Projekt:FE Auswerteverfahren 1/Wolken/Literatur

Teilprojekt Wolken

Startseite Einleitung Motivation Ziel der Arbeit Wolkenarten Klassifizierung der WMO Grundlagen Elektromagnetische Strahlung Wolkeneigenschaften Methodik Wolkenmaske Klassifikation Literatur

Weitere Teilprojekte

Wettersatelliten Oberflächentemperaturen Vegetationsindizes Schnee Niederschlag

Seze 1985 (Article)

Seze, G.; Belcour, C. & Desbois, M. Cloud Cover Analysis using spectral and spatial characteristics of Meteosat Images. Advances in Space Research, 1985, 5, 165-168

• Wolkenklassifikation mittels einer statistischen Methode, Histogramm Clustering
• spektale Eigenschaften des sichtbaren und des nahen infraroten Kanals von Meteosat (MFG) werden genutzt

Koch 2004 (Diploma thesis)

Koch, Ch.; Klassifikation von Wolken durch Struktur- und Kontextanalyse. 1-9

Vorgestellt wird ein Verfahren zur automatischen Klassifikation konvektiver Wolken aus Satellitendaten. Grundlage sind mittels terrestrischer Infrarotkanäle des NOAA- AVHRR- Sensors gemessene Strahlungstemperaturen der Wolken. Die Kalibrierung der Daten erfolgt durch die Umrechnung der Kanäle 3 (3,55-3,93μm; Grenzbereich zwischen solarem und terrestrischem Bereich), 4 (10,3-11,3μm; terrestrisches Infrarot) und 5 (11,5-12,5μm; terrestrisches Infrarot) in "äquivalente Schwarzkörpertemperaturen" unter Verwendung der Planck- Funktion. Damit kann man dann die Strahlungstemperatur der Oberfläche eines Objektes in der Atmosphäre bestimmen. Bei dichten (konvektiven) Wolken ist davon auszugehen, dass die gemessene Strahlungstemperatur der realen Temperatur der Wolkenoberfläche entspricht.

Die Bildpunkte werden nun segmentiert, d.h. alle Gebiete eines Bildes mit bestimmten Eigenschaften zusammengefasst. Es wird die "Region- Merging"- Methode mittels der Bildanalysesoftware eCognition verwendet. Diese Methode ist besonders zur Segmentierung eines Bildes mit unterschiedlich großen Objekten geeignet. Die Verschmelzung von Bildpunkten zu Bildobjekten erfolgt nach dem Prinzip der lokalen Homogenität. Kriterium dabei ist das Maß der Zugehörigkeit ("degree of fitting"; =Skalenparameter), wonach eine Fusion der Bildpunkte vorgenommen wird, solange ein oberer Schwellwert unterschritten ist. Durch Veränderung des Skalenparameters verändert sich die durchschnittliche Größe der Segmente.

Die Klassifizierung wird anschließend mit der "Fuzzy Logic"- Methode durchgeführt, wobei der binäre Modus (0 oder 1) durch alle Werte zwischen 0 und 1 ersetzt wird. Die Klassenbeschreibung erfolgt durch Zugehörigkeitsfunktionen (alle Beschreibungsmöglichkeiten für eine Klasse) und "Nearest Neighbors". Dadurch können die Werte in Fuzzy- Werte normiert und standardisiert werden.

Nach der Verifizierung der Computeranalyse mit visueller Untersuchung und anderen Datensätzen ist festzustellen, dass dieses Verfahren qualitativ hochwertige Ergebnisse für konvektive Systeme liefert. Die Qualität ist jedoch abhängig vom gewählten Skalenparameter. Des Weiteren bestehen Schwierigkeiten bei tiefen Wolken und Cirren sowie bei gering bewölkten Bereichen. Dies ist auf die gewählten Infrarotkanäle zurück zu führen.

Allen 1989 (Article)

Allen, R.; Durkee, P. & Wash C. Snow/Cloud Discrimination with Multispectral Satellite Measurements. Journal of Applied Meteorology, 1989, 29, 994-1004

In diesem 1989 erschienen Artikel wird ein Algorithmus zur Unterscheidung von Wolken, schneebedeckter und schneefreier Landoberfläche in Satellitenbilddaten vorgestellt. Die multispektrale Technik benutzt Tageszeitbilder der NOAA- AVHRR- Kanäle 1 (0,63μm), 3 (3,7μm) und 4 (11,0μm). Generell basiert der Algorithmus auf physikalischen Grundlagen des Strahlungstransfers in der Atmosphäre.

