Die hohe Empfindlichkeit der Aeolus UV-Oberfläche führt zum Oberflächenreflexionsvermögen

Wissenschaftliche Berichte Band 13, Artikelnummer: 17552 (2023) Diesen Artikel zitieren

Details zu den Metriken

Globale Klimatologien des Oberflächenreflexionsvermögens im ultravioletten Bereich (UV) bestehen alle aus passiven Fernerkundungsbeobachtungen des reflektierten UV-Lichts bei Tageslicht, die im Allgemeinen über eine Verteilung der erreichbaren Reflexionsrichtungen integriert sind. Wir entdeckten die Empfindlichkeit von Aeolus-Lidar-Oberflächenrückläufen (LSR) gegenüber Oberflächeneigenschaften und lieferten damit den ersten Beweis dafür, dass aktive Fernerkundung effektiv zur Ermittlung des unidirektionalen UV-Oberflächenreflexionsvermögens auf globaler Ebene eingesetzt werden kann. LSR reproduziert monatliche Änderungen des Oberflächenreflexionsvermögens in der Sahara, die in den Lambertian Equivalent Reflectivity (LER)-Klimatologien von TROPOMI und GOME-2 sichtbar sind. Für 36 verschiedene Regionen werden auf globaler und regionaler Ebene sehr hohe Korrelationen (r > 0,90) zwischen gerastertem LSR und den LER-Klimatologien gemeldet. Aus dem Aeolus LSR-Signal sind drei deutliche Landbedeckungsgradienten erkennbar: (1) Wasser/Land, (2) Vegetation/trockene Gebiete und (3) kein Schnee/Schnee. Das stärkste LSR-Signal wurde über Schnee abgerufen, während wir über der Vegetation eine mäßig negative Übereinstimmung (r < − 0,60) zwischen LSR und dem Vegetationsindex-Proxy fanden. Insgesamt wird der Erfolg der ersten aktiven Fernerkundungsmethode zur Ermittlung des unidirektionalen UV-Oberflächenreflexionsvermögens mithilfe von Aeolus demonstriert. Unser Ansatz kann effektiv zur Erkennung unaufgelöster Land- und insbesondere Schneebedeckungsveränderungen in hohen Breiten eingesetzt werden, da Aeolus im Gegensatz zu passiven Instrumenten auch Nachtbeobachtungen ermöglichte.

Das begrenzte Wissen über die Eigenschaften des Oberflächenreflexionsvermögens bei ultravioletten (UV) Wellenlängen war in früheren Studien eine Quelle widersprüchlicher Ergebnisse1. Diese Lücke ist besonders besorgniserregend, da wir die UV-Oberflächenreflexionseigenschaften kennen müssen, um die UV-Exposition des Menschen zu verstehen und genaue Schätzungen der optischen Tiefe des Aerosols bei 355 nm2 zu erhalten. Am wichtigsten ist, dass die Informationen über das Oberflächenreflexionsvermögen eine Voraussetzung für jede Anwendung sind, die eine genaue Modellierung des Strahlungstransfers erfordert, wie etwa weltraumgestützte Fernerkundung von Spurengasen, Aerosolen/Wolken oder Chemietransportmodellen. Darüber hinaus eröffnen die starken Oberflächenreflexionseigenschaften weißer Oberflächen bei der UV-Wellenlänge3,4 das Potenzial für die Erkennung von Schneeoberflächen oder sogar die Klassifizierung der Schneeart (alt/neu), wenn eine genaue, hochauflösende UV-Oberflächenreflexionskarte möglich ist generiert werden. Diese Informationen sind wichtig, um eine unterschätzte Schneealbedo5 zu vermeiden, die sich negativ auf passive Fernerkundungsinstrumente in hohen Breiten auswirken kann.

Trotz des Bedarfs an genauen Schätzungen der Oberflächenalbedo für Klimastudien und Atmosphärenforschung bleibt unser Verständnis des globalen Oberflächenreflexionsvermögens im UV-Spektralband begrenzt. Bisher stützten sich alle Fernerkundungsstudien auf passive Instrumente zur Ermittlung der Oberflächenreflexionseigenschaften im UV-Bereich, die die Sonne und die damit verbundene atmosphärische Strahlung als Lichtquelle für die Ermittlung nutzen. Beispielsweise enthalten die mit solchen Methoden erstellten Lambertian Equivalent Reflectivity (LER)-Klimatologien erhebliche Fehler, die auf die Notwendigkeit zurückzuführen sind, eine atmosphärische Korrektur anzuwenden, was bei kürzeren Wellenlängen zu stärkeren nachteiligen Auswirkungen führt3. Diese Klimatologien berücksichtigen keine Beobachtungen aus Regionen hoher Breitengrade während der Polarnacht und basieren auf Beobachtungen über alle Winkel der Festkörperhalbkugel, was Annahmen über den Lambertschen Reflexionsgrad erfordert. Frühere Studien haben gezeigt, dass diese Mängel und Annahmen durch aktive Fernerkundung wie Lidar-Sondierung6 gemildert werden können, die von dem kleinen Sichtfeld und der Stabilität profitiert; unidirektionale Lichtquelle des verwendeten Lasers und der konstante Betrachtungswinkel der Beobachtungen. Darüber hinaus können Lidar-Beobachtungen unidirektionale Eigenschaften des Oberflächenreflexionsvermögens liefern, wie z. B. eine abgeschwächte Rückstreuung von der Oberfläche (sr−1)7, ohne dass für passive Instrumente1 Annahmen über die Heterogenität und Isotropie der darunter liegenden horizontalen Oberfläche getroffen werden müssen1.

In der Praxis legten frühere Arbeiten von Reagan und Zelinski8 nahe, dass die Lidar-Empfindlichkeit weißer Oberflächen (z. B. Schnee) bei sichtbaren Wellenlängen etwa 20-mal höher ist als die von dunklem Boden. Einige weitere Studien sagten voraus, dass die Rückstreu-Lidar-Signale von weißen Oberflächen bei 355 nm9 besonders hoch sein würden. Weiler4 nutzte kürzlich 355-nm-Daten des vor dem Start von Aeolus dedizierten Airborne Demonstrator, bestehend aus einem Wind-UV-Lidar mit hoher spektraler Auflösung, der speziell entwickelt wurde, um einem ähnlichen Messprinzip und einer ähnlichen Spezifikation10 des für die Aeolus-Mission geplanten weltraumgestützten Instruments ALADIN zu folgen. Am interessantesten ist, dass die Autoren4 vermuteten, dass Lidar-Oberflächenrückflüsse (LSR) von Neuschnee bei UV-Wellenlängen bis zu etwa 95-mal stärker sein könnten als LSR von Gras/Boden. Allerdings haben Forscher diese Empfindlichkeit während der Umlaufbahn des Aeolus High-Spectral Resolution Wind UV Lidar, das von August 2018 bis Juli 2023 im Weltraum unterwegs war, noch nicht empirisch getestet. Die Erfahrungen mit Nadir-Weltraum-Lidarsystemen wie CALIOP legen dies nahe Das vom Oberflächenbehälter zurückgestreute Signal kann in die BRDF (Bidirektionale Reflexionsverteilungsfunktion) übersetzt werden. eine Funktion der Oberflächenreflexionseigenschaften6. Mit der Veröffentlichung von Datensätzen, die kalibrierte Rückstreusignale vom Mie-Kanal und Oberflächenerkennungsalgorithmen enthalten, besteht die Möglichkeit, die Empfindlichkeit von Lidar gegenüber Oberflächenreflexionseigenschaften bei 355 nm mit dem einzigartigen optischen Aufbau von Aeolus (mit einem Einfallswinkel von ~ 35°) zu untersuchen. ist auch entstanden. Vorteilhafterweise ermöglicht die unidirektionale Erfassung die Untersuchung des Oberflächenreflexionsvermögens unter dem gegebenen Winkel, ohne dass bei den Reflektivitätsabfragen Annahmen über Oberflächeneigenschaften (z. B. Lambertsch) getroffen werden müssen. Die kleine Bodenintegration von ca. 3 km von Aeolus ermöglicht aufgrund der inhärenten Empfindlichkeit der Aeolus-Rückstreusignale gegenüber Wolken auch eine effizientere Wolkenprüfung11.

