  -­‐20°C  to  -­‐40°C,  averaging  about  -­‐30°C.    Cloud-­‐top   temperatures  for  Northeast  storms  range  from  -­‐19.8°C  to  -­‐40.7°C,  averaging  -­‐30.0°C.   Midwest  storms  occur  at  temperature  ranges  from  -­‐19.7°C  to  –42.0°C,  averaging               -­‐30.1°C.    Storms  in  the  Southeast,  Great  Plains  and  Rockies  share  similar   temperature  profiles  with  colder  temperatures  and  broader  ranges  than  those  in   Northeast  and  Midwest  storms.    Lightning  initiation  in  Southeast  storms  tend  to   occur  in  clouds  with  temperatures  ranging  from  -­‐17.7°C  to  -­‐55.3°C,  averaging                           -­‐38.5°C.    Lightning  initiation  occurs  in  the  Great  Plains  and  Rockies  in  cloud   temperatures  ranging  from  -­‐19.6°C  to  -­‐55.5°C,  averaging  -­‐42.7°C.  Figure  4.0  shows   the  trends  in  average  cloud-­‐top  temperature  for  cells  in  each  region  from  30   minutes  prior  to  lightning  initiation  (t=-­‐30),  through  lightning  initiation  (t=0),  to  30   minutes  after  lighting  initiation  (t=30).  Figure  4.1  is  a  box  and  whisker  diagram  to   visually  display  the  distribution  of  cloud-­‐top  temperatures  at  lightning  initiation  for   each  region.       Northeast   Midwest   Southeast   Plains-­‐ Rockies   Max  Temp  (°C)   -­‐19.8   -­‐19.7   -­‐17.7   -­‐19.6   Mean  Temp  (°C)   -­‐30.0   -­‐30.6   -­‐38.5   -­‐42.7   Min  Temp  (°C)   -­‐40.7   -­‐42.0   -­‐55.3   -­‐55.5   Standard   6.78   7.08   11.45   9.98   Deviation     Table  4.0  Regional  Maximum,  Mean,  Minimum  Temperatures  at  Lightning   Initiation  (LI)  and  Standard  Deviation                                                                                                                                                                                       Haegele    24     Figure  4.0  1-­‐hr  Regional  Average  Cloud-­‐Top  Temperature  Trends  Centered  at   Lightning  Initiation  (LI)         Figure  4.1  Regional  Cloud-­‐Top  Temperatures  at  Lightning  Initiation  Box  and   Whisker  Diagram                                                                                                                                                                                 Haegele    25     b.  Cloud-­‐top  Temperature  Cooling  Rates       During  the  1-­‐hour  period,  centered  at  lightning  initiation,  various  cooling   trends  occur  in  cloud-­‐top  temperature  across  the  four  regions.  Table  4.1  shows   starting  (t=  -­‐30  min)  temperatures,  ending  (t=  30  min)  temperatures,  total  cooling,   maximum  cooling  rate  (°C/5-­‐minutes),  and  the  maximum  cooling  rate  time  in   relation  to  lightning  initiation.  Cells  in  the  Southeast  have  the  greatest  total  cooling   of  -­‐56.7°C,  followed  by  cells  in  the  Midwest  with  total  cooling  of  -­‐50.0°C,  Great  Plains   and  Rockies  with  total  cooling  of  -­‐46.1°C,  and  cells  in  the  Northeast  have  the  least   amount  of  total  cooling  of  -­‐41.4°C.  Maximum  cooling  rates  (°C/5-­‐minutes)  are   greatest  in  Southeast  cells  at  -­‐12.6,  followed  by  Midwest  cells  at  -­‐8.9,  Northeast  cells   at  -­‐8.3,  and  cells  in  the  Great  Plains  and  Rockies  have  the  weakest  cooling  rates  at           -­‐7.3.    Cells  in  all  regions  show  greatest  cooling  rates  at  or  near  the  time  of  lightning   initiation  except  for  cells  in  the  Great  Plains  and  Rockies  where  maximum  cooling   rates  occur  ten  minutes  prior  to  lightning  initiation.  Figure  4.2  shows  average   regional  cloud-­‐top  5-­‐minute  cooling  trends  from  30  minutes  prior  to  30  minutes   after  lightning  initiation.         