Die grundlegende Problematik besteht in der Unterscheidung von Eiswolken und Schneebedeckung, da im sichtbaren Spektralbereich beide eine hohe Reflexion aufweisen und sie im Infrarot ähnliche thermische Eigenschaften haben. Es wurde nun aber festgestellt, dass bei Tagesaufnahmen des Kanals 3 Helligkeitsunterschiede der Temperatur zwischen Schnee und tiefen Wolken bei gleicher Emissionstemperatur bestehen. Dies ist zurückzuführen auf die solare Reflexion, welche ebenfalls eine wichtige Komponente des Kanals 3 ist. Diese Reflexion galt es zu bestimmen, indem aus Kanal 4 die Emissionstemperatur abgeleitet wurde um die thermische Emission in Kanal 3 abzuschätzen und ersetzen zu können. Aus Kanal 3 ergaben sich Reflexionswerte für Schnee von 0,02- 0,04, für Land von 0,03- 0,10, für Eiswolken von 0,02- 0,27 und für Wasserwolken von 0,08- 0,36. Die Klassifikation erfolgt in drei Schritten: Zunächst werden alle Pixel mit einer Kanal 3- Reflexion >/= 0,057 und einer Kanal 1- Reflexion >/= 0,19 als Wasser- und Eiswolken identifiziert. Dann wird eine Separation von Land- und Schneebedeckung und den übrigen Eiswolken vorgenommen, wobei Pixel mit einer Kanal 1- Reflexion < 0,19 als Land ausgewiesen werden. Im dritten Schritt wird die Schneebedeckung von verbleibenden Eiswolken separiert, wobei Pixel mit einem Kanal 3-4 Temperaturfaktor >/= 15 = Schnee, alle übrigen = Wolke. Dieser Temperaturfaktor wurde als Reziproke von $F_{T}=(T_{3}-T_{4})/T_{4}$ bestimmt.

Es wurden sechs Fälle analysiert und mit 110 Bodenbeobachtungen abgeglichen unter Berücksichtigung der Wolkenbedeckungskategorien klar, verstreut, unterbrochen und bedeckt. Die Übereinstimmung zwischen Satellitenbestimmung und beobachteten Wolken wurde als sehr zufriedenstellend angesehen. Allerdings konnte das Unterscheidungsproblem von Schnee und Cirren nicht gelöst werden, da der Kanal 3-4 Temperaturfaktor die Unterschiede der „Helligkeitstemperatur“ nicht isolieren konnte. Als Funktion des Sonnenzenitwinkels fand außerdem eine unkorrekte Klassifikation bei Beschattung von tiefen Wolken oder Land durch höhere Wolken statt; dieser Fehler ist demnach im Dezember/ Januar am größten. Eine Restriktion der Methode besteht darin, dass durch die Verwendung von Tagesaufnahmen in polaren Regionen keine Betrachtung im Winter möglich ist.

Zur Zeit der Entwicklung dieser Methode war bereits durch Bunting et al. (1977) und Bunting & d’Entremont (1982) festgestellt worden, dass sich ein Sensor im Nahen Infrarot (1,55- 1,75μm) wesentlich besser zur Unterscheidung von Wasserwolken, Eiswolken und Schnee eignen würde. Dieser sollte aber erst in den 1990er Jahren zum Einsatz kommen. Mittels der hier vorgestellten Methode konnten somit ältere Daten (ohne nIR- Sensor) analysiert werden.

Seze 1987 (Article)

Seze, G. & Desbois, M.; Cloud Cover Analysis from Satellite Imagery using Spatial and Temporal Characteristics of the Data. Journal of Climate and Applied Meteorology, 1987, 26, 287-303

In diesem Artikel werden neue Entwicklungen in der Wolkenklassifikation, die auf der statistischen Auswertung (Clustering) von Histogrammen beruhen, beschrieben. Für die Identifikation signifikanter Wolkenklassen werden Zeitreihen geostationärer Satellitenbilder ebenso wie zusammengesetzte Bilder, die die Oberflächeneigenschaften repräsentieren, herangezogen. Räumliche Veränderungen werden als zusätzliche Parameter mit in die Wolkenklassifikation eingeführt, mit dem Ziel die Wolken besser von der Oberfläche und die verschiedenen Arten mehr oder weniger homogener Wolkenklassen abtrennen zu können.

