La alta sensibilidad de la superficie UV de Aeolus vuelve a la reflectividad de la superficie

Scientific Reports volumen 13, número de artículo: 17552 (2023) Citar este artículo

Detalles de métricas

Las climatologías globales de reflectividad de la superficie ultravioleta (UV) se componen de observaciones remotas pasivas de luz diurna de la luz ultravioleta reflejada, generalmente integradas en una distribución de direcciones de reflexión alcanzables. Descubrimos la sensibilidad de los retornos de superficie lidar (LSR) de Aeolus a las características de la superficie, lo que proporciona la primera evidencia de que la detección remota activa se puede utilizar de manera efectiva para recuperar la reflectividad de la superficie UV unidireccional a escalas globales. LSR reproduce los cambios mensuales de reflectividad de la superficie en el Sahara, que son visibles en las climatologías de reflectividad equivalente lambertiana (LER) de TROPOMI y GOME-2. Se reportan correlaciones muy altas (r > 0,90) entre el LSR cuadriculado y las climatologías LER a escalas global y regional para 36 regiones diferentes. Se distinguen tres gradientes claros de cobertura terrestre a partir de la señal de Aeolus LSR: (1) agua/tierra, (2) vegetación/áreas áridas y (3) sin nieve/nieve. La señal LSR más fuerte se recuperó sobre la nieve, mientras que sobre la vegetación, encontramos una concordancia negativa moderada (r <-0,60) entre el LSR y el indicador del índice de vegetación. En general, se demuestra el éxito del primer método activo de detección remota para recuperar la reflectividad de la superficie UV unidireccional utilizando Aeolus. Nuestro enfoque se puede utilizar eficazmente para detectar terrenos no resueltos y, especialmente, cambios en la capa de nieve en latitudes altas porque, a diferencia de los instrumentos pasivos, Aeolus también proporcionó observaciones nocturnas.

El conocimiento limitado de las características de reflectividad de la superficie en longitudes de onda ultravioleta (UV) ha sido fuente de resultados contradictorios en estudios anteriores1. Esta brecha es de particular preocupación ya que necesitamos conocer las características de reflectancia de la superficie UV para comprender la exposición humana a los rayos UV y para recuperar estimaciones precisas de la profundidad óptica de los aerosoles a 355 nm2. Lo más importante es que la información sobre la reflectividad de la superficie es un requisito previo para cualquier aplicación que requiera un modelado preciso de la transferencia radiativa, como la teledetección espacial de gases traza, aerosoles/nubes o modelos de transporte químico. Además de eso, las fuertes características de reflectancia de la superficie de las superficies blancas en la longitud de onda UV3,4 desvelan el potencial para la detección de superficies de nieve o incluso la clasificación del tipo de nieve (vieja/nueva) si se puede disponer de un mapa preciso y de alta resolución de reflectancia de la superficie UV. ser generado. Esta información es esencial para evitar una subestimación del albedo de la nieve5, que puede afectar negativamente a los instrumentos pasivos de detección remota en latitudes altas.

A pesar de la necesidad de estimaciones precisas del albedo superficial para estudios climáticos e investigaciones atmosféricas, nuestra comprensión de la reflectividad superficial a escala global en la banda espectral UV sigue siendo limitada. Hasta la fecha, todos los estudios de teledetección se han basado en instrumentos pasivos para recuperar las características de reflectividad de la superficie en UV, que utilizan el sol y la radiación atmosférica relacionada como fuente de luz para la recuperación. Por ejemplo, las climatologías de reflectividad equivalente lambertiana (LER) generadas utilizando tales métodos contienen errores sustanciales, derivados de la necesidad de aplicar corrección atmosférica, lo que inflige efectos más adversos en longitudes de onda más cortas3. Estas climatologías no tienen en cuenta ninguna observación procedente de regiones de alta latitud durante la noche polar y se basan en observaciones de todos los ángulos hemisféricos sólidos, lo que requiere suposiciones sobre el tipo de reflectancia lambertiana. Estudios anteriores han indicado que estas deficiencias y suposiciones pueden aliviarse mediante sensores remotos activos como el sondeo lidar6, que se beneficia del campo de visión pequeño, el estable; fuente de luz unidireccional del láser utilizado y el ángulo de visión constante de las observaciones. Además, las observaciones lidar pueden proporcionar características unidireccionales de reflectividad de la superficie, como la retrodispersión atenuada desde la superficie (sr-1)7 sin suposiciones sobre la heterogeneidad e isotropía de la superficie horizontal subyacente requerida para los instrumentos pasivos1.

En la práctica, el trabajo anterior de Reagan y Zelinski8 sugirió que la sensibilidad lidar de las superficies blancas (por ejemplo, la nieve) es aproximadamente 20 veces mayor que la del suelo oscuro en longitudes de onda visibles. Algunos estudios adicionales predijeron que las señales lidar de retrodispersión de superficies blancas serían especialmente altas a 355 nm9. Weiler4 utilizó más recientemente datos de 355 nm del demostrador aerotransportado dedicado previo al lanzamiento de Aeolus, que consiste en un lidar UV de viento de alta resolución espectral que había sido desarrollado específicamente para seguir un principio de medición y especificaciones similares10 al instrumento espacial ALADIN planeado para la misión Aeolus. Lo más interesante es que los autores4 sugirieron que los retornos de superficie Lidar (LSR) de la nieve fresca podrían ser hasta ~ 95 veces más fuertes que los LSR de la hierba/suelo en longitudes de onda UV. Sin embargo, los investigadores aún no han probado empíricamente esta sensibilidad durante el período en órbita del lidar UV de viento de alta resolución espectral Aeolus, que estuvo en el espacio desde agosto de 2018 hasta julio de 2023. La experiencia con sistemas lidar espaciales nadir como CALIOP sugiere que la señal retrodispersada del contenedor de superficie se puede traducir a BRDF (función de distribución de reflectancia bidireccional); una función de las características de reflectividad de la superficie6. Con la publicación de conjuntos de datos que contienen señales de retrodispersión calibradas del canal Mie y algoritmos de detección de superficies, surge la oportunidad de explorar la sensibilidad del lidar a las características de reflectancia de la superficie a 355 nm con la configuración óptica única de Aeolus (con un ángulo de incidencia de ~ 35°) también ha surgido. Ventajosamente, la detección unidireccional permite sondear la reflectividad de la superficie en el ángulo dado sin necesidad de hacer suposiciones sobre las propiedades de la superficie (por ejemplo, lambertiana) en las recuperaciones de reflectividad. La pequeña integración terrestre de ~ 3 km de Aeolus también permite una detección de nubes más eficiente debido a la sensibilidad inherente de las señales de retrodispersión de Aeolus a las nubes11.