Unsere Studie erläutert die Empfindlichkeit von Aeolus LSR (355 nm) gegenüber Oberflächenreflexionseigenschaften, um herauszufinden, wie diese potenzielle Möglichkeit zur weltraumgestützten Ermittlung des UV-Reflexionsvermögens von Oberflächen weiter genutzt werden kann. Zu diesem Zweck verwendeten wir die Lidar Surface Return (LSR) der von Aeolus kalibrierten Daten der abgeschwächten Rückstreuung für die ersten 12 Monate der Aeolus-Mission (09.2018–08.2019).

In dieser Arbeit haben wir das Rückstreusignal (β) aus Aeolus-Beobachtungen verwendet, um die oberflächenintegrierte abgeschwächte Rückstreuung (SIAB) oder einfach Lidar Surface Return (LSR) abzurufen, wobei wir die Erfahrung früherer Studien genutzt haben (Einzelheiten finden Sie im Abschnitt „Methodik“, in dem die Methodik beschrieben wird). ). Im einfachen Sinne stellt LSR ein UV-Oberflächenecho dar, das am Empfänger von Aeolus registriert wird. Wir haben zunächst für jeden Monat des Untersuchungszeitraums den unkorrigierten LSRʹ (γʹ in Gleichung 1) berechnet. Abbildung 1a zeigt die monatlich aggregierten Aeolus-Umlaufbahnen für September 2018 einschließlich aller LSR-Beobachtungen ohne angewendete Filter. Im Einklang mit früheren Studien zum Oberflächen-UV-Reflexionsvermögen4,5 ergab eine einfache Berechnung von LSR‘ aus dem Oberflächenbereich von Aeolus (siehe Abschnitt „Methodik“ für die Definition des Oberflächenbereichs) für September 2018 die stärksten Ergebnisse von weißen Oberflächen (Grönland). , Antarktis), gefolgt von gelegentlich schneebedeckten Flächen (Tibet, Anden) und Trockengebieten (Sahara, Westen der USA, Iran); alle in Abb. 1a als gelb gefärbte Cluster sichtbar. Da alle stark abgeschwächten Fußabdrücke herausgefiltert werden mussten, haben wir die im Abschnitt „Herausfiltern von Abschwächungsmerkmalen aus LSR-Beobachtungen“ beschriebene Filterstrategie angewendet. Abbildung 1b zeigt, dass durch die Filterung die meisten der stark abgeschwächten LSR'-Schätzungen (aus Wasser- und Eiswolken) entfernt wurden, was zu klareren Oberflächenreflexionsgradienten führte, bei denen der Unterschied zwischen Land und Wasser sehr deutlich wird. Wir haben auch die Auswirkungen der molekularen und Aerosoldämpfung berücksichtigt, um sicherzustellen, dass LSR in erster Linie eine Oberflächenreflexion zum Ausdruck bringt und frei von atmosphärischen Auswirkungen auf das Signal ist. Wie aus Abb. 1 hervorgeht, führt die Fülle der Daten zu einer quasi-globalen LSR-Abdeckung. Aufgrund der hohen Aerosolbelastung im September 2018, die durch die aktive Verbrennung von Biomasse im September in dieser Region verursacht wurde, besteht nach wie vor eine kleine Lücke in der Nähe von Mittelwestafrika12. Das gleiche Verfahren wie in Abb. 1 (von Panel a bis c) wurde auf jeden Monat des Untersuchungszeitraums angewendet. Als Ergebnis erhielten wir einen jährlichen Mittelwert des korrigierten LSR (Abb. 1d). Interessanterweise ähnelt der jährliche Mittelwert der LSR einer Oberflächenbedeckungskarte mit vier unterschiedlichen LSR-Gradienten: Wasser-Land, dunkle Oberfläche-weiße Oberfläche (schneebedeckte Gebiete) und vielleicht sogar der Vegetationsoberfläche-trockene Oberfläche-Gradient. Ein leicht abgeschwächtes Signal über Mittelwestafrika (blauer Cluster mit ~ 0,0018 sr−1) ist erkennbar. Dieses Muster deutet scheinbar auf ein Artefakt aus Fällen hoher Aerosolbelastung hin, die teilweise in die Analyse einbezogen wurden. Obwohl wir Fälle mit AOD > 1,0 herausgefiltert haben, wurden insbesondere einige Fälle mit ziemlich hoher Aerosolbelastung (z. B. AOD 0,75–0,99) in die Analyse einbezogen, um die Fülle an Statistiken in der Analyse sicherzustellen. Insgesamt bestätigen die vom klaren Landbedeckungstyp abhängigen LSR-Gradienten aus Abb. 1, dass die Filterung mit AOD < 1,0 den Abschwächungseffekt abschwächt, während der optimale Schwellenwert für das Herausfiltern von Fällen mit hohem AOD Gegenstand einer detaillierten Sensitivitätsanalyse sein sollte.

Darstellung des LSR-Berechnungsverfahrens mit Aeolus bei 355 nm, beginnend mit (a) unkorrigierten und ungefilterten aggregierten monatlichen Beobachtungen von LSR' (sr−1) für 2018–09, (b) unkorrigiert, aber gefiltert (Flag = 100 %, was bedeutet). dass 100 % der abgeschwächten Merkmale herausgefiltert wurden; AOD < 1,0 nur) aggregierte monatliche Beobachtungen von LSR'; Sowohl a als auch b wurden mit der höchsten Aeolus-Messauflösung berechnet. Rasterförmige (2,5° × 2,5°) monatliche Schätzungen des korrigierten LSR für „2018–09“ und für den Zeitraum „2018–09–2019–08“ mit Ausnahme von Juni 2019 (der nicht verfügbar ist) sind in den Feldern (c) und () dargestellt. d). Diese Karte wurde mit der Open-Source-Software QGIS (Version 3.22.6) unter der GNU General Public License erstellt.

