550 likes | 808 Views
Fernerkundung von Niederschlag. Klassifikation von Fernerkundungstechniken zur Bestimmung von Niederschlag: Nur ein kleiner Teil der Wolken produziert Niederschlag --> regnende Wolken müssen von nicht regnenden Wolken getrennt werden. Verfügbare Fernerkundungstechniken: Passive Verfahren:
E N D
Fernerkundung von Niederschlag Klassifikation von Fernerkundungstechniken zur Bestimmung von Niederschlag: Nur ein kleiner Teil der Wolken produziert Niederschlag --> regnende Wolken müssen von nicht regnenden Wolken getrennt werden. Verfügbare Fernerkundungstechniken: Passive Verfahren: VIS/IR Techniken Mikrowellen Techniken Aktive Verfahren Radar (z.B. TRMM Radar) Andere Techniken: Regenmesser
Anmerkungen • Durch die indirekte Natur der Methoden, ergibt sich, dass sie nicht universell anwendbar sind. Man muss also immer darauf achten für welche Region (z.B. Tropen oder mittlere Breiten) und für welche Zeiträume sie gültig sind (z.B. für die Schätzung von stündlichem Regen oder für die Schätzung eines Monatsmittelwertes). • Die Verifikation von Fernerkundungstechniken ist schwierig! • Wir können z.B. mit Radarschätzungen oder Regenmesserdaten vergleichen: • Radar scheint besser geeignet, weil es wie die Satelliten atmosphärische Volumina vermisst, aber die Genauigkeit ist ungefähr Faktor 2. • Regenmesser messen sehr genau aber sie sind nur für eine Fläche von 10-1 m2 repräsentativ, während Satelliten ungefähr eine Fläche von 106-108 m2 vermessen. D.h. selbst wenn die Satellitenschätzung perfekt wäre, würde ein Vergleich schlecht ausfallen.
Methoden im sichtbaren und infraroten Spektralbereich • Basis Prinzip: • Wolken sind nicht transparent bei diesen Wellenlängen, d.h. es kann keine direkte Wechselwirkung zwischen Niederschlagspartikel und Strahlung gemessen werden. • Es müssen also unabhängige Messungen des Niederschlags mit den Eigenschaften der beobachteten Wolken korreliert werden. Dieses bezeichnet man als eine indirekte Methode. • Hauptschwierigkeit: Es gibt nicht ausreichend viele und gute Bodenbeobachtungen des Niederschlages. • Nach Barrett (1981) werden diese Methoden in vier Kategorien eingeteilt: • Wolkenindexmethoden • Lebenszyklusmethoden • Bi-spektrale Methoden • Wolkenmodell Methoden
Techniken I Wolkenindexmethode von Barrett (1970) Prinzip: Ordne jedem Wolkentyp eine Regenrate zu: Wobei R die Regenrate, ri die Regenrate für den Wolkentyp i und fi der Anteil der Fläche bedeckt durch Typ i ist. Wolkenreflektion im Sichtbaren von Kilonsky und Ramage (1970) Prinzip: Regen über tropischen Ozeanen ist dominiert von hoch reichenden konvektiven Wolken. Wolken mit hoher Reflektivität produzieren mit höherer Wahrscheinlichkeit Regen als „dunkle“ Wolken, weil die Reflektion in Beziehung zur optischen Dicke und damit auch zur geometrischen Dicke steht. --> Setze die Frequenz des Auftretens solcher Wolken in Beziehung zum Niederschlag. Parametrisierung von Garcia für tropischen Niederschlag: R ist monatlicher Niederschlag in mm, ND ist die Anzahl der Tage, die ein Ort mit hoch reflektiven Wolken bedeckt war. Kann man z.B. aus sichtbarem Kanal eines geostationären Satelliten gewinnen.
Techniken II GOES Precipitation Index von Arkin (1979) Entwickelt für die Abschätzung von Niederschlag für Klimastudien. Prinzip: Kalte Wolken im Infrarot produzieren mehr Niederschlag als warme Wolken. Arkin fand eine Korrelation von 0.86 zwischen Niederschlag aus Radardaten mit dem Bedeckungsgrad von Pixeln kälter als 235K in 2.5°x2.5° Gitterboxen. Der GPI ist also: mit AC Anteil der Fläche kälter als 235K und Dt ist die Zeitspanne für die AC gültig ist, z.B. 30 min oder auch 3 h. Die Methode hat sicherlich Schwierigkeiten mit Zirruswolken. Deswegen gibt es auch noch bispektrale Methoden, die die Regeln aus dem Sichtbaren mit denen aus dem Infraroten verknüpfen, d. h. Wolken die regnen sind kalt und hell. Weniger Regen ist zu erwarten, wenn die Wolken kalt aber dunkel (Zirren) oder aber hell und warm (Stratus) sind.