Nuestro estudio aclara la sensibilidad de Aeolus LSR (355 nm) a las propiedades de reflectancia de la superficie para elaborar cómo se puede explotar aún más esta oportunidad potencial para la recuperación de la reflectividad UV de la superficie desde el espacio. Para este fin, utilizamos los datos de retrodispersión atenuada calibrados de Lidar Surface Return (LSR) de Aeolus durante los primeros 12 meses de la misión Aeolus (09.2018-08.2019).

En este trabajo, utilizamos la señal de retrodispersión (β) de las observaciones de Aeolus para recuperar la retrodispersión atenuada integrada en la superficie (SIAB) o simplemente el retorno de superficie Lidar (LSR) utilizando la experiencia de estudios previos (consulte la sección "Metodología" que describe la metodología para obtener más detalles). ). En sentido simple, LSR representa un eco superficial ultravioleta, registrado en el receptor de Aeolus. Primero calculamos LSRʹ sin corregir (γʹ en la Ec. 1) para cada mes del período de estudio. La Figura 1a ilustra las órbitas mensuales agregadas de Aeolus para septiembre de 2018, incluidas todas las observaciones de LSR sin ningún filtro aplicado. De acuerdo con estudios previos sobre la reflectividad UV de la superficie4,5, un simple cálculo de LSR' del contenedor de superficie de Aeolus (consulte la sección "Metodología" para la definición del contenedor de superficie) para septiembre de 2018 arrojó los mayores resultados de las superficies blancas (Groenlandia , Antártida), seguidas de superficies ocasionalmente cubiertas de nieve (Tíbet, Andes) y zonas áridas (Sáhara, Oeste de Estados Unidos, Irán); todos visibles en la Fig. 1a como grupos de color amarillo. Como era necesario filtrar todas las huellas fuertemente atenuadas, aplicamos la estrategia de filtrado descrita en la sección "Filtrado de características atenuantes de observaciones LSR". La Figura 1b muestra que el filtrado eliminó la mayoría de las estimaciones de LSR altamente atenuadas (de nubes de agua y hielo), lo que resultó en gradientes de reflectancia de superficie clarificados, donde la diferencia entre tierra y agua se vuelve muy clara. También tomamos en cuenta los efectos de la atenuación molecular y de aerosol para garantizar que el LSR exprese principalmente un reflejo de la superficie y esté libre de los efectos atmosféricos en la señal. Como se indica en la Fig. 1, la abundancia de datos produce una cobertura LSR cuasi global. Queda una brecha menor cerca del Medio Oeste de África debido a la alta carga de aerosoles en septiembre de 2018, impulsada por los eventos de quema activa de biomasa que ocurrieron en septiembre en esa región12. Se aplicó el mismo procedimiento que se muestra en la Fig. 1 (del panel a al c) a cada mes del período de estudio. Como resultado, obtuvimos una media anual de LSR corregido (Fig. 1d). Curiosamente, la media anual de LSR se asemeja a un mapa de cobertura de superficie con cuatro gradientes LSR distintos: agua-tierra, superficie oscura-superficie blanca (áreas cubiertas de nieve) y quizás incluso el gradiente superficie de vegetación-superficie árida. Es evidente una señal ligeramente debilitada sobre el Medio Oeste de África (grupo azul con ~ 0,0018 sr-1). Este patrón aparentemente apunta a un artefacto proveniente de casos de alta carga de aerosoles, que se incluyeron parcialmente en el análisis. Específicamente, aunque filtramos los casos de AOD > 1,0, se incluyeron en el análisis algunos casos de carga de aerosol bastante alta (AOD 0,75–0,99, por ejemplo) para garantizar la abundancia de estadísticas en el análisis. En general, los claros gradientes de LSR dependientes del tipo de cobertura terrestre de la Fig. 1 confirman que el filtrado AOD <1.0 alivió el efecto de atenuación, mientras que el umbral óptimo para filtrar casos de AOD altos debe ser objeto de un análisis de sensibilidad detallado.

Ilustración del procedimiento de cálculo de LSR utilizando Aeolus a 355 nm a partir de (a) observaciones mensuales agregadas de LSR' (sr−1) sin corregir ni filtrar para 2018-09, (b) sin corregir, pero filtradas (Bandera = 100%, lo que significa que se filtraron el 100% de las características atenuadas; AOD < 1,0 únicamente) observaciones mensuales agregadas de LSR'; tanto a como b se calcularon utilizando la resolución de medición más alta de Aeolus. En los paneles (c) y ( d), respectivamente. Este mapa fue creado utilizando el software de código abierto QGIS (v 3.22.6) bajo la Licencia Pública General GNU.

