Projekt:FE Auswerteverfahren 1/Niederschlag/Messmethoden

Aus Wikiversity

VIS/IR-Methoden[Bearbeiten]

Die VIS und IR Technik wurde in den 60iger Jahren entwickelt und in den darauf folgenden Jahrzehnten weiter verfeinert. Die Satellitendaten aus diesen Spektralbereichen eignen sich gut zur Identifizierung von Wolken. Das grundlegende Problem besteht allerdings darin, dass nicht die Niederschlagssignale selbst die Impulse der Messung bestimmen, sondern nur die Wolkensignale. Dennoch ist es möglich, für bestimmte Arten von Niederschlagsereignissen in einem bestimmten Gebiet gute Ergebnisse zu erzielen. Die dazugehörigen Methoden werden nach der Unterteilung von Kidder/Vonder Haar (1995)[1] im Folgenden kurz vorgestellt.

Cloud indexing[Bearbeiten]

Die erste hier beschriebene Methode ist die Cloud indexing Methode. Sie ist die älteste und auch die naheliegendste Methode. Die Grundannahme besagt, dass verschiedene Wolkenarten verschiedene Niederschlagsintensitäten produzieren und diese bekannt sind. Man identifiziert verschiedene Wolkentypen und deren Orte auf der Grundlage von Satellitenbildern. Den Wolken werden Niederschlagswerte zugeordnet. Die Formel dazu lautet:

R = Σ(ri·fi).

Die Summe aller vorkommenden Wolkentypen (i), resultieren aus der Niederschlagsintensität einer bestimmten Wolkeart ri und deren Flächenanteil fi. Eine andere darüber hinaus weitverbreitete Methode ist der GOES Precipitation Index GPI von Arkin/Meisner (1987)[2] und diese ist leicht zu bestimmen. Die Gleichung lautet:

GPI = 3·f·Δt,

wobei GPI den mittleren Niederschlag in mm angibt, Δt den betrachteten Zeitraum und f den Flächenanteil mit einer gemessenen brightness temperature (Temperatur im Mikrowellenbereich) und einem gewissen Schwellenwert. Arkin und Meisner (1987)[2] benutzten einen Schwellenwert von 235 K. Dabei nahmen sie eine konstante Regenrate von 3 mm/h an, die an einen tropischen Niederschlag in einem Gebiet von 2,5° x 2,5° angenähert ist. Die abhängigen Größen sind die Niederschlagsintensität und die beobachtete Gebietsgröße. Es gibt natürlich noch weitere gute Ansätze, auf die hier aber nicht weiter eingegangen werden soll.

Bispektral Techniken[Bearbeiten]

Künstlerische Darstellung von CloudSat

Wie die oben erläuterten Techniken beziehen sich auch die bispektralen Techniken auf die Beziehung verschiedener Wolkenarten, zum Beispiel Cumulonimbus, und den daraus abgeschätzten Niederschlag. Bispektral bedeutet, dass die Eigenschaften der VIS- und IR-Kanäle zu gleichen Teilen verwendet werden. Man unterscheidet folgende Zusammenhänge (Kidder/Vonder Haar)[1]: Erstens kalte, aber gering reflektierende dunkle Wolken (stratiforme Wolken) und zweitens hoch reflektierende helle Wolken, die allerdings eine warme Oberfläche besitzen (konvektive Wolken). Nur die letzte Variante produziert Regen. Dazwischen gibt es noch eine Vielzahl anderer Übergangsformen. Hier ist die RAINSAT Methode von Lovejoy und Austin (1979)[3] zu erwähnen. Zur qualitativen Beurteilung wurden Radardaten und Stationsmessungen miteinander verglichen und jedem Pixel ein „raining pixel“ oder „non-raining pixel“ zugeordnet. Das Ergebnis wurde dann mit VIS- und IR-Bildern mit Hilfe von Histogrammen verglichen. Eine entsprechende Kombination von Strahlungswerten im VIS- und IR-Bild gibt die Wahrscheinlichkeit eines Niederschlages. Als Ergebnis wurden häufig „rain pixel“ im hellen VIS und kalten IR angegeben – konvektive Wolken. Die Ergebnisse im stratiformen Fall waren allerdings weniger zufrieden stellend. Dittberner und Vonder Haar (1973)[4] beschäftigten sich in einem Projekt über den indischen Sommermonsun mit größeren Skalen. Ihre Niederschläge berechneten sich aus:

P = a·E + b·A + P0.