Orsini 2002 (Article)

Orsini, A. et al.; Cloud Cover classification through simultaneous ground-based measurements of solar and infrared radiation. Atmospheric Research, 2002, 61, 251-275

In der in diesem Artikel beschriebenen Methode der Wolkenklassifikation werden simultane Messungen von kurzwelliger Sonneneinstrahlung und der gesamten einfallenden Strahlung mit Hilfe eines Pyrradiometers und eines Albedometers in einer antarktischen Gletscherstation beschrieben. Die Messungen der einfallenden kurzwelligen Strahlung werden nach der Duchon & O'Malley Prozedur für Wolkenklassifizierung analysiert, indem man nach 50 Minuten die Durchschnittswerte für die Standardabweichung benutzt und das Verhältnis der tatsächlich beobachteten zur errechneten wolkenfreien Strahlungsintensität. Vergleicht man diese Messungen nach der Duchon & O'Malley Methode mit den tatsächlichen Beobachtungen erhält man eine Übereinstimmungsrate von 93% bei Cirruswolken und 25% für Cumuluswolken. Für Polarwolken haben sich neue Entscheidungskriterien etabliert und somit erhielt man eine Übereinstimmungsrate von 94% bei Cirrus, 67% bei Cirrostratus/Altostratus und 33% bei Cumulus/Altocumuluswolken. Aus den Verhältnissen der gemessenen, einfallenden, kurzwelligen Strahlung im bewölkten Fall zu den errechneten in im wolkenfreien Fall wurden mit zusätzlichen menschlichen Beobachtungen empirische Kurven erstellt, die jeden der 3 oben genannten Wolkenklassen abschätzt. Die Stärke der langwelligen Strahlung wird über verschiedene Annahmen mit der Höhe der Wolkenbasis bei polaren Wolken in Beziehung gesetzt, was auch relativ gute Ergebnisse zur Folge hat.

Baum 1997 (Article)

Baum B. et al.; Automated Cloud classificationof Global AVHRR Data Using a Fuzzy Logic Approach. Journal of Applied Meteorology, 1997, 36, 1519-1540

In diesem Artikel wird eine automatisierte Wolkenklassifikation mittels einer Fuzzy Logic Classification (FLC), die mit Wahrscheinlichkeiten operiert, beschrieben. Diese Methode wird vorgeschlagen, wenn man in einem 32x32 Pixelbereich, oder in einer Auswahl eines 1,1km Advaned Very High Resolution Radiometer (AVHRR) Datenbestandes erstens zwischen klarem Himmel und Wolken und zweitens wenn man falls Wolken vorhanden sind zwischen einschichtigen und mehrschichtigen Wolken unterscheiden möchte. Es gibt in dieser Methode 8 FLC-Module, die nach der Herkunft der Luftmassen und der Gebietsoberfläche untergliedert sind: Äquatorial über Land, maritim/tropisch über Land, kontinental/tropisch über Land, maritim/polar über Land, kontinental/polar über Land, maritim/tropisch/äquatorial über Wasser, maritim/polar über Wasser und kontinental/polar/arktisch über Wasser. Aus über 150 AVHRR-Aufnahmen hinweg über alle Jahreszeiten, alle Kontinente und Ozeane wurden Trainings- und Testdaten verwendet. Aus diesen AVHRR-Daten wurden durch verschiedenste Kombinationen 190 strukturelle und spektrale Merkmale errechnet. Eine Überprüfung dieser Daten in den einzelnen Modulen ergab eine Mindestgenauigkeit von 84,8% in den maritim/polaren FLC-Modulen über Wasser bis hin zu einer höchsten Genauigkeit von 91,1% in den kontinental/polar FLC-Modulen über Land. Die Fehlerrate, bei der einschichtige Wolken fälschlicherweise als mehrschichtige Wolken klassifiziert wurden, lag bei kontinental/polaren Luftmassen über Land bei 0,5% und bei maritim/polaren Luftmassen über Land bei 3,4%. Die Ergebnisse zeigen, dass die FLC-Methode eine viel versprechende Methode ist, um zwischen einfach- und mehrfachgeschichteten Wolken zu unterscheiden.

