Cloud retrieval from UV-VIS satellite instruments [Elektronische Ressource] : (SCIAMACHY and GOME) / presented by Michael Grzegorski

English
215 Pages
Read an excerpt
Gain access to the library to view online
Learn more

Description

Dissertationsubmitted to theCombined Faculties for the Natural Sciences and forMathematicsof the Ruperto Carola University of Heidelberg, Germanyfor the degree ofDoctor of Natural Sciencespresented byDiplom-Physicist: Michael Grzegorskiborn in: CelleOral examination: 9 December 2009Cloud retrieval from UV/VIS satelliteinstruments(SCIAMACHY and GOME)Referees: Prof. Dr. Ulrich PlattProf. Dr. Thomas Wagner4ZusammenfassungDie satellitenbasierte Bestimmung von Wolkenparametern, insbesondere Wol-kenbedeckungsgrad und Wolkenhohe¨ , ist sowohl fur¨ Meterologie und Klima-forschung, als auch fur¨ die Auswertung tropospharisc¨ her Spurengase von gro-ßer Bedeutung. Der HICRU Algorithmus (Heidelberg Iterative Cloud Re-trieval Utilities) ermoglic¨ ht die Berechnung von effektivem Wolkenbedeckungs-grad, Wolkenhohe¨ , und Bodenalbedo. Es werden sowohl Radianzen von breit-bandigen Spektrometern (617-705nm), als auch eine spektrale Auswertung(DOAS) derO Bande bei 630nm verwendet. Die Modellierung des Stra-2hlungstransportes erfolgt mit Hilfe der Monte-Carlo-Modelle TRACY-II undMcArtim. Der Algorithmus wurde auf die Satelliteninstrumente SCIAMACHYauf ENVISAT und GOME auf ERS-2 angewendet. Die Ergebnisse wurdendurch Vergleiche mit Lidar- und Radarmessungen am Boden, Wolkenalgorith-men fur¨ andere Instrumente wie MERIS und MODIS, klimatologischen Daten(ISCCP) und anderen SCIAMACHY/GOME Wolkenalgorithmen validiert.

Subjects

Informations

Published by
Published 01 January 2009
Reads 28
Language English
Document size 225 MB
Report a problem