Start  (°C)   End  (°C)   Northeast   Midwest   Southeast   Plains-­‐ Rockies   -­‐8.2   -­‐0.6   -­‐2.2   -­‐9.3   -­‐49.6   -­‐50.6   -­‐58.9   -­‐55.4   Total   Cooling   (°C)   -­‐41.4   -­‐50.0   -­‐56.7   -­‐46.1   Max  Cooling   Rate   (°C/5min)   -­‐8.3   -­‐8.9   -­‐12.6   -­‐7.3   Time  in   Relation  to   LI  (min)   0   0   0   -­‐10   Table  4.1  Regional  Cloud-­‐Top  Temperature  Endpoints  and  Cooling  Trends                                                                                                                                                                                     Haegele    26       Figure  4.2  Regional  Average  Cloud-­‐Top  Temperature  Cooling  Trends         c.  Cloud-­‐Top  Temperature  at  LI  and  Total  IC  Lightning       Linear  regressions  of  cloud-­‐top  temperatures  at  LI  and  storm  total  IC   lightning  yielded  moderately  correlated  relationships.  Figure  4.3  shows  these   regressions  and  r-­‐values.  In  Northeast  cells  there  was  a  moderate  negative   relationship  between  LI  temperature  and  total  storm  IC  with  an  r-­‐value  of  0.64.   Thus,  cooler  temps  at  LI  tend  to  lead  to  higher  amounts  of  total  storm  IC  lightning.   Cells  in  the  Southeast  and  Midwest  had  similar  moderate  negative  relationships   with  r-­‐values  of  0.65  and  0.64  respectively.  Cells  in  the  Great  Plains  and  Rockies  had   a  slightly  weaker,  but  still  moderate,  positive  relationship  with  an  r-­‐value  of  0.54.    In   this  region,  unlike  the  others,  cooler  temps  at  LI  did  not  correlate  with  greater   amounts  of  total  IC  lightning.                                                                                                                                                                                   Haegele    27       Figure  4.3  Linear  Regressions  of  Regional  Cloud-­‐Top  Temperature  &  Total  IC   Lightning     d.  Sounding  Indices       Linear  regressions  of  cloud-­‐top  temperatures  at  lightning  initiation  and   sounding  indices  of  special  interests  (i.e.  CAPE,  PW,  WBZ,  LCL,  LFC,  LI,  EL,  and  500-­‐ 700  mb  lapse  rate)  yield  various  results  with  no  region-­‐to-­‐region  correlation   signatures.  Most  regressions  yielded  very  weak  (r  <  0.3)  correlations  except  for  a   few  “stand  out”  moderate  correlations  between  cloud-­‐top  temperature  and   sounding  indices.  Figure  4.4  shows  the  only  four  correlations  with  r  >  0.50.  Cloud-­‐ top  temperatures  at  lightning  initiation  in  Southeast  cells  had  moderate  negative   relationships  between  precipitable  water  (PW)  and  also  wet  bulb  zero  (WBZ)   heights  with  respective  r-­‐values  of  0.68  and  0.58.  Cloud-­‐top  temperatures  at   lightning  initiation  in  Northeast  cells  had  moderately  negative  correlation,  r  =  0.55,                                                                                                                                                                                 Haegele    28   with  the  height  of  the  level  of  free  convection  (LFC).  Cloud-­‐top  temperatures  at   lightning  initiation  in  Great  Plains  and  Rockies  cells  had  moderately  negative   correlation,  r  =  0.51,  with  the  convective  available  potential  energy  (CAPE).               Figure  4.4  Regressions  of  Cloud-­‐Top  Temperature  at  Lighting  Initiation  and   Sounding  Parameters     5.  Discussion       Thunderstorm  cloud-­‐top  temperature  relative  to  lightning  initiation  (LI)   varies  considerably  from  region  to  region  and  even  from  storm  to  storm  within  the   studied  regions.  