Rossow & Garder 1993 (Article)

Rossow W. & Garder L.; Cloud Detection Using Satellite Measurements of Infrared and Visible Radiances for ISCCP. Journal of Climate, 1993, 6, 2341-2369

Das International Satellite Cloud Project (ISCCP) begann 1983 damit Strahlungsdaten von Wettersatelliten zu sammeln und zu analysieren, um eine Forschung in der globalen Wolkenklimakunde zu ermöglichen. In diesem Artikel werden die Algorithmen der Wolkenerkennung der ISCCP beschrieben. Dazu gehören Untersuchungen zur räumlichen und zeitlichen Variation der Strahlung an unterschiedlichen Orten und unterschiedlichen Zeiträumen, um die globale Varianz der bewölkten und wolkenfreien Situationen zu charakterisieren. Des weiteren die zu jeder Zeit und an jedem Ort mögliche Abschätzung des ungehinderten Stahlungsflusses im wolkenfreien Fall und der Gebrauch von Strahlungsgrenzwerten, die in Abhängigkeit zur Erdoberfläche und Klimaregion stark variieren. Durch jahrelange globale Untersuchungen des statistischen Verhaltens der Satellitenmessungenim infraroten und solarem Spektralbereich wurde ein Erkennungsalgorithmus entwickelt, welcher Merkmale für klare und bewölkte Verhältnisse voneinander abgrenzt und wie diese mit den verschiedenen Klimaregionen variieren. Eine Zusammenfassung dieser statistischen Ergebnisse wird vorgestellt, um zu zeigen wie unter verschiedenen Umständen die Wolkenerkennungsmethode funktioniert. Es werden eine Reihe von Sensitivitätstests durchgeführt, welche eine Ergebnisabweichung von 5-10% Unter- bzw. Überschätzung verursachen.

Desbois 1982 (Article)

Desbois,M.; Seze G. & Szejwach G.; Automatic Classification of Clouds on METEOSAT Imagery: Application to High-Level Clouds. Journal of Applied Meteorolgy, 1982, 21, 401-412

Bei dieser statistischen Klassifikationsmethode werden Daten eines dreidimensionalen Histogramms gruppiert. Diese Daten stammen aus den drei Kanälen der METEOSAT-Bilder: Kanal1 0,45-1,0µm sichtbares Band, Kanal2 5,7-7,1µm Wasserdampfabsorptionsband zur Bestimmung des Atmosphärengehaltes, Kanal3 10,5-12,5µm thermisches Infrarotband für Temperaturbestimmung von Wolken, Land- und Meeresoberflächen. Für diese Klassifikationsmethode wurden Trainingsdaten von verschiedenen Wolkenbedeckungsfällen in der tropischen Klimaregion herangezogen. Die Bestimmung von Wolkenklassen erfolgt über die Kombinationen der drei Kanäle. Somit gibt es weniger gut korrelierende Kombinationen, wie z.B. die Kombination des VIS-Kanals mit dem Wasserdampfkanal und stark korreliernde Kombinationen wie die Kombination des Wasserdampfkanals mit dem Infrarotkanal. Wenn es um die Bestimmung der Wolkenoberseitentemperatur bei Cirruswolken geht, ist das bidimensionale IR-WV-Histogramm eine erfolgversprechende Methode, sogar bei semitransparenten Wolken.

Chang & Li (Paper)

Chang,F. & Li,Z.; Evaluate the effect of upper-level Cirrus-clouds on Satellite retrievals of low-level cloud droplet effective radius. Atmospheric Radiation Measurement (ARM) programme

In dieser Studie geht es um die Bewertung des Einflusses von dünnen hohen Cirruswolken auf den ermittelten Tropfenradius in den unteren Stockwerken. Die Abschätzung des globalen durchschnittlichen Tropfenradius für niedrige Wolken ist für Strahlungstransfer- und Klimamodelle unentbehrlich. Die Herausforderung dabei ist die Unterscheidung von dünnen Eiswolken über den einheitlichen, dicken, niedrigen Wolken mittels Satellitenbilder. Für diese Untersuchung eignen sich die üblichen Wolkenklassifikationsmethoden mittels VIS und IR-Kanäle eher weniger, da sie nur einen schwachen Einfluss auf die Reflektivität im sichtbaren Bereich und die Emissivität im infraroten Bereich haben. Der Einfluss hoher Wolken auf die Ermittlung des Tropfenradius niedriger Wolken ist dagegen viel signifikanter. Dadurch dass dünne, hohe Wolken meist sehr große Eiskristalle besitzen, wird der durchschnittliche Tropfenradius meist überschätzt. In dieser Studie wird der Einfluss hoher Cirren auf den durchschnittlichen Tropfenradius niedriger Wolken mit dem durchschnittlichen Tropfenradiusniedriger Wolken bei Abwesenheit von Cirren verglichen. Mit Hilfe der brightness temperature difference method (BTDM) im infraroten Bereich (11µm) kann bestimmt werden, ob ein Pixel mit dünnen hohen Cirruswolken überlagert ist oder nicht. Die Wolkenoberseitentemperatur ist beim Vorhandensein von hohen Wolken viel kälter als bei niedrigen Wolken und in diesem Fall muß dann eine Cirrus-Korrektur der durchschnittlichen Tropfenradiuswerte vorgenommen werden.