Verificamos además los gradientes de LSR visibles en la Fig. 1 y aclaramos la sensibilidad del LSR a las propiedades de reflectancia de la superficie a 355 nm. Con este fin, calculamos los coeficientes de correlación entre las estimaciones de LSR y las referencias de LER para el 9 de septiembre de 2018 y el 8 de agosto de 2019 (Fig. 2) en el desierto del Sahara y a nivel mundial. El Sahara fue seleccionado como área de referencia para evaluar la sensibilidad del LSR a las características de reflectividad de la superficie debido a su variabilidad estacional de LER más baja (ver SI Fig. S2 en el suplemento). Curiosamente, LSR reprodujo cambios mensuales incluso débiles en la reflectividad de la superficie en el Sahara, que anteriormente se habían considerado insignificantes en LER (gráfico rojo, Fig. 2a). Lo más importante es que estos cambios de LSR coincidieron bien con LERTRO (coeficiente de correlación, r = 0,89) y moderadamente bien con LERGOM (r = 0,62) en el período de estudio (09.2018–08.2018). Tal acuerdo puede considerarse alto ya que las dos referencias LER no siempre concuerdan perfectamente entre sí (r = 0,72 para el Sahara), incluso en regiones áridas con características de reflectividad, casi independientes de los cambios de vegetación. Estas diferencias son realistas porque los satélites GOME-2 y TROPOMI tienen diferentes tiempos de sobrevuelo local, lo que potencialmente induce diferencias menores en las climatologías finales del LER13. Aunque la variabilidad de la reflectividad de la superficie es generalmente débil en el Sahara, el Aeolus LSR no solo captura esta variabilidad, sino que también exhibe un rango más amplio de cambio de reflectancia de la superficie (0,010–0,031 sr−1), en comparación con LERTRO (0,070–0,120). Esta observación demuestra el potencial de las mediciones LSR para detectar cambios en la reflectancia de la superficie. Estos cambios aparentemente fueron capturados con menos claridad por el albedo de la superficie basado en técnicas de detección remota pasiva. Debido a una notable disminución de la señal de Aeolus (de mayo a julio de 2019), agregamos la estimación de LSR de septiembre de 2019 al análisis del Sahara. La Figura 2a muestra claramente que la estimación de LSR de septiembre de 2019 es casi dos veces menor que la estimación de LER de septiembre de 2018. Este fenómeno probablemente fue impulsado por el cambio entre dos transmisores láser redundantes que ocurrió en junio de 2019 después del deterioro de la señal, que marcó la transición entre dos Modos de Vuelo (FM) de Aeolus: períodos FM-A y FM-B14. Este cambio está relacionado con el cambio en el rendimiento de Aeolus que ha sido examinado exhaustivamente en algunos estudios previos14,15. A pesar de esto, la sensibilidad relativa del LSR a la reflectividad de la superficie se mantuvo alta ya que el Aeolus LSR aumentó desde julio de 2019 hasta septiembre de 2019. Como resultado, se percibió una buena concordancia estadística con las estimaciones de LERTRO que aumentan lentamente para este corto período. Excepto el Sahara, ampliamos nuestro análisis a escalas globales. Como se esperaba, las climatologías de referencia LER concuerdan muy bien entre sí (r = 0,96) a escalas globales (Fig. 2b). Más interesante aún, Aeolus LSR también muestra muy buena correlación con LERTRO (r = 0,92) y LERGOM (r = 0,94). A diferencia de una concordancia casi lineal de dos LER diferentes, la relación LSR-LER mostró cierta relación de forma sigmoidea al exhibir una mayor variabilidad en el rango de retorno bajo (0,00–0,01 sr−1) y el rango de retorno alto (0,95–0,99 sr−1) . Examinamos más en detalle este patrón de variabilidad del LSR.

(a) Comparación de las estimaciones mensuales de LSR de Aeolus con las estimaciones de LER para el Sahara (las incertidumbres se toman de las desviaciones estándar de las estimaciones mensuales dentro de la región de interés; las incertidumbres de LERTRO se omiten para una mejor visibilidad del gráfico; son muy similares a las incertidumbres de LERGOM ). Intercomparación de estimaciones medias de (b) LERGOM vs LERTRO, (c) LSR Aeolus vs LERTRO. Todas las comparaciones se realizaron con una resolución de cuadrícula de 2,5° × 2,5° para 2018.09-2019.08 en (b,c), se agregó 1 mes de datos adicionales (septiembre de 2019) para (a). En (a), las estimaciones de LER se tomaron de las climatologías, lo que significa que se utilizaron las mismas estimaciones climatológicas de LER para septiembre de 2018 y septiembre de 2019. Tenga en cuenta que la barra de color refleja el número de ocurrencias trazadas en forma de registro normal. Tenga en cuenta que en este estudio no se utilizaron datos de Aeolus de junio de 2019 (consulte la sección "Filtrado de características atenuantes de observaciones LSR" para obtener una explicación detallada).