Wir verifizieren die in Abb. 1 sichtbaren LSR-Gradienten weiter und erläutern die Empfindlichkeit von LSR gegenüber Oberflächenreflexionseigenschaften bei 355 nm. Zu diesem Zweck haben wir die Korrelationskoeffizienten zwischen LSR-Schätzungen und den LER-Referenzen für den Zeitraum 09.2018–08.2019 (Abb. 2) über der Sahara und weltweit berechnet. Die Sahara wurde aufgrund ihrer geringsten saisonalen LER-Variabilität als Referenzgebiet zur Bewertung der Empfindlichkeit von LSR gegenüber Oberflächenreflexionseigenschaften ausgewählt (siehe SI-Abb. S2 in der Ergänzung). Interessanterweise reproduzierte LSR sogar schwache monatliche Änderungen des Oberflächenreflexionsvermögens in der Sahara, die zuvor in LER als vernachlässigbar angesehen wurden (rotes Diagramm, Abb. 2a). Am wichtigsten ist, dass diese LSR-Änderungen im Untersuchungszeitraum (09.2018–08.2018) gut mit LERTRO (Korrelationskoeffizient, r = 0,89) und mäßig gut mit LERGOM (r = 0,62) übereinstimmten. Diese Übereinstimmung kann als hoch angesehen werden, da die beiden LER-Referenzen nicht immer perfekt miteinander übereinstimmen (r = 0,72 für die Sahara), selbst in trockenen Regionen mit Reflexionseigenschaften, die nahezu unabhängig von Vegetationsveränderungen sind. Solche Unterschiede sind realistisch, da die Satelliten GOME-2 und TROPOMI unterschiedliche lokale Überflugzeiten haben, was möglicherweise zu geringfügigen Unterschieden in den endgültigen LER-Klimatologien führt13. Obwohl die Variabilität des Oberflächenreflexionsvermögens in der Sahara im Allgemeinen schwach ist, erfasst der Aeolus LSR nicht nur diese Variabilität, sondern weist im Vergleich zum LERTRO (0,070–0,120) auch einen größeren Bereich der Oberflächenreflexionsänderung auf (0,010–0,031 sr−1). Diese Beobachtung zeigt das Potenzial von LSR-Messungen zur Erkennung von Änderungen im Oberflächenreflexionsvermögen. Diese Veränderungen wurden von der Oberflächenalbedo, die auf passiven Fernerkundungstechniken basiert, offenbar weniger deutlich erfasst. Aufgrund eines spürbaren Rückgangs des Aeolus-Signals (von Mai bis Juli 2019) haben wir die LSR-Schätzung vom September 2019 zur Sahara-Analyse hinzugefügt. Abbildung 2a zeigt deutlich, dass die LSR-Schätzung vom September 2019 fast doppelt so niedrig ist wie die LER-Schätzung vom September 2018. Dieses Phänomen wurde höchstwahrscheinlich durch den Wechsel zwischen zwei redundanten Lasersendern verursacht, der im Juni 2019 nach einer Verschlechterung des Signals stattfand, was zu einer deutlichen Verschlechterung führte der Übergang zwischen zwei Flugmodi (FM) von Aeolus: FM-A- und FM-B-Perioden14. Dieser Wechsel hängt mit der Veränderung der Aeolus-Leistung zusammen, die in einigen früheren Studien eingehend untersucht wurde14,15. Trotzdem blieb die relative Empfindlichkeit des LSR gegenüber dem Oberflächenreflexionsvermögen hoch, da der Aeolus-LSR von Juli 2019 bis September 2019 zunimmt. Infolgedessen wurde für diesen kurzen Zeitraum eine gute statistische Übereinstimmung mit langsam steigenden LERTRO-Schätzungen festgestellt. Mit Ausnahme der Sahara haben wir unsere Analyse auf globale Maßstäbe ausgeweitet. Wie erwartet stimmen die LER-Referenzklimatologien auf globaler Ebene sehr gut miteinander überein (r = 0,96) (Abb. 2b). Interessanter ist, dass Aeolus LSR auch eine sehr gute Korrelation mit LERTRO (r = 0,92) und LERGOM (r = 0,94) aufweist. Im Gegensatz zu einer nahezu linearen Übereinstimmung zweier verschiedener LERs zeigte die LSR-LER-Beziehung eine gewisse sigmoidförmige Beziehung, indem sie eine stärkere Variabilität im Bereich niedriger Rendite (0,00–0,01 sr−1) und im Bereich hoher Rendite (0,95–0,99 sr−1) aufwies. . Wir untersuchen dieses Muster der LSR-Variabilität weiter im Detail.

(a) Vergleich der monatlichen LSR-Schätzungen von Aeolus mit den LER-Schätzungen für Sahara (Unsicherheiten werden aus den Standardabweichungen der monatlichen Schätzungen innerhalb der interessierenden Region übernommen; LERTRO-Unsicherheiten werden zur besseren Sichtbarkeit des Diagramms weggelassen; sie sind den LERGOM-Unsicherheiten sehr ähnlich ). Vergleich der mittleren Schätzungen von (b) LERGOM vs. LERTRO, (c) LSR Aeolus vs. LERTRO. Alle Vergleiche wurden mit der Rasterauflösung 2,5° × 2,5° für 2018.09–2019.08 in (b,c) durchgeführt, 1 Monat zusätzliche Daten (September 2019) wurden für (a) hinzugefügt. In (a) wurden LER-Schätzungen aus Klimatologien übernommen, was bedeutet, dass für September 2018 und September 2019 dieselben LER-Klimaschätzungen verwendet wurden. Beachten Sie, dass der Farbbalken die Anzahl der Ereignisse widerspiegelt, die in Form einer logarithmischen Normalverteilung aufgetragen sind. Beachten Sie, dass in dieser Studie keine Aeolus-Daten vom Juni 2019 verwendet wurden (ausführliche Erläuterung siehe Abschnitt „Herausfiltern von Abschwächungsmerkmalen aus LSR-Beobachtungen“).