Sun-Mack,S. (Paper)

Sun-Mack,S. et al.; Multilayerd clouds identification and retrieval for CERES using MODIS.

In diesem Paper werden zwei Verfahren vor- und gegenübergestellt, die unter Verwendung von Satellitenbilddaten, sich überlappende Wolkenfelder erkennen und darüber hinaus Daten der vertikalen Struktur von Wolken liefern. Die erste Methode benutzt ein Verfahren der Kombination von VIS- und IR-Wertenmit Mikrowellen(MW)-Messungen der Wollkenwassertemperatur Tw. Auf dieser Grundlage kann der vertikale Flüssigwasserpfad (LWP-liquid water path)innerhalb der Wolken bestimmt werden, der eine hervorragende Methode zur Bestimmung sich überlappender Wolken darstellt. Das zweite Verfahren nutzt multispektrale Bilddaten in Kombination mit sekundären Bildprodukten, wie z.B. in diesem Fall das BTD (Brightness-Temperature Difference). Es wurden MODIS- und AMSR-E-Daten des AQUA-Satelliten benutzt. Die MODIS-Daten mit 1km Auflösung wurden für CERES analysiert, in dem sie mittels der VIS-IR-Solar-Infrared Split Window Methode bearbeitet wurden. Die erhaltenen Werte beinhalten die Wolkenparameter t(optische Dicke), Tc(effektive Temperratur), sowie die originalen Strahlungswerte jedes Pixels in den einzelnen MODIS-Spektralbereichen. Der LWP von Wolken und die Wolkenwassertemperatur Tw werden in diesem Beispiel aus AMSR-E MW Daten mit 12km Auflösung generiert. Dabei werden die multispektralen MW-Werte in Strahlungstransfermodelle eingesetzt, so dass anschließend die Werte in die nominale Nadir-Fläche übergeführt werden können. Die CERES-BTD Technik beruht auf bereits früheren Forschungen von Kawamoto et al(2001), wonach die Parameter der VISST- mit der BTD-Methode verknüpft werden, um als Single-Layered, Multi-Layered oder als nicht bestimmbar klassifiziert zu werden. Besondere Aufmerksamkeit wird hier auf t und den effektiven Eiskristalldurchmesser in Abhängigkeit seiner Phase gelegt. Es werden vor allem Tests an Eiswolken mit einem t-Wert > 20 durchgeführt. Man versucht somit, die Problematik zu lösen, dass auch hohe dicke Wolken einen positiven BTD besitzen können, wenn ihr Oberrand diffus ausgebildet ist. Als Ergebnis wird hier nur der relative Vergleich der beiden Methoden herangezogen, der aussagt, dass es immer noch nicht möglich ist, einige bestimmte Wolkensysteme zu klassifizieren. Die Fehler die dies verhindern sind zum Einen die Abschätung der FOV(Field of View)-Nadir-Fläche und zum Anderen, dass sich die Detektion an bestimmten Grenzwrten für das LWP richtet (Wasserwolken: LWP > 40g/m² und kein Wasser: LWP < 40g/m²). Es kann nämlich dazu kommen, dass eine bestimmte Wolke einen Grenzwert unter- bzw. überschreitet, weil ihre für den Aggregatszustand typische optische Dicke niedriger bzw. höher ist, als für die gezogenen Grenzen angenommen.

Arking 1985 (Article)

Arking,A. & Child,J.; Retrieval of Cloud Cover Parameters from Multispectral Satellite Images. Journal of Cimate and Applied Meteorolgy, 1985, 24, 322-333

In diesem Artikel wird eine Technik zur Entnahme von Wolkenparametern aus multispektralen, radiometrischen Satellitenmessungen beschrieben. Benötigt werden dazu drei Kanäle: VIS, 3,7µm und 11µm aus AVHRR-Daten des NOAA-Satelliten. Es wird gezeigt, dass man für jeden Pixel 4 Parameter (Eigenschaften des Wolkenpartikels) entnehmen kann: der Wolkenanteil im Sichtfeld, die optische Dicke, die Wolkenoberseitentemperatur und ein zusätzlicher mikrophysikalischer Modellparameter, wie z.B. Größe, Gestalt, Aggregatzustant etc. Dieser Wert wird hauptsächlich durch Strahlungsmessungen bei der Wellenlänge von 3,7µm ermittelt. Die anderen 3 Parameter werden aus dem sichtbaren und dem 11µm infraroten Strahlungsbereich mit Hilfe der Informationen aus den beiden zweidimensionalen Scatterplots der gemessenen Strahlungswerte entnommen. Durch die hohe Auflösung sind die Daten von sehr hoher Bedeutung. Man hat somit ein hochaufgelöstes Verbreitungsmuster für ausgewählt betrachtete Wolkenparameter, die für weiterführende Studien herangezogen werden können.