Para examinar la sensibilidad del LSR a la cobertura del suelo, calculamos las estimaciones medias del LSR para 36 regiones seleccionadas con distintas características de cobertura del suelo (consulte la lista de estas regiones en el material complementario S1) y las comparamos con las estimaciones medias del LER para las mismas regiones (Fig. .3). La Figura 3 muestra que análisis tan burdos, pero específicos de la región, arrojaron una correlación casi perfecta entre LERGOM y LERTRO (r = 0,99). Más interesante aún, encontramos una correlación muy alta entre las estimaciones de LSR y ambas referencias de LER con r = 0,94 (LERTRO; Fig. 3b) y r = 0,91 (LERGOM; Fig. 3c), respectivamente. La correlación entre LSR y LER está determinada por los retornos de tierra, no por agua. Específicamente, la comparación LSR-LER reveló una correlación muy alta entre estos diferentes parámetros en las regiones terrestres (r = 0,96 para LSR-LERTRO y r = 0,94 para LSR-LERGOM, respectivamente), pero una correlación muy débil (r = 0,47–0,50) en agua. Esta diferencia probablemente se atribuya a la diferente física de los retornos de Aeolus sobre el agua. Debido a las observaciones altamente no nadir de Aeolus (ángulo de incidencia = 35°), la reflexión especular lidar es casi insignificante, en comparación con los sistemas nadir16, lo que resulta en información de retrodispersión principalmente de la capa de agua subterránea17. Este patrón es evidente en la comparación LSR-LER ya que los retornos de agua de Aeolus son muy débiles, mientras que la climatología LER demuestra una reflectividad del agua relativamente más fuerte (ver marcadores azules en la Fig. 3), que, por ejemplo, excede la reflectividad de algunas zonas tropicales. bosques3. Además, este análisis regional puede arrojar luz sobre el patrón en forma de sigmoide de las diferencias fundamentales de LSR y LSR-LER, ilustrado en la Fig. 2. Específicamente, si bien se discernió la notable sensibilidad tanto de LSR como de LER a las superficies blancas, Aeolus podría ser más sensible a algunos cambios en la reflectancia de la superficie que anteriormente se habían considerado por debajo de la capacidad de medición de los sistemas pasivos de detección remota. Para ilustrar este efecto, la Fig. 3 muestra rangos a escala completa y ampliados de Aeolus LSR en escalas logarítmicas (ver paneles superior e inferior, respectivamente). Como se ve en la Fig. 3e, f, las estimaciones medias de LSR cambian claramente según el tipo de cobertura del suelo. El LSR aumenta desde el agua (puntos azules) a las áreas con vegetación (grupo verde) y a las zonas áridas (grupo amarillo), con los mayores retornos resultantes de las zonas afectadas por nieve/hielo (grupo púrpura). Este hallazgo concuerda con algunos trabajos anteriores, como Chadysiene y Girgzdys9, quienes demostraron que las superficies de nieve y arena reflejan ~ 80% y ~ 25% de la radiación UV, respectivamente, mientras que el pasto produce la reflectancia más débil. Más interesante aún, revelamos que la diferencia entre la señal más fuerte (nieve) y la señal más débil (agua) en LSR es similar a la diferencia entre superficies oscuras y blancas, reportada en los primeros trabajos de Reagan y Zielinski8. El rango de LSR en el análisis ampliado revela tres grupos evidentes de LSR en orden ascendente de intensidad de la señal: superficie con vegetación (burbuja verde), superficie árida (burbuja amarilla) y superficie nevada (burbuja morada). Las diferencias en las formas de los grupos entre los gráficos de Aeolus-GOME-2 y Aeolus-TROPOMI se pueden atribuir a los diferentes efectos de las superficies de nieve/hielo, capturados en los productos LERGOM y LERTRO basados en los diferentes instrumentos y los diferentes años de observación. (ver 'burbujas' en la Fig. 3e, f). Para aclarar este aspecto, examinamos la sensibilidad de Aeolus LSR al cambio de las características de reflectancia de la superficie dependiendo de la vegetación utilizando un análisis de correlación simple contra NDVI. De manera indicativa, ni LERTRO ni LERGOM mostraron ninguna asociación con las estimaciones medias mensuales del NDVI para el mismo período y las mismas regiones que en la Fig. 3, pero el LSR de Aeolus exhibió una correlación negativa moderada (r = − 0,61). Este resultado sugiere una sensibilidad potencial de la señal de Aeolus a los cambios de vegetación. En particular, los retornos más fuertes provienen de regiones con una considerable capa de nieve (NDVI bajo, pero no negativo, como para superficies homogéneamente blancas) y se debilitan dramáticamente con una vegetación más densa (de NDVI = 0,1–0,3 para zonas áridas a NDVI > 0,6 para diversas zonas productivas). ecosistemas).

Comparación regional (36 regiones) de estimaciones medias de LSR frente a LERTRO y LERGOM para tierra (puntos negros) y agua (azul claro) en una cuadrícula de 2,5° × 2,5° durante el período de estudio. Paneles superiores: (a) intercomparación LER (escalas lineales para ambos ejes), (b) intercomparación LERGOM vs LSR Aeolus (escalas logarítmicas para ambos ejes), (c) intercomparación LERTRO vs LSR Aeolus (escalas logarítmicas para ambos ejes). Panel inferior: gráficos ampliados en el área del rectángulo gris que se muestra en los paneles superiores para (d) intercomparación LER (escalas lineales para ambos ejes), (e) intercomparación LERGOM vs LSR Aeolus (escalas logarítmicas para ambos ejes), (f) LERTRO vs LSR (escalas logarítmicas para ambos ejes). Las burbujas de colores representan agrupaciones basadas en LSR de áreas cubiertas por nieve durante el año (púrpura), áreas áridas (amarillo) y áreas con vegetación desarrollada (verde).

