1,721,311 research outputs found
Master track from POLAR 6 flight P6_246_HAMAG_2024_2402090101 in 1 sec resolution (zipped, 980 KB)
No full textMaster track from POLAR 6 flight P6_246_HAMAG_2024_2402120201 in 1 sec resolution (zipped, 514 KB)
No full textMaster track from POLAR 6 flight P6_246_HAMAG_2024_2402150401 in 1 sec resolution (zipped, 776 KB)
No full textMaster track from POLAR 6 flight P6_246_HAMAG_2024_2402190601 in 1 sec resolution (zipped, 1 MB)
No full textMaster track from POLAR 6 flight P6_246_HAMAG_2024_2402130301 in 1 sec resolution (zipped, 362 KB)
No full textMaster track from POLAR 6 flight P6_246_HAMAG_2024_2402180501 in 1 sec resolution (zipped, 922 KB)
No full textGround-based lidar and microwave radiometry synergy for high vertical resolution absolute humidity profiling
Full text linkContinuous monitoring of atmospheric humidity profiles is important for many applications, e.g., assessment of atmospheric stability and cloud formation. Nowadays there are a wide variety of ground-based sensors for atmospheric humidity profiling. Unfortunately there is no single instrument able to provide a measurement with complete vertical coverage, high vertical and temporal resolution and good performance under all weather conditions, simultaneously. For example, Raman lidar (RL) measurements can provide water vapor with a high vertical resolution, albeit with limited vertical coverage, due to sunlight contamination and the presence of clouds. Microwave radiometers (MWRs) receive water vapor information throughout the troposphere, though their vertical resolution is poor. In this work, we present an MWR and RL system synergy, which aims to overcome the specific sensor limitations. The retrieval algorithm combining these two instruments is an optimal estimation method (OEM), which allows for an uncertainty analysis of the retrieved profiles. The OEM combines measurements and a priori information, taking the uncertainty of both into account. The measurement vector consists of a set of MWR brightness temperatures and RL water vapor profiles. The method is applied to a 2-month field campaign around Jülich (Germany), focusing on clear sky periods. Different experiments are performed to analyze the improvements achieved via the synergy compared to the individual retrievals. When applying the combined retrieval, on average the theoretically determined absolute humidity uncertainty is reduced above the last usable lidar range by a factor of ĝ1/4 ĝ€2 with respect to the case where only RL measurements are used. The analysis in terms of degrees of freedom per signal reveal that most information is gained above the usable lidar range, especially important during daytime when the lidar vertical coverage is limited. The retrieved profiles are further evaluated using radiosounding and Global Position Satellite (GPS) water vapor measurements. In general, the benefit of the sensor combination is especially strong in regions where Raman lidar data are not available (i.e., blind regions, regions characterized by low signal-to-noise ratio), whereas if both instruments are available, RL dominates the retrieval. In the future, the method will be extended to cloudy conditions, when the impact of the MWR becomes stronger
Quantifizierung von Aggregationseffekten in Bodenfeuchte-Retrievalalgorithmen
Full text linkIn dieser Studie wird eine Modellkette präsentiert und angewendet, die aus dem hydrologischen Modell TOPLATS, dem Strahlungstransportmodell Streamer und dem Mikrowellen-Landoberflächenemissionsmodell LSMEM besteht. Mit der Modellkette wird ein konsistenter Datensatz von Bodenfeuchten und kollokierten Strahlungstemperaturen berechnet und zur Quantifizierung von Aggregationseffekten bei Bodenfeuchte-Retrievalalgorithmen eingesetzt. Bei Aggregationseffekten handelt es sich um systematische Fehler, die bei nichtlinearen Prozessen auftreten, wenn mit identischen Ableitungsvorschriften auf unterschiedlichen räumlichen Skalen gearbeitet wird. Dies ist beispielsweise bei der Nutzung von Satellitenmessungen unterschiedlicher Frequenzen der Fall, weil die Größen der Satellitenfootprints dabei deutlich voneinander abweichen. Die Modellkette wird zunächst auf den Einsatz in großen Gebieten vorbereitet. Für das Mikrowellenmodell wird eine Kalibration vorgenommen, bei der zwei Parameter, die durch Messungen nicht festgelegt werden können, für den Frequenzbereich von 1 bis 20 GHz abgeleitet werden. Für diese Kalibration werden Messdaten des Southern Great Plains Experiments 1999 genutzt. Zudem wird eine linearisierte Strahlungstransportgleichung (LSTG) für den Infrarot-Strahlungstransport entwickelt, so dass die rechenzeitintensiven Streamer-Modellierungen nur noch an wenigen Stützstellen nötig sind. Die LSTG ist analytisch lösbar und invertierbar, was für die Ableitung von Oberflächentemperaturen aus Infrarot-Satellitenmessungen des Geostationary Operational Environmental Satellite (GOES) genutzt wird. Die Validation der Modellkette wird anhand eines Fallbeispiels mit der kleinsten zur Verfügung stehenden Mikrowellen-Frequenz eines satellitengetragenen Radiometers während SGP99 durchgeführt (10.65 GHz). Insbesondere für horizontal polarisierte Strahlung erweist sich die Modellkette als gut geeignet zur Reproduktion der am Satelliten gemessenen Strahlungstemperaturen. Zur Quantifizierung von Aggregationseffekten wird der mit der Modellkette erstellte Datensatz mit drei verschiedenen Methoden analysiert. Bei der ersten Methode wird eine für hochaufgelöste Daten abgeleitete Regressionsgleichung auf gemittelte Daten angewandt, und die resultierenden Fehler werden quantifiziert. Bei der zweiten Methode wird auf jeder Mittelungsskala eine separate Gleichung abgeleitet, und die unterschiedlichen Formen dieser Gleichungen werden analysiert. Im dritten Fall wird untersucht, ob sich Unterschiede ergeben, wenn die Ergebnisse von hochaufgelösten Strahlungstransportmodellierungen gemittelt werden im Vergleich zu Vorwärtmodellierungen mit gemittelten Eingangsdaten. Es ergeben sich bei allen drei Methoden bezogen auf die exemplarisch genutzte Frequenz 10.65 GHz ähnlich ausgeprägte Aggregationseffekte, die sich bei dem gewählten Fallbeispiel aus der Messkampagne SGP99 auf etwa 1.5 vol.% Bodenfeuchtefehler bzw. auf 0.5 K Strahlungstemperatur-Abweichung belaufen.</p
Sea ice microwave emissivity observed from the Polar 5 aircraft during the airborne field campaigns ACLOUD and AFLUX
No full textThis data contains sea ice emissivity observations from the Microwave Radar/radiometer for Arctic Clouds (MiRAC; Mech et al., 2019) onboard the Polar 5 aircraft during the ACLOUD (RF23 and RF25) and AFLUX (RF08, RF14, and RF15) field campaigns. MiRAC consists of two components: MiRAC-A with an 89 GHz channel (25° incidence angle, horizontal polarization) and MiRAC-P with six channels around the 183.31 GHz water vapor absorption line (183.31±0.6, ±1.5, ±2.5, ±3.5, ±5.0, and ±7.5 GHz) and two window channels at 243 and 340 GHz (nadir). Note that the polarization and viewing angles of MiRAC-A and -P differ. The emissivity was calculated from the observed brightness temperature with ancillary information on the surface temperature from a KT-19 infrared radiometer and atmospheric profile. The radiative transfer simulations required for the emissivity calculation are performed with the Passive and Active Microwave radiative TRAnsfer (PAMTRA) model (Mech et al., 2020). Further details on the emissivity calculation are described in Risse et al. (2024)
- …
