Projekt:FE Auswerteverfahren 1/Schnee/Romanov et al. 2003

Literatur Schnee

Startseite Appel, 2002 Bettems, 2006 Borel and Gerstl, 1994 De Ruyter de Wildt, 2005 De Ruyter de Wildt, 2007 Dozier, Jeff, 1989 Hall, 1995 Hall et al., 2002 Hall et al., 2005 Hauber, 2000 Klein, 1998 Krijger and Schrijver, 2005 Martinez et al., 2005 Painter et al., 1998 Paul, 2000 Rau, 2004 Riggs and Hall, 2002 Riggs et al., 2006 Robinson, 1993 Romanov et al., 2003 Salomonson et al., 2004 Sokol et al., 1999 Srivastava et al., 2003 Storvold et al., 2005 Trepte et al., 2002 Vikhamar et al., 2002 Willmes, 2003 Wiscombe and Warren, 1980

Weitere Teilprojekte

Wettersatelliten Oberflächentemperaturen Vegetationsindizes Schnee Niederschlag

Romanov (2003)

P. Romanov, D. Tarpley, G. Gutman, T. Carroll, Mapping and Monitoring of the Snow Cover Fraction over North America, Journal of Geophysical Research, 108 (D16), pp: 8619, 2003

Download

Es wird ein Algorithmus vorgestellt, wie aus GOES-Imager Daten zunächst die Schneebedeckung auf Tagesbasis abgeleitet und anschließend in Schneepixeln der Anteil der Schneebedeckung an der Oberfläche ermittelt werden kann. Die Schneeerkennung basiert auf einer Reihe von Grenzwerttests, die durch Überprüfung der zeitlichen Stabilität verfeinert wird. Anschließend wird unter Verwendung eines linearen Mischungsansatzes der Schneeanteil innerhalb der Pixel abgeschätzt.

Voraussetzung für die Schneeerkennung sind wolkenfreie Beobachtungen, weshalb nur die jeweils wärmste Beobachtung eines Tages verwendet wird. Dabei wird die Annahme getroffen, dass die wärmste Beobachtung eines Tages wolkenfrei ist. Um die Akkumulation von Ausreißern zu vermeiden, erfolgt ein Abgleich mit der zweitwärmsten Beobachtung eines Tages. Ist der Unterschied zwischen beiden größer als 25 K, wird letztere für die Auswertung verwendet. Nach der Wolkenbereinigung werden schneebedeckte Pixel durch mehrere Grenzwerttests im kurz- und langwelligen Bereich identfiziert. Dabei wird angenommen, dass der Grenzwert der kurzwelligen Reflexion ortsabhängig ist. Die Bestimmung erfolgt für jedes Pixel statistisch aus wolkenfreien Beobachtungen in schneefreien Perioden 1998/1999:

$R_{1,max}={\bar {R_{1}}}+2\cdot s(R_{1})$

Wobei ${\overline {R_{1}}}$ den Mittelwert der beobachteten Reflexionsgrade im GOES-Kanal 1 für ein Pixel und bezeichnet und ${\bigl (}s(R_{1}){\bigr )}$ die Standardabweichung der Beobachtungen. Die verbleibenden Pixel werden weiter in schneefreie Oberflächen und Wolken gegliedert. Da die Reflexionsgrade der Oberflächen abhängig von der Beobachtungsgeometrie, sprich der Position von Sonne, Satellit und Ziel zueinander, sind, werden diese unter Verwendung eines semiempirischen Modells von Roujean et al. auf eine Referenzgeometrie normalisiert. Dabei wird angenommen, dass die Parameter des Modells für schneefreie Oberflächen ortsunabhängig sind. Die Normalisierung erfolgt getrennt für Schnee und schneefreie Oberflächen, da Schnee aufgrund starker Vorwärtsstreuung völlig andere Reflexionseigenschaften aufweist als Vegetation. Um Fehlerkennungen von Schnee insbesondere aufgrund des Auftretens von Eiswolken zu reduzieren, schließt sich noch eine Reihe weiterer Tests an, bei denen die zeitliche Stabilität der Schneeerkennung und die klimatologische Sinnhaftigkeit überprüft werden.

Unter Verwendung des folgenden Ansatzes wird jetzt der Schneeanteil innerhalb von als Schnee identifizierten Pixeln ermittelt:

$F={\frac {(R1-R1_{Land})}{(R1_{Schnee}-R1_{Land})}}$

$R1_{Schnee}$ und $R1_{Land}$ bezeichnen mittlere Reflexionsgrade schneebedeckter bzw. schneefreier Landoberflächen die auf die Referenzgeometrie normalisiert wurden. Es wird ein Fehler für den Schneeanteil F von 10-13% angegeben. Darin bleiben jedoch Effekte wie eine Beeinflussung der Reflexionsgrade duch transparente Eiswolken unberücksichtigt. R1 geht ohne Normalisierung in die Berechnung ein, so dass der Schneeanteil F prinzipiell geometrieabhängig ist. Anhand einer statistischen Auswertung von Beobachtungen der Winter 1999-2000 wird jedoch nachgewiesen, dass diese Abhängigkeit nur bei sehr großen Satellitenzenitwinkeln oder tiefstehender Sonne ins Gewicht fällt. Eine weitere mögliche Schwäche des Ansatzes ist, dass die lineare Gleichung keine Berücksichtigung des Schattenwurfs durch Bäume ermöglicht. In eben genannter Auswertung von Messdaten wird jedoch auch dieser Einfluss untersucht und ausgeschlossen. Die unterschiedliche Beschattung und Reflexion durch Bäume hat wenig Einfluss auf den Schneeanteil. Als Ursache wird angegeben, dass die Messungen fast nur im Bereich der Rückstreuung erfolgten, so dass der Anteil direkt bestrahlter Oberflächen bei der Messung am Sensor überwiegt. Bei der Überprüfung der Ergebnisse wurde eine gute Abbildung der Alterung der Schneedecke anhand der Änderung des Schneeanteils im Modell festgestellt.

Als dominante Einflussgröße für den Schneeanteil wird die Schneetiefe ausgemacht. Die Abhängigkeit zwischen beiden Größen ist am stärksten für vollständig schneebedeckte Oberflächen ohne Vegetation ausgeprägt, besteht jedoch auch über schwach bewaldeten Gebieten und in geringem Ausmaß über Wald. Die Korrelation zwischen Schneetiefe und F bewegt sich dabei zwischen 0,56 und 0,15.

Zuletzt wird noch die räumliche Verteilung der maximalen Schneeanteile F über Nordamerika untersucht. Dabei wird deutlich, dass der Anteil an bewaldeten Flächen entscheidend für den registrierten Schneeanteil ist. Hier wird eine Korrelation von -0.73 zwischen beiden Größen gefunden. Es wird eine empirische Beziehung aufgestellt, die die Bestimmung des Waldanteils aus dem Schneeanteil F ermöglicht. Die Genauigkeit wird dabei mit 19 % angegeben.