Um die LSR-Empfindlichkeit gegenüber der Landbedeckung zu untersuchen, haben wir die mittleren LSR-Schätzungen für 36 ausgewählte Regionen mit unterschiedlichen Landbedeckungsmerkmalen berechnet (siehe die Liste dieser Regionen im Zusatzmaterial S1) und sie mit den mittleren LER-Schätzungen für dieselben Regionen verglichen (Abb . 3). Abbildung 3 zeigt, dass solche gröberen, aber regionalspezifischen Analysen eine nahezu perfekte Korrelation zwischen LERGOM und LERTRO ergaben (r = 0,99). Interessanter ist, dass wir eine sehr hohe Korrelation zwischen LSR-Schätzungen und beiden LER-Referenzen mit r = 0,94 (LERTRO; Abb. 3b) bzw. r = 0,91 (LERGOM; Abb. 3c) fanden. Die Korrelation zwischen LSR und LER wird durch Land- und nicht durch Wasserrückflüsse bestimmt. Insbesondere ergab der LSR-LER-Vergleich eine sehr hohe Korrelation zwischen diesen verschiedenen Parametern über Landregionen (r = 0,96 für LSR-LERTRO bzw. r = 0,94 für LSR-LERGOM), aber eine sehr schwache Korrelation (r = 0,47–0,50). Wasser. Dieser Unterschied ist wahrscheinlich auf die unterschiedliche Physik der Aeolus-Rückkehr über Wasser zurückzuführen. Aufgrund der stark vom Nadir abweichenden Beobachtungen von Aeolus (Einfallswinkel = 35°) ist die Lidar-Spiegelreflexion im Vergleich zu Nadir-Systemen nahezu vernachlässigbar16, was dazu führt, dass Rückstreuinformationen hauptsächlich aus der unterirdischen Wasserschicht stammen17. Dieses Muster wird im LSR-LER-Vergleich deutlich, da die Aeolus-Wasserrückflüsse sehr schwach sind, während die LER-Klimatologie ein relativ stärkeres Reflexionsvermögen von Wasser zeigt (siehe blaue Markierungen in Abb. 3), das beispielsweise das Reflexionsvermögen einiger Tropen übersteigt Wälder3. Darüber hinaus kann diese regionale Analyse Aufschluss über das sigmoidförmige Muster der grundlegenden Unterschiede zwischen LSR und LSR-LER geben, das in Abb. 2 dargestellt ist. Während sowohl die bemerkenswerte Empfindlichkeit von LSR als auch LER gegenüber weißen Oberflächen festgestellt wurde, könnte Aeolus eine größere Empfindlichkeit aufweisen Es reagiert empfindlich auf einige Änderungen des Oberflächenreflexionsvermögens, die bisher als unterhalb der Messfähigkeit passiver Fernerkundungssysteme angesehen wurden. Um diesen Effekt zu veranschaulichen, zeigt Abb. 3 sowohl den Vollmaßstab als auch den vergrößerten Bereich von Aeolus LSR in logarithmischen Maßstäben (siehe obere bzw. untere Tafel). Wie aus Abb. 3e, f hervorgeht, ändern sich die mittleren LSR-Schätzungen deutlich je nach Landbedeckungstyp. Die LSR steigt von Wasser (blaue Punkte) über bewachsene Gebiete (grüner Cluster) bis hin zu Trockengebieten (gelber Cluster), wobei die höchsten resultierenden Erträge aus schnee-/eisbetroffenen Zonen (violetter Cluster) resultieren. Dieser Befund stimmt mit einigen früheren Arbeiten überein, wie zum Beispiel Chadysiene und Girgzdys9, die gezeigt hatten, dass Schnee- und Sandoberflächen etwa 80 % bzw. etwa 25 % der UV-Strahlung reflektieren, während Gras das schwächste Reflexionsvermögen aufweist. Interessanter ist, dass der Unterschied zwischen dem stärksten Signal (Schnee) und dem schwächsten Signal (Wasser) in LSR, wie wir herausgefunden haben, dem Unterschied zwischen dunklen und weißen Oberflächen ähnelt, über den in den frühen Arbeiten von Reagan und Zielinski8 berichtet wurde. Der LSR-Bereich in der vergrößerten Analyse enthüllt drei offensichtliche LSR-Cluster in aufsteigender Reihenfolge der Signalstärke: bewachsene Oberfläche (grüne Blase), trockene Oberfläche (gelbe Blase) und Schneeoberfläche (violette Blase). Die Unterschiede in der Form der Cluster zwischen den Diagrammen Aeolus-GOME-2 und Aeolus-TROPOMI können auf die unterschiedlichen Auswirkungen von Schnee-/Eisoberflächen zurückgeführt werden, die in den Produkten LERGOM und LERTRO auf der Grundlage der unterschiedlichen Instrumente und der unterschiedlichen Beobachtungsjahre erfasst werden (siehe „Blasen“ in Abb. 3e,f). Um diesen Aspekt zu klären, haben wir die Empfindlichkeit von Aeolus LSR gegenüber der Änderung der Reflexionseigenschaften der Oberfläche in Abhängigkeit von der Vegetation mithilfe einer einfachen Korrelationsanalyse gegen NDVI untersucht. Bezeichnenderweise zeigten weder LERTRO noch LERGOM einen Zusammenhang mit den mittleren monatlichen NDVI-Schätzungen für denselben Zeitraum und dieselben Regionen wie in Abb. 3, aber LSR von Aeolus zeigte eine mäßig negative Korrelation (r = – 0,61). Dieses Ergebnis deutet auf eine mögliche Empfindlichkeit des Aeolus-Signals gegenüber Vegetationsveränderungen hin. Insbesondere kommen die stärksten Erträge aus den Regionen mit erheblicher Schneedecke (niedriger, aber nicht negativer NDVI wie bei homogen weißen Flächen) und schwächen sich dramatisch ab, wenn die Vegetation dichter ist (von NDVI = 0,1–0,3 für Trockengebiete bis zu NDVI > 0,6 für verschiedene produktive Gebiete). Ökosysteme).

Regionaler Vergleich (36 Regionen) der mittleren Schätzungen von LSR im Vergleich zu LERTRO und LERGOM für Land (schwarze Punkte) und Wasser (hellblau) auf einem 2,5° × 2,5°-Raster während des Untersuchungszeitraums. Obere Felder: (a) LER-Vergleich (lineare Skalen für beide Achsen), (b) LERGOM vs. LSR Aeolus-Vergleich (logarithmische Skalen für beide Achsen), (c) LERTRO vs. LSR Aeolus-Vergleich (logarithmische Skalen für beide Achsen). Unteres Feld: Vergrößerte Diagramme in den grauen Rechteckbereich, der auf den oberen Feldern angezeigt wird, für (d) LER-Vergleich (lineare Skalen für beide Achsen), (e) LERGOM vs. LSR Aeolus-Vergleich (logarithmische Skalen für beide Achsen), (f) LERTRO vs. LSR (logarithmische Skalen für beide Achsen). Farbige Blasen stellen eine LSR-basierte Häufung von Gebieten dar, die während des Jahres mit Schnee bedeckt sind (lila), trockenen Gebieten (gelb) und Gebieten mit entwickelter Vegetation (grün).