La sensibilidad de Aeolus Lidar Surface Returns (LSR) a la reflectividad de la superficie terrestre, el tipo de cobertura terrestre e incluso a los cambios de vegetación se demostró durante el primer año del vuelo de Aeolus (09.2018-08.2019). Los muy buenos acuerdos estadísticos entre LSR y las climatologías LER existentes a escala local, regional y global; todos indican claramente que LSR se puede utilizar para expresar la reflectividad de la superficie UV unidireccional. A diferencia de los enfoques basados en sensores remotos pasivos para recuperar la reflectividad de la superficie, Aeolus LSR no requiere ninguna suposición sobre la irradiación en la superficie en todos los ángulos y las propiedades de la superficie (isotropía, heterogeneidad), ampliando así la cobertura espacial de las observaciones de la reflectividad UV de la superficie a niveles altos. latitudes y ampliando la cobertura de observación a escalas globales. Además de eso, la diferencia constante entre LSR (unidireccional) y LER (con suposiciones sobre la luz del día y las propiedades de la superficie) se puede utilizar para comprender cómo convertir LSR a LER en UV y con una incidencia altamente no nadir, lo que actualmente no está claro. En particular, ¿se debe dividir el ángulo sólido hemisférico de 2π6 o aplicar las consideraciones teóricas de Josset et. al17 con parametrización más compleja de reflexión y dispersión múltiple. De esta manera, el LSR puede vincularse a las cantidades de reflectividad de la superficie, utilizadas en el modelado de transferencia radiativa, como el albedo de la superficie, y relacionarse mejor con el LER de instrumentos pasivos en estudios futuros. Aeolus LSR se puede utilizar ventajosamente para confirmar o refutar tales suposiciones, porque se resuelve mejor tanto en iluminación como en ángulo de reflexión. En general, dada la sensibilidad del LSR a la reflectividad de la superficie y el tipo de terreno, el producto LSR puede potencialmente incorporarse a los datos oficiales de L2A Aeolus. Desde la perspectiva científica, dicho conjunto de datos ya se puede aplicar para (a) estudios de detección de nieve/cambios en la capa de nieve, especialmente si dicho cambio está relacionado con la deposición de carbono negro18, que debilita drásticamente el albedo de la nieve según experimentos de laboratorio19. Para futuras misiones con lidares a bordo20, como EarthCARE y Aeolus-2, la información precisa sobre LSR se puede utilizar (b) como entrada en la ecuación lidar para limitar mejor el modelado directo de la ecuación lidar principal y (c) para calibrar los instrumentos lidar utilizados en tales misiones21 utilizando información de reflectancia UV de superficies blancas fuertemente reflectantes. Por último, (d) considerando la abundancia de observaciones de Aeolus, el LSR se puede utilizar para mejorar la precisión de la clasificación de la cobertura terrestre mediante la aplicación de modelos de aprendizaje profundo para determinar el rango de características del LSR para cada tipo de cobertura terrestre.

Lanzado en 2018, Aeolus lleva el Instrumento Láser Doppler Atmosférico (ALADIN), un lidar UV de alta resolución espectral (355 nm) con un ángulo de incidencia de ~ 35° y el láser Nd:YAG de frecuencia triple bombeada por diodos en su interior. El instrumento proporciona información sobre los ~ 30 km más bajos de la atmósfera durante 15,6 órbitas por día con un paso elevado por el ecuador a las 06:00 y 18:00 hora solar local (LST) en una órbita heliosincrónica y con un ciclo de repetición de 7 días. ALADIN emite pulsos de 80 mJ y tiene una frecuencia de repetición de pulsos de 50 Hz. Está equipado con canales de Rayleigh y Mie, lo que permite recuperar señales de retrodispersión de moléculas y aerosoles, respectivamente. El láser Aeolus tiene un campo de visión de 19 μrad, lo que da como resultado una huella de ~ 12 a 15 m. La resolución horizontal más alta de las mediciones de Aeolus es de ~ 3 km. Las mediciones de Aeolus se acumulan a bordo para disminuir el ruido de lectura en los datos descendentes. Para garantizar que haya suficiente señal disponible para el procesamiento en tierra, se acumularon 19 pulsos en los primeros años de la misión (nuestro período de estudio se encuentra dentro de este período). Este resultado acumulado son los datos de mayor resolución disponibles para los usuarios, denominados "nivel de medición" y se utilizaron en este estudio para el análisis. Cada uno de los perfiles de Aeolus consta de 24 contenedores con un tamaño de contenedor de rango vertical que varía de 250 a 2000 m dependiendo de la altura, mientras que la configuración del contenedor de rango (como la altura del contenedor más bajo, por ejemplo) puede variar dependiendo del tiempo y la ubicación de Medición de Eolo10.

Como se menciona en los resultados, utilizamos la señal de retrodispersión (β) de ALADIN como medida de la cantidad de luz que se refleja de regreso al receptor lidar desde la atmósfera/tierra para recuperar la retrodispersión atenuada integrada en la superficie (SIAB) o simplemente: retorno de superficie Lidar (LSR). Este procedimiento se basa en la experiencia de estudios lidar previos basados en CALIPSO centrados en la señal de superficie lidar6,7 Eq. (1) calcula el LSR no corregido (γʹ, sr−1) multiplicando la retrodispersión atenuada de la superficie (βsurf, sr−1 m−1) determinada por la puerta de rango más cercana a la superficie en el Modelo de Elevación Digital (DEM) en el rango de superficie ancho del contenedor de Aeolus (Δrsurf, m). Tenga en cuenta que la retrodispersión atenuada en la superficie se toma de los datos de Aeolus L2 descritos en la sección "Datos" a continuación. DEM es la estimación modelada basada en el conocimiento disponible sobre la posición del satélite y la geometría de puntería láser utilizada en el conjunto de datos ACE V2 (300 m × 300 m, resolución de 9 segundos de arco). Dado que los contenedores del rango de Aeolus son muy grandes (> 250 m), consideramos solo el contenedor que tiene la intersección más cercana con el DEM. A continuación, corregimos las contribuciones moleculares y de aerosoles utilizando la ecuación. (2) y obtuvo estimaciones finales de LSR basadas en superficie (γ). Ec. (2) muestra cómo se aplicaron las correcciones moleculares y de aerosol utilizando la profundidad óptica de Rayleigh (ODRay; ver Material complementario, S1) y la profundidad óptica de aerosol (AOD; ver Material complementario, S2), respectivamente. En teoría, el LSR sobre tierra se puede convertir en BRDF utilizando un factor de corrección de 2π, mientras que dicha conversión se ha aplicado principalmente al nadir que mira al CALIOP con un ángulo de incidencia cercano a 3°6. El mismo enfoque podría no ser aplicable a lidars muy no nadir como Aeolus porque no se tienen en cuenta los ángulos de incidencia y refracción. Sobre superficies de agua, donde puede ocurrir una interacción mucho más compleja entre los componentes de reflectancia especular, de capa blanca y del subsuelo, la comparación entre LSR y BRDF es más complicada17.