Techniken III Wolkenmodelltechniken Prinzip: Verwende Wolkenmodellrechnungen, um sichtbare und infrarote Beobachtungen in Beziehung zu Niederschlag zu bringen. Beispiel: Convective-Stratiform Technique (CST) Adler und Negri (1988) und Enhanced CST, z.B. Bendix (1997):
Niederschlagsmessung mit passiven Mikrowellen Hauptvorteil der Mikrowellen ist, dass Wolkentropfen nur eine schwache Wechselwirkung, Regentropfen aber eine sehr starke Wechselwirkung mit der Strahlung haben. Hauptnachteil ist die schlechte räumliche und zeitliche Auflösung, die sich aber beide ständig verbessern. • Spencer (1989) fand folgende 3 wichtige Eigenschaften: • Eis absorbiert so gut wie keine Mikrowellenstrahlung, es streut nur; • Flüssige Tropfen absorbieren und streuen, wobei die Absorption dominiert; • Streuung und Absorption steigen mit der Frequenz und der Regenrate an. Dabei nimmt der Streukoeffizient für Eis stärker mit der Frequenz zu, als der von Wasser.
Aufteilung des Spektrums • Zwei generelle Schlüsse können aus diesen Befunden gezogen werden: • Das Mikrowellenspektrum kann bzgl. der Niederschlagsfernerkundung in drei Teile geteilt werden: • f < 22GHz – Absorption ist der primäre Mechanismus für den Strahlungstransport. Streuung tritt zwar auf, ist aber nur von untergeordneter Bedeutung; • f > 60 GHz – Streuung dominiert das Signal; • 22 < f < 60 GHz – Streuung und Absorption sind gleich bedeutend. • Verschiedene Frequenzen vermessen verschiedene Teile des Niederschlages: • f < 22 GHz – Eis oberhalb von Regentropfen ist nahezu transparent, d.h. das Signal kommt direkt aus der regnenden Schicht; • f > 60 GHz – Mikrowellenradiometer sehen nur die Streuung von den Eisteilchen und nicht die regnende Schicht darunter, d.h. Schätzungen in den hohen Frequenzen sind mehr indirekt als bei niedrigen Frequenzen.
Regenrate – Helligkeitstemperatur I Für das Grundverständnis, wie sich die Helligkeitstemperatur mit der Regenrate ändert, analysieren wir die Strahlungstransportgleichung qualitativ. Annahmen: Rayleigh-Jeans Approximation, Nadir Blick (aus dr wird dz). Dabei ist: die über alle Richtungen gewichtete mittlere Helligkeitstemperatur. Vernachlässigen wir Streuung für einen Moment, haben wir:
Regenrate – Helligkeitstemperatur II Nehmen wir an, dass T in der Regenschicht konstant ist (T=TA) und bedenken, dass der Volumenabsorptionskoeffizient außerhalb der Regenschicht fast null ist, ergibt sich: mit: Ignorieren von Tspace führt zu: Die Transmission der Regenschicht ist gegeben durch: mit D als Dicke der Regenschicht. Diese Gleichung repräsentiert die Lösung für f < 22 GHz, wo Eis oberhalb des Regens transparent ist.
Regenrate – Helligkeitstemperatur III Für t=1 (kein Regen) ist Wenn t abnimmt (der Regen also zunimmt), konvergiert TB zu TA. Wenn t gegen null geht, ist nur noch die Regenschicht zu sehen. Für Wasseroberflächen nimmt TB stark zu, weil es klein ist ( ), d.h. man kann den Niederschlag relativ leicht detektieren. Über Land wo es groß ist gibt es nur geringe, schwer auswertbare Änderungen in TB.
Regenrate – Helligkeitstemperatur IV Für größere Regenraten und Frequenzen wird Streuung wichtig. Weil ist das gewichtete Mittel der Helligkeitstemperatur über alle Richtungen. Da Tspace mit ca. 2,7 K extrem kalt ist, und diese tiefe Temperatur in enthalten ist, tendiert die Wirkung von Streuung zu einer Abnahme der Helligkeitstemperatur. Eisteilchen sind besonders gut bei der Senkung von TB, weil es kaum kompensierende Emission gibt.