However,  storms  in  the  Northeast  and  Midwest  showed  quite   similar  temperature  trends  especially  from  around  the  time  of  LI  to  30  minutes   after.    Average  cloud-­‐top  temperatures  at  LI  for  the  Northeast  were  -­‐30.0°C  and                   -­‐30.6°C  for  Midwest  cells.  Minimum  (warmest)  and  maximum  (coldest)  cloud-­‐top   temperatures  were  also  quite  similar  for  cells  in  these  two  regions.  The  maximum                                                                                                                                                                                 Haegele    29   temperature  for  lightning  initiation  is  -­‐19.8°C  in  the  Northeast  and  -­‐19.7°C  in  the   Midwest.  Minimum  temperatures  at  LI  were  -­‐40.7°C  in  the  Northeast  and  -­‐42.0°C  in   the  Midwest.  Cells  in  the  Northeast  and  Midwest  also  have  less  spread  in   temperatures  at  LI.       Storms  in  the  Southeast,  Great  Plains  and  Rockies  had  colder  cloud-­‐top   temperatures  at  LI  and  also  much  larger  spread  than  storms  in  the  Northeast  and   Midwest.  Average  cloud-­‐top  temperature  for  Southeast  cells  were  -­‐38.5°C  and  in  the   Great  Plains  and  Rockies  -­‐42.7°C.    Maximum  temperatures  at  LI  were  -­‐17.7°C  in  the   Southeast  and  -­‐19.6°C.  Minimum  temperatures  at  LI  were  nearly  identical  for  both   regions  with  -­‐55.3°C  for  Southeast  cells  and  -­‐55.5°C  for  cells  in  the  Great  Plains  and   Rockies.       Despite  variation  in  average  and  even  minimum  cloud-­‐top  temperatures  at  LI   for  various  regions,  the  maximum  cloud-­‐top  temperatures  at  LI  were  very  similar   for  all  regions.  In  all  regions  the  warmest  temperatures  at  LI  were  -­‐17.7  to  -­‐19.8°C.     Maximum  temperatures  at  LI  for  cells  in  the  Northeast,  Midwest,  and  the  Southeast   were  0.1-­‐0.2°C  different  from  one  another  and  1.9-­‐2.1°C  different  from  maximum   temperatures  at  LI  for  cells  in  the  Southeast.  These  results  reinforce  the  fact  that   glaciation  in  cloud  tops  generally  begins  around  -­‐15  to  -­‐20°C  and,  therefore,  since   ice  particles  play  a  significant  role  in  charge  distribution  within  a  cloud,  LI  does  not   occur  earlier  or  at  warmer  temperatures.         The  overall  maximum  cloud-­‐top  cooling  and  cooling  rate  occurred  in  storms   in  the  Southeast,  especially  along  the  Gulf  Coast.  Maximum  cooling  rates  occurred  at   or  very  near  the  time  of  lightning  initiation  for  cells  in  the  Northeast,  Southeast,  and                                                                                                                                                                                 Haegele    30   Midwest  while  cells  in  the  Great  Plains  and  Rockies  had  maximum  cooling  rates   about  10-­‐minutes  prior  to  lightning  initiation.     There  was  moderate  correlation  between  cloud-­‐top  temperature  at  LI  and   the  amount  of  IC  lightning  over  the  next  30  minutes  in  storms  over  all  four  regions.   Storms  in  the  Northeast,  Southeast,  and  Midwest  had  greater  amounts  of  cloud   lightning  when  lightning  initiation  occurred  at  colder  temperatures.  Therefore  the   cloud-­‐top  temperature  at  lightning  initiation  can  possibly  determine  the  intensity  of   storms,  in  terms  of  IC  lightning.  Opposingly,  storms  in  the  Great  Plains  and  Rockies   had  greater  amounts  of  cloud  lightning  at  warmer  temperatures.  