E ist hier die mittlere saisonale IR-Strahlung, A die mittlere saisonale Albedo und die Regressionskoeffizienten a, b und P0. Die Werte werden in Prozent Niederschlag angegeben. Dieser Ansatz zielt mehr auf die Klimaparameter Strahlung und Albedo ab. King (1995) hat die VIS Daten mit den genaueren IR Daten verglichen und kam zu der Erkenntnis, dass ein hoher Zusammenhang zwischen den IR Daten und warmen orographischen Regenereignissen besteht, konvektive Wolken.

Life-history Techniken[Bearbeiten]

Life-history Techniken versuchen die verschiedenen Wolkenlebenszyklen (Wachstum, Regen, Zerfall) aus den Satellitenbildern herauszufiltern und den Niederschlag zu bestimmen. Um die Niederschlagsintensität angeben zu können haben Stout u.a. (1979)[5] versucht, die Fläche eines Ambossschirmes von Cumulonimben und deren zeitliche Veränderung zu schätzen. Sie kamen zu der Erkenntnis, dass die höchste Intensität gemessen wurde, wenn der Cirrusschirm schnell wächst. Zum Zeitpunkt der größsten Ausdehnung des Ambosses fällt hingegen nur noch wenig Niederschlag. Die Formel, die sie verwenden lautet:

R = a·A + b·(dA/dt).

A ist dabei die Wolkenfläche, a und b sind empirische Koeffizienten. Diese Technik liefert gute Resultate, hat allerdings auch Nachteile. So kann diese Methode nur auf einen Wolkentyp angewendet werden und nicht selten kommt es zu Überlappung von Wolkenschirmen. Es gibt weitere Life-history Techniken, wie beispielsweise diejenige von Griffith (1976) and Woodley (1980). Sie sind bereits recht komplex und können kaum in einem kurzen Resümee zusammengefasst werden.

Cloud model Techniken[Bearbeiten]

Die letzten Techniken, die hier vorgestellt werden sollen, sind die Cloud model Techniken. Sie basieren auf wolkenphysikalischen Modellen und Konzepten. Einen ersten Ansatz versuchte Gruber (1973)[6] auf der Basis des Kuo Cumulus-Konvektionsschemas. Das Kuo-Schema geht von einer instabil geschichteten Atmosphäre mit Feuchtekonvergenzen im tiefen Niveau aus. Die ursprüngliche Idee dieses Schemas war es, Effekte der Kondensation und damit einer großräumigen Erwärmung und Anfeuchtung der Luft im Bereich einer tropischen Zyklone zu beschreiben. Daraus übernahm Gruber insbesondere das Konzept der Feuchtezufuhr, also den Gleichgewichtszustand des Feuchte-Flusses in ein Luftpaket, die von den Wolken produziert werden. Die Gleichung lautet

R = Q·c/tL.