Dissertation
submitted to the
Combined Faculties for the Natural Sciences and for
Mathematics
of the Ruperto Carola University of Heidelberg, Germany
for the degree of
Doctor of Natural Sciences
presented by
Diplom-Physicist: Michael Grzegorski
born in: Celle
Oral examination: 9 December 2009Cloud retrieval from UV/VIS satellite
instruments
(SCIAMACHY and GOME)
Referees: Prof. Dr. Ulrich Platt
Prof. Dr. Thomas Wagner4Zusammenfassung
Die satellitenbasierte Bestimmung von Wolkenparametern, insbesondere Wol-
kenbedeckungsgrad und Wolkenhohe¨ , ist sowohl fur¨ Meterologie und Klima-
forschung, als auch fur¨ die Auswertung tropospharisc¨ her Spurengase von gro-
ßer Bedeutung. Der HICRU Algorithmus (Heidelberg Iterative Cloud Re-
trieval Utilities) ermoglic¨ ht die Berechnung von effektivem Wolkenbedeckungs-
grad, Wolkenhohe¨ , und Bodenalbedo. Es werden sowohl Radianzen von breit-
bandigen Spektrometern (617-705nm), als auch eine spektrale Auswertung
(DOAS) derO Bande bei 630nm verwendet. Die Modellierung des Stra-2
hlungstransportes erfolgt mit Hilfe der Monte-Carlo-Modelle TRACY-II und
McArtim. Der Algorithmus wurde auf die Satelliteninstrumente SCIAMACHY
auf ENVISAT und GOME auf ERS-2 angewendet. Die Ergebnisse wurden
durch Vergleiche mit Lidar- und Radarmessungen am Boden, Wolkenalgorith-
men fur¨ andere Instrumente wie MERIS und MODIS, klimatologischen Daten
(ISCCP) und anderen SCIAMACHY/GOME Wolkenalgorithmen validiert. Der
neue Algorithmus verbessert die bestehenden Datensatze¨ und ermoglic¨ ht die
Berechnung von Wolkenparametern insbesondere auch fur¨ problematische Ge-
genden wie Wuste¨ oder Gebiete mit saisonaler Wolkenbedeckung, die bei beste-
henden Algorithmen zu Problemen fuhren.¨
Summary
The detection of cloud parameters like cloud fraction and cloud top height from
satellite is an important issue: 1.) for meteorology and the investigation of cli-
mate change and 2.) for the space-based analysis of tropospheric trace gases
relevant to environmental and climatological issues. The Heidelberg Iterative
Cloud Retrieval Utilities (HICRU) algorithm retrieves effective cloud fraction,
cloud height and surface albedo. Reflectances from broad-band spectrome-
ters (617-705nm) and spectral analysis (DOAS) of the O band around2
630nm are used. The radiative transfer is included using the Monte-Carlo
models TRACY II and McArtim. The algorithm is applied to SCIAMACHY on
ENVISAT and GOME on ERS-2. The results are validated using lidar/radar
measurements from the surface, intercomparisons with cloud retrievals for
satellite instruments like MERIS and MODIS, climatological values from IS-
CCP and other SCIAMACHY/GOME cloud retrievals. The new algorithm and
data products form an improvement to the results of existing algorithms and
gives reliable results in particular for problematic areas like deserts and re-
gions with seasonal cloud coverage, which often lead to problems for cloud
algorithms.6Contents
1 Introduction 11
2 The cloudy atmosphere 13
2.1 The troposphere . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2 Cloud formation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.2.1 Homogeneous nucleation . . . . . . . . . . . . . . . . . . . . 15
2.2.2 Cloud condensation nuclei . . . . . . . . . . . . . . . . . . . 15
2.3 Macroscopic cloud description . . . . . . . . . . . . . . . . . . . . . 16
2.3.1 Cloud types . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3.2 The ISCCP project . . . . . . . . . . . . . . . . . . . . . . . 17
2.3.3 ISCCP cloud parameters and their retrieval methods . . . 18
2.4 Radiative transfer in the atmosphere . . . . . . . . . . . . . . . . . 19
2.4.1 Impact of clouds on climate change . . . . . . . . . . . . . . 19
2.4.2 The radiative transfer equation . . . . . . . . . . . . . . . . 20
2.4.3 Scattering . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.4.4 Polarization . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3 Trace gas retrieval from space 25
3.1 The satellite instruments SCIAMACHY and GOME . . . . . . . . 25
3.1.1 The SCIAMACHY instrument . . . . . . . . . . . . . . . . . 26
3.1.2 The Global Ozone Monitoring Experiment (GOME) . . . . 30
3.1.3 The PMD instruments of SCIAMACHY and GOME . . . . 31
3.1.4 Calibration of the instruments . . . . . . . . . . . . . . . . 32
3.2 The Differential Optical Absorption Spectroscopy . . . . . . . . . 34
3.2.1 Principle of the DOAS method . . . . . . . . . . . . . . . . . 35
3.2.2 Spectral fitting . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.2.3 Saturation effect . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.2.4 Ring effect . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.3 Calculation of Vertical Column Densities (VCD) . . . . . . . . . . 38
3.3.1 The concept of Air Mass factor . . . . . . . . . . . . . . . . 38
3.3.2 Effects of clouds on the air mass factor . . . . . . . . . . . . 39
3.3.3 The radiative transfer models TRACY II and McArtim . . 40
4 Cloud algorithms for GOME and SCIAMACHY 43
4.1 Principles of cloud retrieval using and GOME . . . 43
4.2 Characterization of GOME and cloud algorithms
- an overview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
74.3 Detailed description of GOME and SCIAMACHY cloud algorithms 48
4.3.1 ICFA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
4.3.2 FRESCO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.3.3 CRUSA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.3.4 OCRA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.3.5 ROCINN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.3.6 SACURA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
4.3.7 PCRA / GOMECAT . . . . . . . . . . . . . . . . . . . . . . . 58
4.3.8 Further cloud algorithms . . . . . . . . . . . . . . . . . . . 59
4.4 A new cloud algorithm for SCIAMACHY - why? . . . . . . . . . . 61
5 The Heidelberg Iterative Cloud Retrieval Utilities (HICRU) 63
5.1 Principle of the HICRU algorithm . . . . . . . . . . . . . . . . . . 63