However,  more   samples  from  this  region  would  help  determine  the  strength  of  the  correlation.    As   shown  in  Figure  4.3,  it  appears  the  direction  of  the  trend  line  is  highly  influenced  by   two  data  points  near  -­‐20°C  that  show  very  high  lightning  totals.  Larger  sample  sizes   would  help  determine  if  this  opposing  relationship,  compared  to  the  other  regions,   is  valid  or  not.       Further  efforts  to  relate  lightning  initiation  temperature  to  atmospheric   parameters  measurable  by  soundings  have  been  generally  inconclusive.  There  were   no  significant  region-­‐to-­‐region  correlations  between  RAP  sounding  parameters  and   cloud-­‐top  temperatures  and  lightning  activity.  There  were  some  “stand  out”   moderate  correlations  including  cloud-­‐top  temperature  at  LI  and  precipitable  water   (PW)  and  also  wet  bulb  zero  (WBZ)  heights  for  storm  in  the  Southeast.  Colder  cloud-­‐ top  temperatures  coincided  with  greater  PW  values.    PW  values  ranged  from   approximately  1.5  to  2.25”  with  values  around  2-­‐2.25”  coinciding  with  colder  cloud-­‐ top  temperatures  and  lesser  amounts  of  cloud  lightning.  Wet  bulb  zero  heights  for                                                                                                                                                                                 Haegele    31   storms  in  the  Southeast  occurred  from  approximately  10,000  to  13,600  feet  with   higher  WBZ  heights  coinciding  with  colder  temperatures  and  lesser  amounts  of   cloud  lightning.    In  the  northeast,  storms  had  level  of  free  convection  (LFC)  heights   ranging  from  approximately  2500  to  6500  feet  with  higher  LFC  heights  generally   coinciding  with  colder  cloud-­‐top  temperatures  at  lightning  initiation  and  lesser   amounts  of  cloud  lightning.  In  the  Great  Plains  and  Rockies,  storms  in  environments   with  more  convective  available  potential  energy  (CAPE)  coincided  with  colder   cloud-­‐top  temperatures  and  higher  amounts  of  cloud  lightning.       Subsequent  work  with  larger  sample  sizes,  including  GOES-­‐16  ABI  derived   products  and  1-­‐minute  imagery,  and  especially  optical  lightning  data  from  the   Geostationary  Lightning  Mapper  (GLM),  would  be  beneficial  in  confirming  results   described  herein.  Increasing  the  sample  size  to  include  more  cells  for  each  region  is   critical  in  the  accuracy  of  the  statistics  determined  in  the  results.  Including  storms   occurring  throughout  the  year  or  a  least  including  some  seasonal  variation  would  be   beneficial  in  determining  if  there  are  any  inter-­‐seasonal  signatures  as  well  in  cloud-­‐ top  temperatures  and  lightning  activity.  Increasing  temporal  resolution  by  using  1-­‐ minute  satellite  imagery  may  allow  for  greater  detection  of  cloud-­‐top  temperature   signatures.  The  most  anticipated  supplement  would  be  incorporating  GLM  data.   Using  GLM  data,  would  allow  for  validation  of  ground-­‐based  lightning  detection   systems,  such  as  Earth  Networks  used  in  this  study,  and  also  validate  the  enhanced   usefulness  of  lightning  detection  that  the  GLM  promises.                                                                                                                                                                                       Haegele    32   References     Ahrens,  M.,  2013:  Lightning  Fires  and  Lightning  Strikes.  National  Fire  Protection     Association  (NFPA).  NFPA  No.  