Bankert 1994 (Article)

Bankert, R.; Cloud Classification of AVHRR Imagery in Maritime Regions Using a Probabilistic Neural Network. Journal of Applied Meteorology, 1994, 33, 909-918

In diesem Artikel wird eine Wolkenklassifikation mit Hilfe eines wahrscheinlichkeitstheoretischen neuronalen Netzwerkes (PNN) beschrieben. Dabei benutzt das PNN aus dem NOAA-Satelltit stammende AVHRR-Daten aus denen es 16x16 Pixel große Gebiete in eine von 10 Wolkenklassen einteilt. Klassen: Cirrus, Cirrocumulus, Cirrostratus, Altostratus, Nimbostratus, Stratocumulus, Stratus, Cumulus, Cumulonimbus, und klarer Himmel Das PNN benötigt 5 Kanäle: VIS1 (0,55-0,68µm); VIS2 (0,725-1,1µm); Kanal3 (3,55-3,93µm); Kanal4 (10,5-11,5µm); Kanal5 (11,5-12,5µm) Es können bis zu 204 Merkmale aus den spektralen, strukturellen und physikalischen Messungen/Pixeldaten für jede Testregion berechnet werden. Das Neuronale Netzwerk wird unter Aufsicht an ausgewählten Beispielregionen, die zuvor von Experten untersucht und ausführlich deklariert wurden, trainiert. Die Trainings- und Testdaten, die für das PNN benötigt werden, stammen aus 95 von Experten gekennzeichneten und begutachteten Bildern, welche aus 7 verschiedenen maritimen Regionen der nördlichen Hemisphäre stammen. Diese Bilder weisen 1633 Beispielregionen aus. Wenn man alle 204 Features für die Berechnungen auswählt kann es aufgrund von Nachbarschaftseffekten zu einer höheren Ungenauigkeit kommen. Deshalb wird empfohlen nur die wirklich interessanten und überprüfenswerten Features berechnen zu lassen, um somit ein Höchstmaß an Genauigkeit zu erreichen. Nachdem die ausgewählten Features berechnet wurden, werden Sensitivitätstests durchgeführt, um die Güte der Klassifizierung zu überprüfen.

Salby 1991 (Article)

Salby,M. et al.; Analysis of Global Cloud Imagery from Multiple Satellites. Bulletin American Meteorological Society, 1991, 72-4, 467-480

Es wurden Synoptische Bilder des globalen Wolkenfeldes aus simultanen Infrarot-Messungen von geostationären und zwei polarumlaufenden Satellitenplattformen ausgehend geschaffen. Dabei wurden eine Reihe von räumlichen und zeitlichen Interpolationen mit Daten aus Reliabilitätsmessungen benutzt, um aus den Daten der einzelnen Satelliten ein synoptisches Mischbild der globalen Wolkenmuster zu erhalten. Das zusammengesetzte globale Wolkenabbild (GCI-Global Cloud Imagery) hat eine horizontale Auflösung von einem halben Grad und eine zeitliche Auflösung von drei Stunden, dies liefert einen bis Dato noch nie da gewesenen Blick auf das gesamte Wolkenfeld der Erde. Jedes Mischbild verkörpert ein nahezu augenblickliches Abbild der globalen Wolkenmuster. Mit der Aneinanderreihung dieser Bilder ist es nun möglich auf globaler Basis verschiedene Wolkenmuster, auch über den tageszeitlichen Verlauf sehr gut nachzuvollziehen. Um das globale Verhalten der Wolken betrachten zu können, wurde das GCI mit einheitlichen Rahmenbedingungen konstruiert. Die Daten wurden in einheitliche Zeitabschnitte, Längen- und Breitengrade unterteilt und sie beinhalten keinerlei Datenlücken. Es wurde ein interaktives Bildanalysesystem (IAS – Image Analyse System) zur Ermittlung des Raum-Zeit-Verhaltens der globalen Wolkenaktivität entwickelt. Im IAS sind Daten, Hard- und Software in einem einzigen System integriert, welches eine Vielzahl von Raum-Zeit Kovarianzanalysen bereitstellt. Aufgrund der angepassten Bauweise des GCI und dessen einheitlichen Eigenschaften kann das IAS die 3-dimensionalen Analysedaten verwenden, um die Output-Geschwindigkeit interaktiv zu steuern.