Para garantizar que el LSR no se vea atenuado por condiciones de alta AOD y nubes cirros, excluimos todas las mediciones de LSR con AOD > 1,0. Calculamos la AOD utilizando el algoritmo del procesador de perfiles Aeolus (AEL-PRO), que se basa en la estimación óptima y el procedimiento de inversión de modelado directo. . En resumen, AEL_PRO recupera el perfil de relación lidar-retrodispersión utilizando solo los valores puros de retrodispersión atenuada de Rayleigh y Mie como entrada, generando así perfiles precisos de coeficientes de extinción22. En este trabajo se utilizaron los perfiles de salida del vector de estado recuperado, incluidos los coeficientes de extinción de aerosoles/nubes, para estimar la AOD. Además, dado que AEL_PRO puede categorizar características atmosféricas (nube de agua, nube de hielo, aerosol, cielo limpio, etc.), aplicamos la estrategia de filtrado más estricta al excluir cualquier observación LSR potencialmente contaminada por la presencia de nubes de hielo y de agua. En palabras simples, utilizamos AEL_PRO para mantener solo las observaciones LSR de alta calidad sin nubes, donde la señal de superficie no estaba atenuada. Este filtrado se realizó con la resolución de medición más alta de Aeolus. Para obtener detalles sobre AEL_PRO, consulte el material complementario S2 y el trabajo de Donovan et al.22. Posteriormente calculamos promedios mensuales del LSR con las desviaciones estándar correspondientes en una cuadrícula de 2,5° × 2,5° en el primer ciclo anual completo (o estacional) de observaciones de Aeolus (septiembre de 2018 a agosto de 2019). En el período de estudio, el promedio mensual de millones de observaciones produce una abundante cobertura casi global de observaciones LSR. Solo hubo lagunas temporales menores en los datos durante algunos días de enero y febrero de 2019, cuando Aeolus experimentó una falla en el sistema. Tampoco utilizamos ningún dato de junio de 2019 debido al cambio del láser modelo de vuelo A, FM-A, al segundo láser, FM-B, período14 para evitar cualquier efecto negativo del cambio de régimen durante el mismo mes. Cada paso del cálculo de LSR se ilustra en detalle en el material complementario (SI Fig. S1). Tenga en cuenta que, aunque abordamos exhaustivamente todos los efectos potencialmente malignos para la estimación de LSR, algunas limitaciones surgen directamente de la configuración de Aeolus. Lo más importante es que el pulso lidar emitido está polarizado circularmente; sin embargo, el receptor Aeolus sólo detecta el componente copolar, lo que podría provocar discrepancias en las estimaciones del LSR. Esta limitación es inherente ya que Aeolus no tiene un canal de despolarización. Es posible que se revisen futuras estimaciones de LSR de Aeolus cuando se lance la misión EarthCARE, que incluye un instrumento lidar polarizado linealmente en la misma longitud de onda con un canal de despolarización. Esto permitirá una estimación de los componentes circular y copolar de la despolarización, que luego se pueden comparar con las estimaciones de Aeolus LSR en un análisis retrospectivo.

Este estudio se basa principalmente en datos de Aeolus, incluido el producto de reprocesamiento Nivel 1B (L1B)22,23 para detectar la superficie con la resolución espacio-temporal más alta del sondeo de Aeolus. El producto L1B proporciona información de geolocalización, DEM y clasificación de tipos de tierra/agua. El conjunto de datos L2A AEL_PRO contiene observaciones corregidas por interferencias, que proporcionan la retrodispersión de partículas atenuadas (para el cálculo de LSR), el perfil de coeficiente de extinción recuperado (para el filtrado AOD de casos de alta carga de aerosoles/nubes y para la corrección de LSR para aerosoles/nubes débiles). atenuación), la retrodispersión molecular atenuada (para corrección de ODRay y contribución molecular) y las incertidumbres asociadas. Tenga en cuenta que la diafonía representa una fuente sustancial de ruido presente en los canales Mie y Rayleigh. En palabras simples, es la contaminación de cualquiera de los canales por la señal del otro canal. La diafonía es una característica adversa para determinar la relación de retrodispersión y, por lo tanto, es perjudicial para la estimación basada en LIDAR de los perfiles de extinción y retrodispersión atmosférica. Consulte los detalles sobre los datos AEL_PRO y la corrección de diafonía en el material complementario (Sección S2). Para la validación, utilizamos estimaciones de reflectividad equivalente lambertiana (LER) de TROPOMI (Instrumento de monitoreo TROPOsférico) y GOME-2 (Experimento de monitoreo global del ozono-2 (GOME-2), denominados LERTRO y LERGOM, respectivamente. Tenga en cuenta que LER es derivado de la geometría solar específica muestreada, mientras que la dependencia de la visualización por satélite se elimina asumiendo una superficie lambertiana. LER expresa las características de reflectancia de la superficie omnidireccional, aunque no todas las superficies pueden ser lambertianas. Debido a las diferencias inherentes entre LSR y LER y a la falta de una ruta clara cómo traducir LSR a BRDF en 35°17, no aplicamos la normalización y la conversión de unidades físicas, pero evaluamos la concordancia estadística entre LSR y LER. Accedimos a TROPOMI (LER mínimo con nieve/hielo v1.1) y GOME-2 LER ( modo LER, v4.0) a 354 nm (la longitud de onda más cercana a la longitud de onda de 355 nm de Aeolus) climatologías mensuales3,24 con la resolución espacial más alta disponible de 0,125° × 0,125° y 0,25° × 0,25°, respectivamente. Se volvieron a muestrear en cuadrículas de 2,5° × 2,5° con las incertidumbres como la desviación estándar de LER durante el mes. LER se descargó del sitio web TEMIS (Servicio de Internet de Monitoreo de Emisiones Troposféricas) (https://www.temis.nl/surface/albedo/, consultado el 12.02.2023). Utilizamos estimaciones de LER, que reflejan también las áreas afectadas por la nieve porque es crucial incluir regiones de nieve/hielo en el análisis para evaluar la sensibilidad de Aeolus LSR a los reflectores blancos más fuertes. Tenga en cuenta que algunas diferencias entre LERTRO y LERGOM son plausibles: LERGOM se basa en un filtrado estadístico, mientras que LERTRO se basa en un filtrado activo de la nube. Los tiempos de sobrevuelo de los satélites no son los mismos, lo que significa que el sol está en una posición diferente y la presencia de efectos superficiales relacionados con BRDF o efectos atmosféricos pueden aumentar las diferencias de LER. Presumiblemente, la precisión atmosférica también depende del ángulo del sol. También utilizamos la diferencia entre la luz roja y el infrarrojo cercano reflejada desde la superficie dividida por su suma, es decir, las estimaciones del Índice de Vegetación de Diferencia Normalizada (NDVI) de MOD13C2, v006, que reflejan las condiciones de la vegetación (principalmente extensión y productividad) de un área determinada. Accedimos a estas estimaciones desde la base de datos abierta GIOVANNI (identificador: https://doi.org/10.5067/MODIS/MOD13C2.006, consultada desde https://giovanni.gsfc.nasa.gov el 11.01.2022) con resolución de 0,05° reducido a 0,25° × 0,25° y promediado (por mes).