5.1.1 Application of the threshold method . . . . . . . . . . . . . 64
5.1.2 PMD Detectors used for cloud retrieval . . . . . . . . . . . 64
5.2 Retrieval of HICRU thresholds . . . . . . . . . . . . . . . . . . . . 68
5.3 Intercomparison of HICRU to other cloud algorithms . . . . . . . 71
5.3.1 Correlation of HICRU with other cloud algorithms for
GOME orbit 70716086 . . . . . . . . . . . . . . . . . . . . . 73
5.3.2 Detailed intercomparison between HICRU and FRESCO . 79
5.3.3 Shortcomings of HICRU and other cloud algorithms . . . . 81
5.4 Conclusions and summary . . . . . . . . . . . . . . . . . . . . . . . 81
6 Correction of SCIAMACHY PMD radiance for cloud retrieval 83
6.1 Strategy and requirements for SCIAMACHY cloud . . . 83
6.2 Instrument degradation correction . . . . . . . . . . . . . . . . . . 84
6.3 PMD selection for SCIAMACHY cloud retrieval . . . . . . . . . . 87
6.4 Influence of sun glint and polarization . . . . . . . . . . . . . . . . 87
6.5 Absolute radiance calibration . . . . . . . . . . . . . . . . . . . . . 88
6.5.1 Concept and limitations of the absolute calibration . . . . 88
6.5.2 Approximation of solar spectra . . . . . . . . . . . . . . . . 90
6.5.3 Impact of the wavelength assumptions . . . . . . . . . . . . 90
6.5.4 Determination of a correction factor for PMD top of atmo-
sphere albedo . . . . . . . . . . . . . . . . . . . . . . . . . . 93
6.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
7 Retrieval of effective cloud fraction from SCIAMACHY 95
7.1 General characteristics of the algorithm . . . . . . . . . . . . . . . 95
7.2 Retrieval of the lower thresholds . . . . . . . . . . . . . . . . . . . 98
7.3 Empirical retrieval of the upper threshold . . . . . . . . . . . . . . 100
7.4 Determination of the upper threshold based on radiative trans-
fer modeling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
7.5 Correction for snow and ice coverage . . . . . . . . . . . . . . . . . 103
7.6 HICRU releases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
7.7 cloud climatology . . . . . . . . . . . . . . . . . . . . . . . 106
7.8 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
88 Retrieval of the SCIAMACHY surface albedo database 111
8.1 Radiative transfer modeling . . . . . . . . . . . . . . . . . . . . . . 111
8.2 Inversion of the surface albedo . . . . . . . . . . . . . . . . . . . . 114
8.3 Intercomparision of the HICRU albedo with other data products . 114
8.3.1 Albedo retrieval used for MODIS and GOME . . . . . . . . 115
8.3.2 Intercomparison with HICRU . . . . . . . . . . . . . . . . . 116
8.3.3 Snow/ice covered surfaces . . . . . . . . . . . . . . . . . . . 116
8.3.4 Reflectance over ocean . . . . . . . . . . . . . . . . . . . . . 119
8.3.5 Spatial resolution and illumination conditions . . . . . . . 120
8.3.6 SZA-dependent differences between HICRU and MODIS . 121
8.3.7 Results over deserts . . . . . . . . . . . . . . . . . . . . . . . 121
8.3.8 Influence of clouds and aerosols . . . . . . . . . . . . . . . . 122
8.4 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
9 Inversion of the cloud height from SCIAMACHY 125
9.1 DOAS analysis of the oxygen around 630nm . . . . . . . . . . . . 125
9.2 Radiative transfer modeling . . . . . . . . . . . . . . . . . . . . . . 127
9.3 Approximations for the calculation of AMFs . . . . . . . . . . . . . 128
9.3.1 Approximation for different scan angles and relative az-
imuth angles . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
9.3.2 Approximations for partly cloudy pixels . . . . . . . . . . . 131
9.3.3 Discussion of the model results . . . . . . . . . . . . . . . . 133
9.3.4 Verification of the approximations and the measured AMFs135
9.4 Inversion of cloud height and cloud pressure . . . . . . . . . . . . 136
9.5 Determination of HICRU detection limit . . . . . . . . . . . . . . . 138
9.6 HICRU cloud height climatology . . . . . . . . . . . . . . . . . . . 142
9.7 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
10 Validation of the SCIAMACHY cloud products 147
10.1 Intercomparison of cloud . . . . . . . . . . 148
10.1.1 with OCRA . . . . . . . . . . . . . . . . . 148
10.1.2 Intercomparison of SCIAMACHY cloud fraction products . 149
10.1.3 of cloud height retrieval . 152
10.2 Intercomparison of SCIAMACHY cloud height with radar/lidar
measurements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
10.2.1 Introduction to the radar/lidar retrieval . . . . . . . . . . . 157
10.2.2 Method of intercomparison . . . . . . . . . . . . . . . . . . 159
10.2.3 Investigation of the vertical cloud extension . . . . . . . . . 160
10.2.4 Impact of spatial differences on cloud height correlations . 162
10.3 Intercomparision of SCIAMACHY cloud products with MERIS
and MODIS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163
10.3.1 Introduction to the MERIS cloud retrieval . . . . . . . . . . 163
10.3.2 to the MODIS cloud algorithm . . . . . . . . . 164
10.3.3 Cross-intercomparison of the SCIAMACHY cloud algo-
rithms with MERIS and MODIS . . . . . . . . . . . . . . . 167
10.3.4 Intercomparison for cloudy pixels . . . . . . . . . . . . . . . 169
10.3.5 Analysis of partly cloudy scenes over ocean and over land 173
910.4 Intercomparison of HICRU with climatological data . . . . . . . . 175
10.4.1 of climatological cloud fraction . . . . . . 177
10.4.2 Qualitative intercomparison of climatological cloud heights177
10.4.3 Quantitative with c cloud
height over ocean . . . . . . . . . . . . . . . . . . . . . . . . 179
10.4.4 of climatological cloud heights
over land . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181
10.4.5 Discussion of HICRU and ISCCP cloud height over desert 183
10.5 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 186
11 Conclusions and outlook 191
11.1 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191
11.2 Outlook . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193
A ENVISAT instruments 195
B HICRU cloud pressure climatology 197
10