Uddstrom 1996 (Article)

Uddstrom,M. & Gray,W.; Satellite Cloud Classification and Rain-Rate Estimation using Multispectral Radiances and Measures of Spatial Texture. Journal of Applied Meteorology, 1996, 35, 839-858

In dieser Studie wurden AVHRR-Daten aus einer zwölf monatigen Beobachtung der maritimen mittleren Breiten der südlichen Hemisphäre mit Regenraten-Daten aus drei Doppler-Wetter-Radars angeordnet. Dafür verwendete man ein interaktives Computersystem und eine Vielzahl unabhängiger Beispiele von bewölkten (Altocumulus, Cumulonimbus, Cirrostratus, Cumulus, Nimbostratus, Stratocumulus, Stratus) sowie wolkenfreien Szenarien, welche durch Experten abgesichert waren. Diese Analysen wurden zusätzlich durch Differenzen- und Verhältniskanäle gestützt, durch 3,7µm Reflektions- und Emissionskomponenten, spektrale Histogramme, Coakley-Bretherton räumliche Kohärenzen Plots, Mittelwerte, Standardabweichungen, und Grau-Level-Differenzen (GLD) Statistiken. Diese Analyse ergab 4323 Wolken- und wolkenfreie Muster mit einer räumlichen Auflösung von 8x8 Pixel bei den Momentaufnahmen. Innerhalb der Regenwolken-Klassen wurde die Regenrate mit den räumlichen und radiometrischen Wolkeneigenschaften in Beziehung gesetzt. Die Erfolgsquote der Abschätzung der Regenrate hängt vom Wolkentyp ab. Die Werte für die Temperatur, die räumliche Struktur und der Grad der Isotropie haben einen 20-25%-igen Einfluss auf die Bestimmung der Regenrate bei Nimbostratus- und Altocumulusklassen. Die Genauigkeit über die Regenwahrscheinlichkeiten bei Altocumulus, Cumulus, Cirrostratus, and Nimbostratuswolken kann mit mindestens 60% beschrieben werden. Dieser Ansatz, bei dem Wolkenklassen identifiziert werden, Regenraten in Abhänigkeit vom Wolkentyp abgeschätzt werden, scheint eine gute Lösung bei der Analyse von Regenraten mittels Satellitendaten(VIS+IR) in den mittleren Breiten darzustellen. Dieser Ansatz würde sich auch noch auf Frontalwolkensysteme ausbauen lassen.

Saitwall 2003 (Article)

Saitwall,K. et al.; A multichannel temporally adaptive system for continuous cloud classification from satellite imagery. IEEE Transactions on Geoscience and Remote Sensing, 2003, 41-3, 1098-1104

In diesem Artikel wird ein System vorgestellt, dass automatisch Änderungen in den Merkmalsausprägungen eines Satellitenbildes mit zwei Kanälen (VIS+IR) erkennt und registriert. Das System benutzt zwei wahrscheinlichkeitstheoretische neuronale Netzwerk Klassifizierer (PNN's) und einen kontextbasierten Einflusswert, um eine durchgängige Wolkenklassifikation während des Tages und der Nacht zu gewährleisten. Die Ergebnisse der 27-stündigen, fortlaufenden Klassifikation werden in einer Sequenz von 8 Bildern eines geostationären Satelliten gezeigt. Des weiteren zeichnet das System in zwei neuen Datensätzen die Veränderungen innerhalb einer und zwei Wochen auf, womit das Potential dieses Systems als ein operationelles, kontinuierliches Wolkenklassifikationssystem erkennbar wird.

