Cloud Mask /Cloud Products

• Wolkenbedeckungsgrad
• Wolkenoptische Dicke + Unsicherheit
• Effektiver Partikelradius am Wolkenoberrand + Unsicherheit
• Flüssigwasserweg (Säulengehalt an Flüssigwasser) + Unsicherheit
• Temperatur des Wolkenoberrandes + Unsicherheit
• Phase am Wolkenoberrand (Wasser bzw. Eisanteil)
• Niederschlagswahrscheinlichkeit
• Qualitätsangabe zur Ableitung der Wolkeneigenschaften

Die TIMELINE Wolkenprodukte werden mit einer Weiterentwicklung des Wolkenanalyse-Pakets APOLLO (AVHRR Processing Over cLouds, Land and Ocean) berechnet, welches seit über 25 Jahren genutzt wird. Es wurde anfangs für die Wolkenerkennung aus AVHRR-Daten (Advanced Very High Resolution Radiometer) entwickelt (Saunders and Kriebel, 1988), um eine Schnee-Wolken-Unterscheidung ergänzt (e.g., Gesell et al., 1989) und weiterentwickelt in Richtung einer quantitativen Bestimmung der physikalischen Wolkeneigenschaften (Kriebel et al., 2003). Neue Anforderungen führten zur Ableitung eines Effektivradius der Wolkentröpfchen gemeinsam mit der optischen Dicke (Nakajima and King, 1990), zur modernen Repräsentation von Eiswolkeneigenschaften (Baum et al., 2014), zu einer flexibleren Wolkenerkennung (Merchant et al., 2005; Holzer-Popp et al., 2013) und damit zu der Entwicklung eines neuen, probabilistisch arbeitenden Verfahrens mit dem Namen „APOLLO Next Generation“ (APOLLO_NG). Darin wird die Wahrscheinlichkeit für die Beeinflussung einer Beobachtung X durch Wolken ermittelt. Die Analyse beruht auf den APOLLO-Prinzipien, die Ergebnisse werden probabilistisch interpretiert. Die Mathematik der Ableitung von Wolkeneigenschaften folgte in APOLLO der in Stephens (1978)  beschriebenen Vorgehensweise. Der generelle Ansatz und die mathematische Behandlung wurden in APOLLO_NG weitgehend übernommen, aber es wurden einige Verbesserungen und Neuerungen eingeführt. Eine komplette und detaillierte Beschreibung von APOLLO_NG findet sich in Klüser et al. (2015).

Die AVHRR-basierte Wolkenerkennung in APOLLO wurde mehrere Male evaluiert (Kriebel et al., 2003; Meerkötter et al., 2004). Ein erster Vergleich von APOLLO_NG mit dem traditionellen APOLLO Wolkenerkennungs-Verfahren zeigte, dass 79 % der Bedeckungsgrade von APOLLO_NG innerhalb von ±12,5 % mit den APOLLO-Bedeckungsgraden übereinstimmen. Evaluierungen von APOLLO_NG haben auch im Rahmen des COPERNICUS Atmosphere Monitoring Service (CAMS) stattgefunden (Killius et al, 2016).

APOLLO_NG verbessert und vereinfacht die Möglichkeiten zur weiteren Nutzung des APOLLO-Prinzips in vielen Anwendungsgebieten (e.g. Gesell, 1989; Meerkötter et al., 2004; Holzer-Popp et al., 2008; Klüser and Holzer-Popp, 2010; Qu et al., 2012). Alle diese Anwendungen erfordern eine gut verstandene Fehlercharakterisierung, wie auch klar dokumentierte Empfindlichkeiten der APOLLO_NG Wolkenprodukte.

Die meisten der in den Produkten enthaltenen Parameter gehören zu den so genannten essentiellen Klimavariablen (ECVs), d.h. deren Kenntnis ist notwendig, um Klimamodelle betreiben zu können und zu einer Prognose der Klimaänderung zu gelangen.

Literatur-Angaben:

Baum, BA; Yang, P; Heymsfield, AJ; Bansemer, A; Cole, BH; Merrelli, A; Schmitt, C & Wang, C (2014) Ice cloud singlescattering property models with the full phase matrix at wavelengths from 0.2 to 100 μm. J. Quant. Spectrosc. Ra., 146, 123– 139.

Gesell, G (1989) An algorithm for snow and ice detection using AVHRR data an extension to the APOLLO software package. Int. J. Remote Sens., 10, 897–905.

Holzer-Popp, T; Schroedter-Homscheidt, M; Breitkreuz, H; Martynenko, D; and Klüser, L (2008) Improvements of synergetic aerosol retrieval for ENVISAT. Atmos. Chem. Phys., 8, 7651–7672.

Holzer-Popp, T; de Leeuw, G; Griesfeller, J; Martynenko, D; Klüser, L; Bevan, S; Davies, W; Ducos, F; Deuzé, JL; Graigner, RG; Heckel, A; von Hoyningen-Hüne, W; Kolmonen, P; Litvinov, P; North, P; Poulsen, CA; Ramon, D; Siddans, R; Sogacheva, L; Tanre, D; Thomas, GE; Vountas, M; Descloitres, J; Griesfeller, J; Kinne, S; Schulz, M; & Pinnock, S (2013) Aerosol retrieval experiments in the ESA Aerosol_cci project. Atmos. Meas. Tech., 6, 1919–1957.

Killius, N; Klüser, L; Schroedter-Homscheidt, M & Blanc, P (2016) APOLLO_NG - A new cloud retrieval for the CAMS Radiation service. EUMETSAT Meteorological Satellite Conference, 26.9.2016-30.9.2016, Darmstadt, Deutschland.

Klüser, L & Holzer-Popp, T (2010) Relationships between mineral dust and cloud properties in the West African Sahel. Atmos. Chem. Phys., 10, 6901–6915.

Klüser, L; Killius, N & Gesell, G (2015) APOLLO_NG – a probabilistic interpretation of the APOLLO legacy for AVHRR heritage channels. Atmospheric Measurement Techniques, 8, 4155-4170.

Kriebel, KT; Gesell, G; Kästner, M & Mannstein, H (2003) The cloud analysis tool APOLLO: improvements and validations. Int. J. Remote Sens., 24, 2389–2408.
Meerkötter, R; König, C;Bissoli, P; Gesell, G & Mannstein, H (2004) A 14-year European Cloud Climatology from NOAA/AVHRR data in comparison to surface observations. Geophys. Res. Lett., 31, L15103.

Merchant, CJ; Harris, AR; Maturi, E & Maccallum, S (2005) Probabilistic physically based cloud screening of satellite infrared imagery for operational sea surface temperature retrieval. Q. J. Roy. Meteorol. Soc., 131, 2735–2755.

Nakajima, T & King, MD (1990) Determination of the optical thickness and effective particle radius of clouds from reflected solar radiation measurements – Part I: Theory. J. Atmos. Sci., 47, 1878–1893.

Qu, Z; Oumbe, A; Blanc, P; Lefevre, M; Wald, L; Schroedter - Homscheidt, M; Gesell, G & Klüser, L (2012) Assessment of Heliosat-4 surface solar irradiance derived on the basis of SEVIRI-APOLLO cloud products, Proceedings of the 2012 EUMETSAT Meteorological Satellite Conference, Sopot, Poland, 3–7 September 2012, EUMETSAT, 61, s2–06.

Saunders, RW & Kriebel, KT (1988) An improved method for detecting clear sky and cloudy radiances from AVHRR data. Int. J. Remote Sens., 9, 123–150.