Dabei ist R die zu berechnende Regenrate, Q die Wassermenge, die nötig ist um das betrachtete Luftpaket vollständig zu sättigen, c der Flächenanteil der Wolken und tL die mittlere Lebensdauer. Die Wassermenge Q wird aus einer Atmosphärensondierung abgeschätzt, c erhält man aus den Satellitendaten und tL liegt im Bereich von 30 min. Auch diese Methode beschränkt sich auf den konvektiven Niederschlag und ist für stratiforme Ereignisse nicht zu empfehlen. Der Vorteil dieses Modells ist die Anschaulichkeit und sicherlich auch ihre Einfachheit. Eine ebenfalls sehr interessante Technik ist die Convective-Stratiform Technik (CST) von Adler/Mack (1984)[7]. Ein eindimensionales Wolkenmodell, das eine Beziehung zur maximalen Wolkentemperatur, zur Regenrate und zum Niederschlagsgebiet erstellt. Zuerst wird aus einer repräsentativen Atmosphärensondierung, eine Beziehung zwischen Wolkenoberflächentemperatur (cloud top temperature) und Regenrate formuliert, sowie eine Beziehung zwischen Wolkenoberflächentemperatur und Fläche des Regengebietes. Im zweiten Schritt analysiert man IR Satellitenbilder auf lokale Temperaturminima. Diese sind auf Cumulonimbus Wolken zufinden. Sie enthalten starke Aufwinde, die über die Tropopause hinausschießen und kälter sind als die umliegenden Cirren. Dieser Effekt wird auch „overshooting“ genannt. Später führten sie eine empirische Bestimmung der durchschnittlichen Temperatur aller Ambosse durch und ermittelten einen Schwellenwert für stratiformen Regen. Dieser wurde dann in Form von konvektiven Zellen, Regenraten von einem Wolkenmodell zugeordnet und spiralförmig zentral über das ermittelte Regengebiet berechnet. Zuallerletzt wurden alle Flächen, die zwar den Schwellenwert unterschritten aber nicht mehr vom Wolkenmodell als Regengebiet ausgewiesen wurden, ausgeschieden und eine stratiforme Regenintensität von 2 mm/h zugeordnet. Mit dieser Methode konnten allerdings nur für tropischen Gebiete gute Resultate erzielt werden (Kidder/Vonder Haar 1995)[1]. Eine weitere Technik wird von Scofield und Oliver (1977)[8] vorgestellt. Hier wird es einem erfahrenem Meteorologen überlassen, Niederschlagsgebiete in Satellitenbildern zu lokalisieren und ihnen spezifische Regenraten zu zuweisen. Der Algorithmus analysiert die Wettersituation auf weitere Faktoren wie zum Beispiel „overshooting tops“, gesättigte Umgebung und Höhendivergenzen im Windfeld. Die Werte werden hier korrigiert. Die Technik wird, wie schon in den anderen beschriebenen Methoden, nur für konvektive Wolken angewandt. Es entsteht eine gewisse Subjektivität der Betrachtungsweise des Meteorologen, die durch die Erfahrung des Meteorologen wieder bereinigt werden kann.


Quellenangaben[Bearbeiten]

  1. 1,0 1,1 1,2 Kidder, S. Q. und T. H. Vonder Haar (1995): Satellite Meteorology. An Introduction. Academic Press, London
  2. 2,0 2,1 Arkin, P.A.; B. Meisner (1987): The Relationship between large-scale convective rainfall and cold cloud over the Western Hemisphere during 1982-1984. Monthly Weather Review 115, 51 – 74
  3. Lovejoy, S.; G. Austin (1979): The delineation of rain areas from visible and IR satellite data for GATE and mid-latitudes. Atmosphere-Ocean 17, 77 – 92
  4. Dittberner, G.J.; T. H. Vonder Haar (1973): Large scale precipitation estimates using satellite data, application to the Indian Monsoon. Met. Geoph. Biokl. Ser. 21, 317 – 334
  5. Stout, J. E. u.a. (1979): Estimating GATE rainfall with geosynchronous satellite images. Monthly Weather Review 107, 585 – 598
  6. Gruber, A. (1973): An Examination of Tropical Cloud Clusters Using Simultaneously Observed Brightness and Hich Resolution Infrared Data from Satellites. NOAA Tech. Memo. NESS 50, Washington D.C.
  7. Adler, R. F.; R. A. Mack (1984): Thunderstorm cloud height-rainfall rate relations for use with satellite rainfall estimation techniques. Journal of Climate and Applied Meteorology 23, 280 – 296
  8. Scofield, R. A.; V. J. Oliver (1977): A Scheme for Estimating Convective Rainfall from Satellite Imagery. NOAA Tech. Memo. NESS 86, Washington DC