USSS1,  31pp.     ALDIS,  2013:  Lightning  Discharge.  Accessed  01  February  2018,           https://www.aldis.at/en/lightning-­‐research/lightning-­‐physics/lightning-­‐     discharge/     Beroual  A.,  and  I.  Fofana,  2016:  Lightning  Discharge.  Discharge  in  Long  Air  Gaps      Modelling  and  Applications,  IOP  Publishing  Ltd,  5/1-­‐5/19.     Cardoso,  I.,  O.  Pinto  Jr.,  I.  R.  C.  A.  Pinto,  and  R.  L.  Holle,  2011:  A  new  approach  to      estimate  the  annual  number  of  global  lightning  fatalities.  Preprints,  14th  Int.      Conf.  on  Atmospheric  Electricity,  Rio  de  Janeiro,  Brazil,  IUGG/IAMAS        International  Commission  on  Atmospheric  Electricity,  4  pp.     Crum  &  Forster,  2014:  Lightning.  United  States  Fire  Insurance  Company  (USFIC)      Loss  Control  Technical  Guide,  32pp.     Golding  W.  L.,  2005:  Lightning  Strikes  on  Commercial  Aircraft:  How  the  Airlines  are     Coping.  Journal  of  Aviation/Aerospace  Education  &  Research.,  15,  41-­‐50,     https://doi.org/10.15394/jaaer.2005.1511.     Goodman,  S.J.,  and  Coauthors,  2013:  The  GOES-­‐R  Geostationary  Lightning  Mapper     (GLM).  Atmopsheric  Research,  125-­‐126,  34-­‐49,     https://doi.org/10.1016/j.atmosres.2013.01.006.     Gremillion  M.S.,  and  R.E.  Orville,  1999:  Thunderstorm  Characteristics  of  Cloud-­‐to-­‐   Ground  Lighting  at  the  Kennedy  Space  Center,  Florida:  A  Study  of  Lightning     Initiation  Signatures  as  Indicated  by  the  WSR-­‐88D.  Wea.  Forecasting,  14,     640-­‐649.       Harris,  R.J.,  J.R.  Mecikalski,  W.M.  MacKenzie,  P.A.  Durkee,  and  K.E.  Nielsen,  2010:  The      Definition  of  GOES  Infrared  Lightning  Initiation  Interest  Fields.  J.  Appl.        Meteor.  Climatol.,49,  2527–2543,  https://doi.org/10.1175/2010JAMC2575.1   Holle,  R.L.,  and  R.  E.  López,  2003:  A  comparison  of  current  lightning  death  rates  in   the  U.S.  with  other  locations  and  times.  Pre-­‐  prints,  Int.  Conf.  on  Lightning     and  Static  Electricity,  Black-­‐  pool,  United  Kingdom,  Royal  Aeronautical       Society,  P103-­‐34.   Holle,  R.L.,  2016:  A  Summary  of  Recent  National-­‐Scale  Lightning  Fatality  Studies.     Wea.  Climate  Soc.,  8,  35-­‐42,  https://doi.org/10.1175/WCAS-­‐D-­‐15-­‐0032.1.                                                                                                                                                                                   Haegele    33   Jensenius,  J.S.,  2012:  Understanding  Lightning:  Thunderstorm  Electrification.  NOAA,     Accessed  01February  2018,       http://www.lightningsafety.noaa.gov/science/science_ele     Liu,  C.,  S.  Heckman,  2011:  Using  Total  Lightning  Data  in  Severe  Storm  Prediction:      Global  Case  Study  Analysis  from  North  America,  Brazil  and  Australia.  Proc.      IEEE  International  Symposium  on  Lightning  Protection  2011,  Fortaleza,      Brazil,  Institute  of  Electrical  and  Electronics  Engineers,  20-­‐24,          https://doi.org/10.1109/SIPDA.2011.6088433     Lynn,  B.H.,  Y.  Yair,  C.  Price,  G.  Kelman,  and  A.J.  Clark,  2012:  Predicting  Cloud-­‐to-­‐   Ground  and  Intracloud  Lightning  in  Weather  Forecast  Models.  Wea.       Forecasting,  27,  1470–1488,  https://doi.org/10.1175/WAF-­‐D-­‐11-­‐00144.1.     Mecikalski,  J.R.,  W.M.  MacKenzie,  M.  Koenig,  and  S.  Muller,  2010:  Cloud-­‐Top        Properties  of  Growing  Cumulus  prior  to  Convective  Initiation  as  Measured      by  Meteosat  Second  Generation.  Part  I:  Infrared  Fields.  J.  Appl.  Meteor.        Climatol.,  49,  521–534,  https://doi.org/10.1175/2009JAMC2344.1.     