Die Empfindlichkeit der Aeolus Lidar Surface Returns (LSR) gegenüber dem Reflexionsvermögen der Landoberfläche, der Landbedeckungsart und sogar gegenüber Vegetationsveränderungen wurde für das erste Jahr des Aeolus-Fluges (09.2018–08.2019) nachgewiesen. Die sehr guten statistischen Übereinstimmungen zwischen LSR und den bestehenden LER-Klimatologien auf lokaler, regionaler und globaler Ebene; Alle weisen eindeutig darauf hin, dass LSR verwendet werden kann, um das unidirektionale UV-Oberflächenreflexionsvermögen auszudrücken. Im Gegensatz zu passiven Fernerkundungsansätzen zur Ermittlung des Oberflächenreflexionsvermögens erfordert Aeolus LSR keine Annahmen über die Bestrahlung der Oberfläche in allen Winkeln und die Oberflächeneigenschaften (Isotropie, Heterogenität), wodurch die räumliche Abdeckung von Beobachtungen des UV-Reflexionsvermögens an der Oberfläche auf ein hohes Maß erweitert wird Breitengrade und die Ausweitung der Beobachtungsabdeckung auf globale Skalen. Darüber hinaus kann der konsistente Unterschied zwischen LSR (unidirektional) und LER (mit Annahmen zu Tageslicht und Oberflächeneigenschaften) genutzt werden, um zu verstehen, wie LSR in LER bei UV- und stark nicht-Nadir-Einfall umgerechnet werden kann, was derzeit eher unklar ist. Insbesondere sollte man den hemisphärischen Raumwinkel von 2π6 teilen oder die theoretischen Überlegungen von Josset et. al17 mit komplexerer Parametrisierung von Reflexion und Mehrfachstreuung. Auf diese Weise kann LSR mit den Größen des Oberflächenreflexionsvermögens verknüpft werden, die bei der Strahlungsübertragungsmodellierung verwendet werden, wie z. B. der Oberflächenalbedo, und in zukünftigen Studien einen besseren Bezug zu LER von passiven Instrumenten herstellen. Aeolus LSR kann vorteilhaft zur Bestätigung oder Widerlegung solcher Annahmen eingesetzt werden, da es sowohl im Beleuchtungs- als auch im Reflexionswinkel besser aufgelöst ist. Insgesamt kann das LSR-Produkt angesichts der Empfindlichkeit von LSR gegenüber Oberflächenreflexion und Landtyp möglicherweise in die offiziellen L2A-Aeolus-Daten integriert werden. Aus wissenschaftlicher Sicht kann ein solcher Datensatz bereits für (a) Studien zur Schneeerkennung/Schneedeckenveränderungserkennung eingesetzt werden, insbesondere wenn diese Veränderung mit der Ablagerung von Ruß zusammenhängt18, der Laborexperimenten zufolge die Albedo des Schnees dramatisch schwächt19. Für zukünftige Missionen mit an Bord befindlichen Lidars20, wie EarthCARE und Aeolus-2, können die genauen Informationen über LSR (b) als Eingabe in die Lidar-Gleichung verwendet werden, um die Vorwärtsmodellierung der Haupt-Lidar-Gleichung besser einzuschränken, und (c) für Kalibrierung der bei solchen Missionen verwendeten Lidar-Instrumente21 durch Nutzung von UV-Reflexionsinformationen von stark reflektierenden weißen Oberflächen. Schließlich (d) kann LSR angesichts der Fülle an Aeolus-Beobachtungen verwendet werden, um die Genauigkeit der Landbedeckungsklassifizierung zu verbessern, indem Deep-Learning-Modelle zur Bestimmung des Bereichs der LSR-Merkmale für jeden Landbedeckungstyp angewendet werden.

Aeolus wurde 2018 auf den Markt gebracht und verfügt über das Atmospheric Laser Doppler Instrument (ALADIN), ein hochspektral auflösendes UV-Lidar (355 nm) mit einem Einfallswinkel von ~ 35° und dem diodengepumpten frequenzverdreifachten Nd:YAG-Laser. Das Instrument liefert Informationen über die untersten ~ 30 km der Atmosphäre für 15,6 Umlaufbahnen pro Tag mit einer Äquatorüberführung um 06:00 und 18:00 Uhr lokaler Sonnenzeit (LST) in einer sonnensynchronen Umlaufbahn und mit einem 7-tägigen Wiederholungszyklus. ALADIN sendet Impulse von 80 mJ aus und hat eine Impulsfolgefrequenz von 50 Hz. Es ist sowohl mit Rayleigh- als auch mit Mie-Kanälen ausgestattet, wodurch Rückstreusignale von Molekülen bzw. Aerosolen erfasst werden können. Der Aeolus-Laser hat ein Sichtfeld von 19 μrad, was zu einer Grundfläche von ca. 12–15 m führt. Die höchste horizontale Auflösung der Aeolus-Messungen beträgt ~ 3 km. Die Aeolus-Messungen werden an Bord akkumuliert, um das Ausleserauschen in den Downlink-Daten zu verringern. Um sicherzustellen, dass genügend Signal für die Bodenverarbeitung zur Verfügung steht, wurden in den ersten Jahren der Mission (unsere Untersuchungsperiode fällt in diesen Zeitraum) 19 Impulse akkumuliert. Bei diesem akkumulierten Ergebnis handelt es sich um die Daten mit der höchsten für Benutzer verfügbaren Auflösung, die als „Messniveau“ bezeichnet werden und in dieser Studie zur Analyse verwendet wurden. Die Aeolus-Profile bestehen jeweils aus 24 Bins, wobei die vertikale Range-Bin-Größe je nach Höhe zwischen 250 und 2000 m variiert, während die Range-Bin-Einstellungen (z. B. die Höhe des untersten Bins) je nach Zeit und Ort variieren können Aeolus-Messung10.

Wie in den Ergebnissen erwähnt, haben wir das Rückstreusignal (β) von ALADIN als Maß für die Lichtmenge verwendet, die von der Atmosphäre/dem Boden zum Lidar-Empfänger zurückreflektiert wird, um die oberflächenintegrierte abgeschwächte Rückstreuung (SIAB) abzurufen einfach – Lidar Surface Return (LSR). Dieses Verfahren basiert auf den Erfahrungen früherer CALIPSO-basierter Lidar-Studien, die sich auf Lidar-Oberflächensignale konzentrierten6,7 Gl. (1) berechnet den unkorrigierten LSR (γʹ, sr−1) durch Multiplikation der oberflächengedämpften Rückstreuung (βsurf, sr−1 m−1), die durch das der Oberfläche am nächsten liegende Entfernungstor im Digital Elevation Model (DEM) auf dem Oberflächenbereich bestimmt wird Behälterbreite von Aeolus (Δrsurf, m). Beachten Sie, dass die oberflächengedämpfte Rückstreuung den Aeolus L2-Daten entnommen wird, die im Abschnitt „Daten“ unten beschrieben sind. DEM ist die modellierte Schätzung, die auf dem verfügbaren Wissen über die Satellitenposition und die Laserpointing-Geometrie basiert, die aus dem ACE V2-Datensatz (300 m × 300 m, 9 Bogensekunden Auflösung) verwendet wird. Da die Reichweitenbereiche von Aeolus sehr groß sind (> 250 m), berücksichtigen wir nur den Bereich, der den engsten Schnittpunkt mit dem DEM aufweist. Als nächstes korrigierten wir die molekularen und Aerosolbeiträge mithilfe von Gl. (2) und erhaltene endgültige oberflächenbasierte LSR-Schätzungen (γ). Gl. (2) zeigt, wie molekulare und Aerosolkorrekturen unter Verwendung der optischen Tiefe von Rayleigh (ODRay; siehe Zusatzmaterial, S1) bzw. der optischen Tiefe des Aerosols (AOD; siehe Zusatzmaterial, S2) angewendet wurden. Theoretisch kann LSR über Land mit einem 2π-Korrekturfaktor in BRDF umgewandelt werden, während eine solche Umwandlung hauptsächlich auf den Nadir-schauenden CALIOP mit einem Einfallswinkel von etwa 3°6 angewendet wurde. Der gleiche Ansatz ist möglicherweise nicht auf Lidars anwendbar, die stark vom Nadir abweichen, wie Aeolus, da die Einfalls- und Brechungswinkel nicht berücksichtigt werden. Über Wasseroberflächen, wo eine viel komplexere Wechselwirkung zwischen Spiegel-, Weißkappen- und Untergrundreflexionskomponenten auftreten kann, ist der LSR- und BRDF-Vergleich komplizierter17.