Algorithmentypen I • Statistische Algorithmen • Statistische Regression zwischen gemessenen Helligkeitstemperaturen und Daten von Regenmessern oder Radar am Boden; • Oft realisiert in zwei Schritten (1) Screening (2) RR-TB Konversion; • Beispiele sind PCT-Algorithmen (Kidd, 1998) und auch NESDIS Standardalgorithmen (Ferraro and Marks, 1995). • Quasi-physikalische Algorithmen • Hier werden Kombinationen von Strahlungstransportmodell und Wolkenmodell genutzt, um eine funktionelle Beziehung RR-TB abzuleiten. Es sind aber noch Abhängigkeiten zu in situ Daten vorhanden; • Wie oben, meistens realisiert in zwei Schritten; • Ein gutes Beispiel ist GSCAT (Adler et al., 1993, 1994), basiert auf einer Regression von Helligkeitstemperaturen aus STP-Model und mit einem Wolkenmodell generierten Regenraten. Die Regressionskoeffizienten sind aber noch mit Regenmesserdaten kalibriert.
Algorithmentypen II • Physikalische Algorithmen • Diese sind im Prinzip wie die Quasi-physikalischen, verwenden aber keine zusätzliche Kalibration zu Bodenmessungen. • Es gibt iterative und nicht iterative Algorithmen, d.h. Algorithmen wo die RR-TB Beziehung an aktuelle TB-Messungen herangerechnet wird. • Das Beamfilling wird berücksichtigt, z.B. durch zufällige Bedeckungsgrade mit Regen in einem Pixel; • Ein Beispiel ist Bauer and Schlüssel (1993) (der HOAPS Algorithmus • Physikalische Profilalgortihmen • Leiten die vertikale Struktur von einem oder mehreren Hydrometeorkategorien (Regen, Hagel, Graupel, etc.) ab; • Regenraten am Boden werden mit „fallout“ Modellen oder Regressionen abgeleitet; • Es werden 3D nicht hydrostatische Wolkenmodelle verwendet, um eine große Datenbasis mikrophysikalischer Profile zu erzeugen und für diese STP zu rechnen; • RR-TB Konversion wird iterativ oder zunehmend mit Bayesischen Ansätzen durchgeführt; • Ein bekanntes Beispiel ist GPROF (Kummerow et al., 2001), verwendet als TRMM Standardalgorithmus.
Bauer and Schlüssel (1993) verwendet in HOAPS Monthly rain rate derived from F11. Monthly rain rate derived from F10, F11, F13 and F14
AMSU & SSM/I footprints AMSU SSM/I
TMI Frequencies (v and h polarisation): 10.7, 19.4, 21.3, 37.0, 85.5 GHz Horizontal Resolution: PR Frequency: 13.8 GHz Max. scan angle: ±17o Horizontal Resolution: 4.3 km (Nadir) Vertical Resolution: 250 m VIRS Wavelengths: 0.63, 1.6, 3.75, 10.8, 12 mm Horizontal Resolution: 2 km (Nadir) Beispiele für aktuelle Algorithmen PATER (PR Adjusted TMI Estimation of Rainfall) ein kombinierter TRMM TMI-PR Algorithmus (Bauer 2001).
TMI-PR Algorithm • A new algorithm has been developed which uses co-located TMI-PR observations over the narrow PR swath to adjust all TMI observations over the full swath with a dynamical calibration. • The technique has the following features: • Simulations: • large variety of mesoscale cloud models/experiments • first-order 3d effects included • melting layer introduced • principal components (2) instead of TB’s (7) as predictors • 85 GHz channels were found to deteriorate inversion!