Los datos que utilizamos están disponibles a través de las siguientes fuentes. El análisis de este documento se basa en productos Aeolus Nivel 1B; Estos datos están disponibles públicamente y se puede acceder a ellos a través del sistema de difusión en línea Aeolus de la ESA: https://aeolus-ds.eo.esa.int/oads/access/. Los productos L1B se procesan en el marco de la segunda y tercera campaña de reprocesamiento de Aeolus. Además, los datos de TROPOMI y GOME-2 LER están disponibles en https://www.temis.nl/surface/albedo/tropomi_ler.php según Tilstra et al.24, los datos de MODIS NDVI están disponibles en https://giovanni.gsfc .nasa.gov (MOD13C2, v006) según https://doi.org/10.5067/MODIS/MOD13C2.006.

Turner, J. & Parisi, A. Albedo y reflectancia de la radiación ultravioleta en revisión: la influencia de la exposición ultravioleta en entornos ocupacionales. En t. J. Medio Ambiente. Res. Salud Pública 15, 1507. https://doi.org/10.3390/ijerph15071507 (2018).

Artículo CAS PubMed PubMed Central Google Scholar

Varotsos, CA, Melnikova, IN, Cracknell, AP, Tzanis, C. y Vasilyev, AV Nuevas funciones espectrales del albedo cercano al suelo derivadas de observaciones con espectrómetros de difracción de aviones. Atmos. Química. Física. 14, 6953–6965. https://doi.org/10.5194/acp-14-6953-2014 (2014).

Artículo ADS CAS Google Scholar

Tilstra, LG, Tuinder, ONE, Wang, P. & Stammes, P. Climatologías de reflectividad superficial de UV a NIR determinadas a partir de observaciones de la Tierra mediante GOME-2 y SCIAMACHY. J. Geophys. Res. Atmos. 122, 4084–4111. https://doi.org/10.1002/2016JD025940 (2017).

ADS del artículo Google Scholar

Weiler, F. Corrección de sesgo utilizando ecos terrestres para el demostrador aéreo del lidar de viento en la misión ADM-Aeolus. Tesis de maestría, Universidad de Innsbruck, Facultad de Ciencias Geo y Atmosféricas, disponible en https://diglib.uibk.ac.at/urn:nbn:at:at-ubi:1-7104 (último acceso: 17.03.2022) (2017).

Tanskanen, A. & Manninen, T. Albedo superficial ultravioleta eficaz de tierras cubiertas de nieve estacionalmente. Atmos. Química. Física. 7, 2759–2764. https://doi.org/10.5194/acp-7-2759-2007 (2007).

Artículo ADS CAS Google Scholar

Lu, X. y col. Reflectancia bidireccional del pulso láser de la misión CALIPSO. Atmos. Medidas. Tecnología. 11, 3281–3296. https://doi.org/10.5194/amt-11-3281-2018 (2018).

Artículo PubMed PubMed Central Google Scholar

Josset, D., Pelon, J., Protat, A. & Flamant, C. Nuevo enfoque para determinar la profundidad óptica de los aerosoles a partir de ecos combinados de la superficie del océano CALIPSO y CloudSat: nuevo enfoque para determinar AOD. Geofís. Res. Letón. 35, 1. https://doi.org/10.1029/2008GL033442 (2008).

Artículo de Google Scholar

Reagan, JA Técnicas de teledetección lidar espacial ayudadas por retornos de superficie. Optar. Ing. 30, 96. https://doi.org/10.1117/12.55776 (1991).

ADS del artículo Google Scholar

Chadysiene, J. & Girgzdys, A. Evaluación de la radiación ultravioleta (UV) de fuentes técnicas. J. Medio Ambiente. Ing. Landsc. Gestionar. https://doi.org/10.3846/1648-6897.2009.17.164-170 (2009).

Artículo de Google Scholar

Reitebuch, O. y col. El demostrador aéreo para el lidar de viento Doppler de detección directa ALADIN en ADM-Aeolus: Parte I: diseño de instrumentos y comparación con instrumentos satelitales. J. Atmós. Océano. Tecnología. 26(12), 2501–2515. https://doi.org/10.1175/2009JTECHA1309.1 (2009).

ADS del artículo Google Scholar

Flament, T. et al. Producto de propiedades ópticas del aerosol Aeolus L2A: algoritmo correcto estándar y algoritmo de Mie. Atmos. Medidas. Tecnología. 14, 7851–7871. https://doi.org/10.5194/amt-14-7851-2021 (2021).

Artículo de Google Scholar

van der Werf, GR et al. Estimaciones globales de emisiones de incendios durante 1997-2016. Sistema Tierra. Ciencia. Datos 9, 697–720. https://doi.org/10.5194/essd-9-697-2017 (2017).