Um sicherzustellen, dass LSR nicht durch Bedingungen mit hohem AOD und Zirruswolken gedämpft wird, schließen wir alle LSR-Messungen mit AOD > 1,0 aus. Wir haben AOD mit dem Aeolus Profile Processor Algorithm (AEL-PRO) berechnet, der auf der optimalen Schätzung und dem Vorwärtsmodellierungs-Inversionsverfahren basiert . Kurz gesagt: AEL_PRO ruft das Lidar-Rückstreu-Verhältnisprofil ab, indem es nur die reinen Rayleigh- und Mie-gedämpften Rückstreuwerte als Eingabe verwendet, wodurch genaue Extinktionskoeffizientenprofile erhalten werden22. Die Ausgabeprofile des abgerufenen Zustandsvektors, einschließlich der Aerosol-/Wolken-Extinktionskoeffizienten, wurden in dieser Arbeit zur Schätzung der AOD verwendet. Da AEL_PRO außerdem atmosphärische Merkmale kategorisieren kann (Wasserwolke, Eiswolke, Aerosol, sauberer Himmel usw.), haben wir die strengste Filterstrategie angewendet, indem wir alle LSR-Beobachtungen ausgeschlossen haben, die möglicherweise durch Eiswolken und Wasserwolken kontaminiert sind. Mit einfachen Worten: Wir haben AEL_PRO verwendet, um nur die hochwertigen LSR-Beobachtungen ohne Wolken beizubehalten, bei denen das Oberflächensignal nicht gedämpft wurde. Diese Filterung wurde mit der höchsten Messauflösung von Aeolus durchgeführt. Einzelheiten zu AEL_PRO finden Sie im Zusatzmaterial S2 und in der Arbeit von Donovan et al.22. Anschließend berechneten wir monatliche Durchschnittswerte des LSR mit den entsprechenden Standardabweichungen auf einem 2,5° × 2,5°-Raster im ersten vollständigen jährlichen (oder saisonalen) Zyklus der Aeolus-Beobachtungen (September 2018–August 2019). Im Untersuchungszeitraum ergibt die monatliche Mittelung von Millionen von Beobachtungen eine reichliche quasi-globale Abdeckung durch LSR-Beobachtungen. Kleinere zeitliche Datenlücken gab es nur an einigen Tagen im Januar und Februar 2019, als bei Aeolus ein Systemausfall auftrat. Aufgrund des Wechsels vom Laser des Flugmodells A (FM-A) zum zweiten Laser (FM-B) im Zeitraum 14 haben wir auch keine Daten aus dem Juni 2019 verwendet, um etwaige negative Auswirkungen des Regimewechsels während dieses Zeitraums zu vermeiden Monat. Jeder Schritt der LSR-Berechnung wird im Zusatzmaterial (SI Abb. S1) detailliert dargestellt. Beachten Sie, dass wir zwar alle potenziell bösartigen Auswirkungen für die LSR-Schätzung gründlich berücksichtigt haben, einige Einschränkungen jedoch direkt auf das Aeolus-Setup zurückzuführen sind. Am wichtigsten ist, dass der emittierte Lidar-Impuls zirkular polarisiert ist; Allerdings erkennt der Aeolus-Empfänger nur die kopolare Komponente, was zu Diskrepanzen bei den LSR-Schätzungen führen könnte. Diese Einschränkung ist inhärent, da Aeolus keinen Depolarisationskanal hat. Zukünftige LSR-Schätzungen von Aeolus könnten erneut überprüft werden, wenn die EarthCARE-Mission gestartet wird, die ein linear polarisiertes Lidar-Instrument bei derselben Wellenlänge mit einem Depolarisationskanal umfasst. Dies ermöglicht eine Schätzung sowohl der zirkulären als auch der kopolaren Komponenten der Depolarisation, die dann in einer retrospektiven Analyse mit den Aeolus-LSR-Schätzungen verglichen werden können.