UWisc ‘Gilbert’ x,y=3.3 km GCE GATE squall line x,y=2 km GCE TC squall line x,y=1 km GCE TC squall line x,y=3 km Meso-NH TC squall line x,y=1.25 km JCMM TC squall line x,y=1.25 km Cloud model simulations Variable surfaces, melting layer, -raindrop DSD Upgrades Pseudo-3d, varying zenith/azimuth angles Radiative transfer EOF (TB,P) EOF (TB,P) EOF (TB,P) EOF (TB,P) EOF (TB,P) EOF (TB,P) Ouput TMI-PR matchups containing precipitation (EFOV = 27 x 44 km2) Mask Dbases where EOFdbase= EOFsatellite Mask EOF (TB,P) Merge Merged database development
LWP/IWP Examples Examples of LWP / IWP distributions from mesoscale non-hydrostatic cloud model simulations Ex. Squall lines w/ initialization: 22/2/1993 TOGA-COARE IFA GCE (NASA GSFC) Meso-NH (Meteo-France / CETP) JCMM (The Met Office)
RT geometry Plane-parallel RT geometry Pseudo-3d RT geometry
Retrievals • 10.7 GHz channels were convolved to achieve better spatial resolution and larger signal dynamic range • rain liquid water contents are retrieved instead of rainrate • independent TMI retrievals at max. of weighting function • simple comparison with PR rain water contents at same altitude and on TMI reference resolution • dynamical adjustment of calibration function over common swath; application over full swath • remaining TMI vs. PR standard deviation indicator for retrieval error (if PR unbiased)
Pixel co-location PR 1: Narrow scan integration: TMI 3: Broad scan calibration: 2: Dynamic coefficients: C = <WPR/WTMI> WTMI 1 Ci log(WTMI)
Examples of Rain LWC Retrievals (1) Tropical cyclone PR at TMI resolution TMI-only TMI calibrated 2A12
Examples of Rain LWC Retrievals (3) Cellular convection PR at TMI resolution TMI-only TMI calibrated 2A12
Calibration Calibration Histogram (solid - average, dashed - fit)
A Satellite Based Rainfall Monitoring System for Northwest Africa TRMM Radar Product Cross calibration Calibration Surface Radar (IRD) TRMM Radar Calibrated Passive Microwave Product Evaluation Data Surface Stations (IRD) Radiometer Inter Calibration Passive Microwave Multi-Satellite Product Integration (Second Phase) Merged Passive Microwave-Infrared Product Geostationary Infrared Data (MSG and Meteosat)
Simple algorithms over land • Empirical algorithms over land surfaces are popular because of the difficult interpretation of the microwave signal over land; • Typical algorithms make use of co-located satellite and ground-based (radar) observations to derive a calibration of the satellite measurements (e.g. Ferraro and Marks, 1995); • Since this is difficult for large scale regional or global applications, so TRMM provides an outstanding data source covering tropical areas.
The algorithm has two parts: • Detection of precipitating pixels: • The used technique makes a first order approach to remove seasonally varying surface contributions by maps of clear-sky temporal averages of brightness temperatures; • The influence of more dynamic parameters like surface temperature and moisture is reduced by successive subtraction from the observations by means of principal component analysis; • 2. Quantitative estimates of the rain water content or rain rate • Calibration of an precipitation index into a rain water content.
TMI algorithm flow (background maps) TB over land Screening rain free RTM Modelling for parallax correction RTM Modelling Surface-temperature and -moisture correction Colocated PR-TMI data HSS (PI, WPR) Rain Rate Rain Water Content Calibration
Rain free background 85 GHz brightness temperature for the first 10 days of August 2000.
Standard deviation of 85 GHz background brightness temperature for the first 10 days of August 2000.
TMI algorithm flow (temperature and moisture correction) TB over land Screening RTM Modelling for parallax correction RTM Modelling Surface-temperature and -moisture correction Colocated PR-TMI data HSS (PI, WPR) Rain Rate Rain Water Content Calibration
Temperature and Moisture Effects • Radiative transfer simulations for cloud free atmospheres using a semi-empirical emissivity model and radiosonde observations were performed; • Two datasets were generated: • Temperature: Differences from brightness temperatures for similar profiles where only the skin temperature is varying by +5,-5 K. Vegetation cover was randomly varied between 0 and 1, water coverage was set to 0, and roughness was varied between 0 and 0.1 cm, respectively. • Moisture: As above but for identical skin temperatures using fractional water coverage of 0.5 and 0. • Explained variances of the first EOF are 89% for temperature and 86% for moisture.
First three precipitation eigenvectorsfor June 2000 Africa India
Time series (Mar - Oct 2000) of explained variance for the first three eigenvectors
TMI algorithm flow (Co-location and skill score) TB over land Screening RTM Modelling for parallax correction RTM Modelling Surface-temperature and -moisture correction Colocated PR-TMI data HSS (PI, WPR) Rain Rate Rain Water Content Calibration
PR TMI Co-location • The TMI reference resolution was defined to be that of 19.35 GHz (18 km x 30 km); • The TMI EFOV was enlarged by a factor of 2.5 for covering ~98% of the signal; • A threshold of 80% of the TMI EFOV covered with valid PR pixels is applied before averaging.
Heidke Skill Score A: TMI and PR rain D: TMI and PR no rain B: TMI no rain; PR rain C: TMI rain; PR no rain s(l,k)denotes counts with indicesi,kreferring to PR rain andj,lreferring to algorithm threshold. mandndenote maximum numbers of intervals for PR and TMI.
TMI algorithm flow (calibration) TB over land Screening RTM Modelling for parallax correction RTM Modelling Surface-temperature and -moisture correction Colocated PR-TMI data HSS (PI, WPR) Rain Rate Rain Water Content Calibration