ADS del artículo Google Scholar

Parazoo, Carolina del Norte y col. Hacia un registro armonizado a largo plazo en el espacio de la fluorescencia inducida por el sol en el rojo lejano. J. Geophys. Res. Biogeoscos. 124, 2518–2539. https://doi.org/10.1029/2019JG005289 (2019).

Artículo de Google Scholar

Lux, O. y col. Estabilidad de la frecuencia del láser ALADIN y su impacto en el error del viento del eolo. Atmos. Medidas. Tecnología. 14, 6305–6333. https://doi.org/10.5194/amt-14-6305-2021 (2021).

Artículo CAS Google Scholar

Witschas, B. y col. Análisis del rendimiento espectral de los interferómetros Aeolus Fabry-Pérot y Fizeau durante los primeros años de funcionamiento. Atmos. Medidas. Tecnología. 15, 1465–1489. https://doi.org/10.5194/amt-15-1465-2022 (2022).

Artículo CAS Google Scholar

Li, Z., Lemmerz, C., Paffrath, U., Reitebuch, O. y Witschas, B. Investigación lidar Doppler aerotransportada de la reflectancia de la superficie del mar en una longitud de onda ultravioleta de 355 nm. J. Atmós. Tecnología oceánica. 27, 693–704. https://doi.org/10.1175/2009JTECHA1302.1 (2010).

ADS del artículo Google Scholar

Josset, D., Zhai, P.-W., Hu, Y., Pelon, J. & Lucker, PL Ecuación Lidar para la superficie y el subsuelo del océano. Optar. Expreso 18, 20862. https://doi.org/10.1364/OE.18.020862 (2010).

Artículo ADS PubMed Google Scholar

Cho, M.-H. et al. Un componente que falta en el calentamiento del Ártico: el carbono negro procedente de la quema de gas. Reinar. Res. Letón. 14, 094011. https://doi.org/10.1088/1748-9326/ab374d (2019).

Artículo ADS CAS Google Scholar

Hadley, OL y Kirchstetter, TW Reducción del albedo de la nieve por carbono negro. Nat. Subir. Chang. 2(5), 437–440. https://doi.org/10.1038/nclimate1445 (2012).

Artículo ADS CAS Google Scholar

Wehr, T. y col. La misión EarthCARE: descripción general de la ciencia y el sistema. Atmos. Medidas. Tecnología. 16, 3581–3604. https://doi.org/10.5194/amt-16-3581-2023 (2023).

Artículo CAS Google Scholar

Hélière, A., Armandillo, E., Durand, Y., Culoma, A. & Meynart, R. Instrumentos Lidar para las misiones de observación de la Tierra de la ESA. Proc. En t. Conf. Opción de espacio. (ICSO) 10568, 1056801. https://doi.org/10.1117/12.2308005 (2017).

Donovan, D., van Zadelhoff, G.-J., Wang, P. y Huber, D. Algoritmos de nube/aerosol ATILD aplicados a ALADIN, Asamblea General de EGU 2021, en línea, 19 al 30 de abril de 2021, EGU21-15189. https://doi.org/10.5194/egusphere-egu21-15189 (2021).

Reitebuch, O., Huber, D. y Nikolaus, I. Documento de base teórica del algoritmo ADM-Aeolus Productos ATBD nivel 1B. 45. https://earth.esa.int/eogateway/documents/20142/37627/Aeolus-L1B-Algorithm-ATBD.pdf (último acceso: 23 de febrero de 2023) (2018).

Lux, S., Reitebuch, O., Huber, D., Nikolaus, I. Documento de base teórica del algoritmo ADM-Aeolus Productos ATBD Nivel1B. 45. https://earth.esa.int/eogateway/documents/20142/37627/Aeolus-L1B-Algorithm-ATBD.pdf (último acceso: 23 de febrero de 2023) (2018).

Tilstra, LG, Tuinder, ONE, Wang, P. & Stammes, P. Reflectividad equivalente a Lambertiana direccionalmente dependiente (DLER) de la superficie de la Tierra medida por los instrumentos satelitales GOME-2. Atmos. Medidas. Tecnología. 14, 4219–4238. https://doi.org/10.5194/amt-14-4219-2021 (2021).

Artículo CAS Google Scholar

Descargar referencias

Esta publicación es parte del proyecto SWAILS (con número de proyecto ALWGO.2018.040) del programa de investigación Gebruikersondersteuning ruimteonderzoek que está (parcialmente) financiado por el Consejo Holandés de Investigación (NWO). Este trabajo fue apoyado por la ESA como parte del programa Aeolus+ Innovation (Aeolus+I) dentro del proyecto SWAILS+ (contrato de la ESA No. 4000133124/20/I-BG). El primer autor agradece todos los aportes y consejos útiles sobre este trabajo brindados por colegas y expertos, incluidos (entre otros): D. Josset, P. Stammes, O. Reitebuch, F. Weiler, MI Alborow, C. Jamet, A. Payez, D. Huber y GJ. Marsella.

Grupo de I+D de Observaciones y Satélites, Real Instituto Meteorológico de los Países Bajos (KNMI), De Bilt, Países Bajos

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

También puedes buscar este autor en PubMed Google Scholar.

La idea original de este estudio, marco conceptual, preparación del manuscrito, redacción y análisis de datos—LDL, soluciones metodológicas, preparación del borrador y redacción—G.-JVZ, LGT, DPD, redacción, preparación del borrador—AS Todos los autores revisaron el manuscrito.

Correspondencia a LD Labzovskii.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado a los autores originales y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Labzovskii, LD, van Zadelhoff, GJ, Tilstra, LG et al. La alta sensibilidad de la superficie UV de Aeolus vuelve a la reflectividad de la superficie. Representante científico 13, 17552 (2023). https://doi.org/10.1038/s41598-023-44525-5

Descargar cita

Recibido: 14 de junio de 2023

Aceptado: 09 de octubre de 2023

Publicado: 16 de octubre de 2023

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

Cualquier persona con la que comparta el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.