Diese Studie stützt sich in erster Linie auf Aeolus-Daten, einschließlich des Wiederaufbereitungsprodukts der Stufe 1B (L1B)22,23, um die Oberfläche mit der höchsten räumlich-zeitlichen Auflösung der Aeolus-Sondierung zu erfassen. Das L1B-Produkt bietet Geolokalisierungs-, DEM- und Land-/Wassertyp-Klassifizierungsinformationen. Der L2A-AEL_PRO-Datensatz enthält durch Übersprechen korrigierte Beobachtungen und liefert die abgeschwächte Partikelrückstreuung (für die LSR-Berechnung), das abgerufene Extinktionskoeffizientenprofil (für die AOD-Filterung bei Fällen mit hoher Aerosol-/Wolkenbelastung und zur Korrektur des LSR bei schwachem Aerosol/Wolke). Dämpfung), die abgeschwächte molekulare Rückstreuung (für die ODRay-Korrektur und den molekularen Beitrag) und damit verbundene Unsicherheiten. Beachten Sie, dass Übersprechen eine erhebliche Rauschquelle darstellt, die sowohl im Mie- als auch im Rayleigh-Kanal vorhanden ist. Vereinfacht gesagt handelt es sich um eine Verunreinigung eines der beiden Kanäle durch das Signal des anderen Kanals. Übersprechen ist ein nachteiliges Merkmal für die Bestimmung des Rückstreuverhältnisses und daher schädlich für die Lidar-basierte Schätzung atmosphärischer Rückstreu- und Extinktionsprofile. Einzelheiten zu den AEL_PRO-Daten und der Cross-Talk-Korrektur finden Sie im Zusatzmaterial (Abschnitt S2). Zur Validierung verwendeten wir Schätzungen der Lambertian Equivalent Reflectivity (LER) von TROPOMI (TROPOspheric Monitoring Instrument) und GOME-2 (The Global Ozone Monitoring Experiment-2 (GOME-2), jeweils als LERTRO und LERGOM bezeichnet. Beachten Sie, dass LER dies ist abgeleitet von der spezifischen untersuchten Sonnengeometrie, während die Satellitenbeobachtungsabhängigkeit durch die Annahme einer Lambertschen Oberfläche beseitigt wird. LER drückt die omnidirektionalen Oberflächenreflexionseigenschaften aus, obwohl möglicherweise nicht alle Oberflächen Lambertsch sind. Aufgrund der inhärenten LSR-LER-Unterschiede und des Fehlens eines klaren Pfades Wie man LSR bei 35°17 in BRDF umwandelt, haben wir nicht auf die Normalisierung und physikalische Einheitenumrechnung angewendet, sondern die statistische Übereinstimmung zwischen LSR und LER ausgewertet. Wir haben auf TROPOMI (minimales LER mit Schnee/Eis v1.1) und GOME-2 LER zugegriffen ( Modus LER, v4.0) bei 354 nm (die Wellenlänge, die der Wellenlänge von 355 nm von Aeolus am nächsten kommt) monatliche Klimatologien3,24 mit der höchsten verfügbaren räumlichen Auflösung von 0,125° × 0,125° bzw. 0,25° × 0,25°. Sie wurden auf 2,5° × 2,5°-Gitter mit den Unsicherheiten als Standardabweichung der LER während des Monats neu abgetastet. LER wurde von der TEMIS-Website (Tropospheric Emission Monitoring Internet Service) heruntergeladen (https://www.temis.nl/surface/albedo/, abgerufen am 12.02.2023). Wir haben LER-Schätzungen verwendet, die auch schneebedeckte Gebiete widerspiegeln, da es wichtig ist, Schnee-/Eisregionen in die Analyse einzubeziehen, um die Empfindlichkeit von Aeolus LSR gegenüber den stärksten weißen Reflektoren zu bewerten. Beachten Sie, dass einige Unterschiede zwischen LERTRO und LERGOM plausibel sind: LERGOM basiert auf einer statistischen Filterung, während LERTRO auf einer aktiven Wolkenfilterung basiert. Die Überflugzeiten der Satelliten sind nicht gleich, was bedeutet, dass sich die Sonne in einer anderen Position befindet und das Vorhandensein von BRDF-bedingten Oberflächeneffekten oder atmosphärischen Effekten die LER-Unterschiede verstärken kann. Vermutlich besteht auch eine Abhängigkeit der atmosphärischen Genauigkeit vom Sonnenwinkel. Wir haben auch die Differenz zwischen dem von der Oberfläche reflektierten Nahinfrarot- und Rotlicht dividiert durch ihre Summe verwendet, d einen bestimmten Bereich. Wir haben auf diese Schätzungen aus der offenen GIOVANNI-Datenbank (Kennung: https://doi.org/10.5067/MODIS/MOD13C2.006, abgerufen von https://giovanni.gsfc.nasa.gov am 01.11.2022) mit einer Auflösung von 0,05° zugegriffen auf 0,25° × 0,25° herunterskaliert und gemittelt (pro Monat).

Die von uns verwendeten Daten sind über die folgenden Quellen verfügbar. Die Analyse in diesem Dokument basiert auf Aeolus Level 1B-Produkten; Diese Daten sind öffentlich verfügbar und können über das ESA Aeolus Online Dissemination System abgerufen werden: https://aeolus-ds.eo.esa.int/oads/access/. Die L1B-Produkte werden im Rahmen der zweiten und dritten Aeolus-Wiederaufbereitungskampagne verarbeitet. Darüber hinaus sind TROPOMI- und GOME-2-LER-Daten unter https://www.temis.nl/surface/albedo/tropomi_ler.php verfügbar. Laut Tilstra et al.24 sind MODIS NDVI-Daten unter https://giovanni.gsfc verfügbar .nasa.gov (MOD13C2, v006) gemäß https://doi.org/10.5067/MODIS/MOD13C2.006.

Turner, J. & Parisi, A. Albedo und Reflexion der UV-Strahlung im Überblick: Der Einfluss der UV-Exposition in beruflichen Umgebungen. Int. J. Umgebung. Res. Public Health 15, 1507. https://doi.org/10.3390/ijerph15071507 (2018).

Artikel CAS PubMed PubMed Central Google Scholar

Varotsos, CA, Melnikova, IN, Cracknell, AP, Tzanis, C. & Vasilyev, AV Neue Spektralfunktionen der bodennahen Albedo, abgeleitet aus Beobachtungen mit Flugzeugbeugungsspektrometern. Atmosphäre. Chem. Physik. 14, 6953–6965. https://doi.org/10.5194/acp-14-6953-2014 (2014).

Artikel ADS CAS Google Scholar

Tilstra, LG, Tuinder, ONE, Wang, P. & Stammes, P. Oberflächenreflexionsklimatologien von UV bis NIR, ermittelt aus Erdbeobachtungen von GOME-2 und SCIAMACHY. J. Geophys. Res. Atmosphäre. 122, 4084–4111. https://doi.org/10.1002/2016JD025940 (2017).

Artikel ADS Google Scholar

Weiler, F. Bias-Korrektur mithilfe von Bodenechos für den luftgestützten Demonstrator des Wind-Lidars auf der ADM-Aeolus-Mission. Masterarbeit, Universität Innsbruck, Fakultät für Geo- und Atmosphärenwissenschaften, verfügbar unter https://diglib.uibk.ac.at/urn:nbn:at:at-ubi:1-7104 (letzter Zugriff: 17.03.2022) (2017).

Tanskanen, A. & Manninen, T. Effektive UV-Oberflächenalbedo saisonal schneebedeckter Gebiete. Atmosphäre. Chem. Physik. 7, 2759–2764. https://doi.org/10.5194/acp-7-2759-2007 (2007).

Artikel ADS CAS Google Scholar

Lu, X. et al. Bidirektionale Laserpulsreflexion von der CALIPSO-Mission. Atmosphäre. Mess. Technik. 11, 3281–3296. https://doi.org/10.5194/amt-11-3281-2018 (2018).

Artikel PubMed PubMed Central Google Scholar

Josset, D., Pelon, J., Protat, A. & Flamant, C. Neuer Ansatz zur Bestimmung der optischen Aerosoltiefe aus kombinierten CALIPSO- und CloudSat-Meeresoberflächenechos: Neuer Ansatz zur Bestimmung des AOD. Geophys. Res. Lette. 35, 1. https://doi.org/10.1029/2008GL033442 (2008).

Artikel Google Scholar

Reagan, JA Weltraumgestützte Lidar-Fernerkundungstechniken mit Unterstützung von Oberflächenechos. Opt. Ing. 30, 96. https://doi.org/10.1117/12.55776 (1991).

Artikel ADS Google Scholar

Chadysiene, J. & Girgzdys, A. Bewertung der ultravioletten (UV) Strahlung aus technischen Quellen. J. Umgebung. Ing. Landsk. Geschäftsführer https://doi.org/10.3846/1648-6897.2009.17.164-170 (2009).

Artikel Google Scholar

Reitebuch, O. et al. Der luftgestützte Demonstrator für das Direktdetektions-Doppler-Windlidar ALADIN auf ADM-Aeolus: Teil I: Instrumentendesign und Vergleich mit Satelliteninstrumenten. J. Atmos. Ozean. Technol. 26(12), 2501–2515. https://doi.org/10.1175/2009JTECHA1309.1 (2009).