Mecikalski,  J.R.,  X.  Li,  L.D.  Carey,  E.W.  McCaul,  and  T.A.  Coleman,  2013:  Regional      Comparison  of  GOES  Cloud-­‐Top  Properties  and  Radar  Characteristics  in      Advance  of  First-­‐Flash  Lightning  Initiation.  Mon.  Wea.  Rev.,  141,  55–74,      https://doi.org/10.1175/MWR-­‐D-­‐12-­‐00120.1.     Medici,  G.,  K.L.  Cummins,  D.J.  Cecil,  W.J.  Koshak,  and  S.D.  Rudlosky,  2017:  The        Intracloud  Lightning  Fraction  in  the  Contiguous  United  States.  Mon.  Wea.      Rev.,  145,  4481–4499,  https://doi.org/10.1175/MWR-­‐D-­‐16-­‐0426.1.       Melick,  C.J.,  P.  Marsh,  A.  Dean,  I.L.  Jirak,  and  S.J.  Weiss:  2015:  Lightning          Characteristics  and  Relationship  to  Preliminary  Local  Storm  Reports.        Preprints,  40th  Natl.  Wea.  Assoc.  Annual  Meeting,  Oklahoma  City,  OK,  Natl.      Wea.  Assoc.     Molinie,  G.,  and  A.R.  Jacobson,  2004:  Cloud-­‐to-­‐ground  lightning  and  cloud  top        brightness  temperature  over  the  contiguous  United  States.  Journal  of        Geophysical  Research,  109,  D13106.1-­‐D13106.16,            https://doi.org/10.1029/2003JD003593.     Mulder,  M.B.,  L.  Msalu,  T.  Caro,  and  J.  Salerno,  2012:  Remarkable  Rates  of  Lightning   Strike  Mortality  in  Malawi.  Public  Library  of  Science,  7,     https://doi.org/10.1371/journal.pone.0029281     NCAR,  2017:  BoltAlert®  :  Predicting  Lightning  Threats.  Accessed  01  February  2018,   https://ral.ucar.edu/sites/default/files/public/media/files/bolt-­‐alert-­‐ral-­‐   broch-­‐2017-­‐10.pdf                                                                                                                                                                                   Haegele    34   NOAA,  2010:  Thunderstorms,  Tornadoes,  Lightning…  A  Preparedness  Guide.     National  Weather  Service,  18pp,   http://www.lightningsafety.noaa.gov/resources/ttl6-­‐10.pdf     NOAA,  2012:  Lightning  and  Fires.  Accessed  01  February  2018,     http://www.lightningsafety.noaa.gov/fire.shtml     NOAA,  2015:  Lightning  Safety.  Accessed  01  February  2018,     http://www.lightningsafety.noaa.gov/     NOAA,  NASA,  2017:  Advanced  Baseline  Imager  (ABI).  Accessed  01  February  2018,     https://www.goes-­‐r.gov/spacesegment/abi.html     NOAA,  NASA,  2017:  Geostationary  Lightning  Mapper  (GLM).  Accessed  01  February     2018,  https://www.goes-­‐r.gov/spacesegment/glm.html     NSSL,  2012:  Lightning  Detection.  Accessed  01  February  2018,   https://www.nssl.noaa.gov/education/svrwx101/lightning/detection/     NWS,  2004:  Training  Page:  Thunderstorm  Ingredients.  Accessed  01  February  2018,     https://www.weather.gov/source/zhu/ZHU_Training_Page   /thunderstorm_stuff/Thunderstorms/thunderstorms.htm#INDEX.     Schultz,  C.J.,  W.A.  Petersen,  and  L.D.  Carey,  2011:  Lightning  and  Severe  Weather:  A      Comparison  between  Total  and  Cloud-­‐to-­‐Ground  Lightning  Trends.  Wea.      Forecasting,  26,  744–755,  https://doi.org/10.1175/WAF-­‐D-­‐10-­‐05026.1     Sieglaff,  J.M.,  L.M.  Cronce,  W.F.  Feltz,  K.M.  Bedka,  M.J.  Pavolonis,  and  A.K.  Heidinger,   2011:  Nowcasting  Convective  Storm  Initiation  Using  Satellite-­‐Based  Box-­‐   Averaged  Cloud-­‐Top  Cooling  and  Cloud-­‐Type  Trends.  J.  Appl.  Meteor.       Climatol.,  50,  110–126,  https://doi.org/10.1175/2010JAMC2496.1     Thompson,  K.B.,  M.G.  Bateman,  and  L.D.  Carey,  2014:  A  Comparison  of  Two  Ground-­‐   Based  Lightning  Detection  Networks  against  the  Satellite-­‐Based  Lightning     Imaging  Sensor  (LIS).  J.  Atmos.  Oceanic  Technol.,  31,  2191–2205,     https://doi.org/10.1175/JTECH-­‐D-­‐13-­‐00186.1