Artikel ADS Google Scholar

Flament, T. et al. Produkt mit optischen Eigenschaften des Aeolus L2A-Aerosols: Standardkorrekter Algorithmus und Mie-Algorithmus. Atmosphäre. Mess. Technik. 14, 7851–7871. https://doi.org/10.5194/amt-14-7851-2021 (2021).

Artikel Google Scholar

van der Werf, GR et al. Schätzungen der globalen Brandemissionen im Zeitraum 1997–2016. Erdsystem. Wissenschaft. Daten 9, 697–720. https://doi.org/10.5194/essd-9-697-2017 (2017).

Artikel ADS Google Scholar

Parazoo, NC et al. Auf dem Weg zu einer harmonisierten, weltraumgestützten Langzeitaufzeichnung der durch die Sonne verursachten Fluoreszenz im fernen Rot. J. Geophys. Res. Biogeosci. 124, 2518–2539. https://doi.org/10.1029/2019JG005289 (2019).

Artikel Google Scholar

Lux, O. et al. ALADIN-Laserfrequenzstabilität und ihr Einfluss auf den Aeolus-Windfehler. Atmosphäre. Mess. Technik. 14, 6305–6333. https://doi.org/10.5194/amt-14-6305-2021 (2021).

Artikel CAS Google Scholar

Witschas, B. et al. Spektrale Leistungsanalyse der Aeolus Fabry-Pérot- und Fizeau-Interferometer während der ersten Betriebsjahre. Atmosphäre. Mess. Technik. 15, 1465–1489. https://doi.org/10.5194/amt-15-1465-2022 (2022).

Artikel CAS Google Scholar

Li, Z., Lemmerz, C., Paffrath, U., Reitebuch, O. & Witschas, B. Luftgestützte Doppler-Lidar-Untersuchung des Reflexionsvermögens der Meeresoberfläche bei einer ultravioletten Wellenlänge von 355 nm. J. Atmos. Oceanic Tech. 27, 693–704. https://doi.org/10.1175/2009JTECHA1302.1 (2010).

Artikel ADS Google Scholar

Josset, D., Zhai, P.-W., Hu, Y., Pelon, J. & Lucker, PL Lidar-Gleichung für die Meeresoberfläche und den Untergrund. Opt. Express 18, 20862. https://doi.org/10.1364/OE.18.020862 (2010).

Artikel ADS PubMed Google Scholar

Cho, M.-H. et al. Eine fehlende Komponente der arktischen Erwärmung: Ruß aus der Gasabfackelung. Umgebung. Res. Lette. 14, 094011. https://doi.org/10.1088/1748-9326/ab374d (2019).

Artikel ADS CAS Google Scholar

Hadley, OL & Kirchstetter, TW Rußreduzierung der Schneealbedo. Nat. Aufstieg. Chang. 2(5), 437–440. https://doi.org/10.1038/nclimate1445 (2012).

Artikel ADS CAS Google Scholar

Wehr, T. et al. Die EarthCARE-Mission – Wissenschafts- und Systemüberblick. Atmosphäre. Mess. Technik. 16, 3581–3604. https://doi.org/10.5194/amt-16-3581-2023 (2023).

Artikel CAS Google Scholar

Hélière, A., Armandillo, E., Durand, Y., Culoma, A. & Meynart, R. Lidar-Instrumente für ESA-Erdbeobachtungsmissionen. Proz. Int. Konf. Platz opt. (ICSO) 10568, 1056801. https://doi.org/10.1117/12.2308005 (2017).

Donovan, D., van Zadelhoff, G.-J., Wang, P. und Huber, D. ATILD-Wolken-/Aerosol-Algorithmen angewendet auf ALADIN, EGU-Generalversammlung 2021, online, 19.–30. April 2021, EGU21-15189. https://doi.org/10.5194/egusphere-egu21-15189 (2021).

Reitebuch, O., Huber, D., & Nikolaus, I. ADM-Aeolus-Algorithmus Theoretisches Basisdokument ATBD Level1B-Produkte. 45. https://earth.esa.int/eogateway/documents/20142/37627/Aeolus-L1B-Algorithm-ATBD.pdf (letzter Zugriff: 23. Februar 2023) (2018).

Lux, S., Reitebuch, O., Huber, D., Nikolaus, I. ADM-Aeolus-Algorithmus Theoretisches Basisdokument ATBD Level1B Produkte. 45. https://earth.esa.int/eogateway/documents/20142/37627/Aeolus-L1B-Algorithm-ATBD.pdf (letzter Zugriff: 23. Februar 2023) (2018).

Tilstra, LG, Tuinder, ONE, Wang, P. & Stammes, P. Richtungsabhängiges Lambertian-äquivalentes Reflexionsvermögen (DLER) der Erdoberfläche, gemessen mit den GOME-2-Satelliteninstrumenten. Atmosphäre. Mess. Technik. 14, 4219–4238. https://doi.org/10.5194/amt-14-4219-2021 (2021).

Artikel CAS Google Scholar

Referenzen herunterladen

Diese Veröffentlichung ist Teil des Projekts SWAILS (mit der Projektnummer ALWGO.2018.040) des Forschungsprogramms Gebruikersondersteuning ruimteonderzoek, das (teilweise) vom niederländischen Forschungsrat (NWO) finanziert wird. Diese Arbeit wurde von der ESA im Rahmen des Programms Aeolus+ Innovation (Aeolus+I) im Rahmen des SWAILS+-Projekts unterstützt (ESA-Vertrag Nr. 4000133124/20/I-BG). Der Erstautor erkennt alle nützlichen Beiträge und Ratschläge zu dieser Arbeit von Kollegen und Experten an, darunter (aber nicht beschränkt auf): D. Josset, P. Stammes, O. Reitebuch, F. Weiler, MI Alborow, C. Jamet, A . Payez, D. Huber und GJ. Marseille.

Forschungs- und Entwicklungsgruppe für Satelliten und Beobachtungen, Königlich Niederländisches Meteorologisches Institut (KNMI), De Bilt, Niederlande

LD Labzovskii, GJ van Zadelhoff, LG Tilstra, J. de Kloe, DP Donovan & A. Stoffelen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Die ursprüngliche Idee dieser Studie, konzeptioneller Rahmen, Manuskriptvorbereitung, Schreiben und Datenanalyse – LDL, methodische Lösungen, Entwurfsvorbereitung und -schreiben – G.-JVZ, LGT, DPD, Schreiben, Entwurfsvorbereitung – AS Alle Autoren haben das Manuskript überprüft.

Korrespondenz mit LD Labzovskii.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative-Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Labzovskii, LD, van Zadelhoff, GJ, Tilstra, LG et al. Die hohe Empfindlichkeit der Aeolus UV-Oberfläche führt zum Oberflächenreflexionsvermögen. Sci Rep 13, 17552 (2023). https://doi.org/10.1038/s41598-023-44525-5

Zitat herunterladen

Eingegangen: 14. Juni 2023

Angenommen: 09. Oktober 2023

Veröffentlicht: 16. Oktober 2023

DOI: https://doi.org/10.1038/s41598-023-44525-5

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein gemeinsam nutzbarer Link verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.