Minnis 2005 (Article/Paper)

Minnis,P. et al.; Detection and Retrieval of Multi-Layered Cloud Properties Using Satellite Data. SPIE Europe International Symposium on Remote Sensing - Remote Sensing of Clouds and the Atmosphere X, 2005, 9 pages Erläutert und verglichen werden 4 Methoden zur Detektion von Multilayer - Wolken mit Hilfe von Wolkenparametern. Dabei werden Techniken unterschieden, welche einerseits Multispekraldaten und daraus abgeleitete sekundäre Daten (Infrared BTD Brightness-Temperature-Differnce) und andererseits atmosphärische Umgebungsdaten (CO2, BTD), BTD oder Mikrowellendaten nutzen. Die CO2 und BTD Methoden sind lediglich für optisch dünne Wolken über tiefe Wolken geeignet, während die Mikrowellenmethode nur über Ozeanflächen zum Eindatz kommt. Die 4 Methoden sind:

• MIV (mikrowave-visible-infrared)
• VBM (visible BTD method)
• COM (CO2 slicing method)
• CBM (CERRES BTD method)

Odebrecht 2004 (Diploma thesis)

Odebrecht J.; Validierung passiver Fernerkundungsverfahren zur erkennung von Wolken

Schmitt 2000 (Diploma thesis)

Schmitt C.; Erkennung hochreichender Konvektionswolken anhand von Meteosat-Daten

Derrien und Gléau 2005 (Article)

Derrien M.und Le Gléau H.; MSG/SEVIRI cloud mask and type from SAFNWC. International Journal of Remote Sensing, 2005, Vol.26, No.21, 4707-4732

Dieser Artikel beschreibt die Algorithmen für die Wolkenmasken und Wolkentypen, die in dem SAFNWC/MSG (Satellite Application Facility for supporting NoWCasting) Software-Paket mit eingebunden sind. Dieses wurde aus den Bildern des Spinning Enhanced Visible and Infrared Imager (SEVIRI) an Bord des Meteosat Second Generation (MSG) abgeleitet. Das SAFNWC arbeitet mit einem Grenzwertverfahren, wobei die meisten Grenzwerte aus Strahlungstransfermodellen berechnet wurden. Somit kann in jedem Bereich des MSG-Sichtfeldes die Wolkenmaske und der Wolkentyp entnommen werden. Vergleicht man die Ergebnisse mit den Beobachtungen an der Erdoberfläche, zeigen die MSG-1/SEVIRI Daten eine hohe Trefferquote.

Lu und Weng 2006 (Article)

Lu D.und Weng Q.; A survey of image classifikation methods and techniques for improving classification performance. International Journal of Remote Sensing, 2007, Vol.28, No.5, 823-870

Lu und Weng geben einen guten Überblick über verschiedene weiterführende Klassifikationsmethoden und Techniken. Die Klassifikationsmethoden werden sauber voneinander unterschieden und verständlich strukturiert. Bei der Betrachtung steht die Qualitätsverbesserung der Klassifizierungsergebnisse im Vordergrund.

Ameur, Ameur, Adane,Saufageot und Bara 2004 (Article)

Ameur Z., Ameur S., Adane A., Saufageot H. und Bara K.; Cloud classification using the textural features of Meteosat images. International Journal of Remote Sensing, 2004, Vol.25, No.21, 4491-4503

In diesem Artikel wurde eine strukturelle Wolkenklassifikation über Nordafrika, dem Mittelmeer und Europa mit Hilfe eines METEOSAT-Bildes (VIS+IR) durchgeführt Dabei wurde der Summen und Differenzen Histogramm (SADH) Ansatz angewendet. Der Effekt der Textur-Anisotropie wurde durch die Karhunen-Loeve Transformation (KLT) mit in die Berechnungen aufgenommen. Mit Hilfe des K-means Algoritmus werden die Strukturen in acht homogene Klassen eingeteilt. Durch die Methode des Summen und Differenzen Histogramms von Graulevel verkürzt sich die Klassifikationszeit um das dreifache gegenüber anderen, ähnlichen Methoden, wie die GLCM (grey level cooccurrence method) und die GLDV (grey level difference vector). Die Genauigkeit gegenüber der beobachteten Werte betrug 96%.

Sunny Sun-Mack, Patrick Minnis et al. (Article)

Sunny Sun-Mack, Patrick Minnis, Yan Chen, Yuhong Yi, Jainping Huang, Bin Lin, Alice Fan, Sharon Gibson,and Fu-Lung Chang: Multilayered Clouds Identification and Retrieval for CERES Using MODIS. American Meteorological Society In diesem Artikel wird kurz etwas zur Detektion von Mehrschichtwolken (multilayer clouds) beschrieben. Vorgestellt werden 2 Methoden um solche Wolken zu detektieren. MW-VIS-IR Multilayer Cloud Detction System (MCRS) und die CERES-Brightness-Temperature-Difference Methode. Beide Verfahren nutzen abgeleitete Wolkeneigenschaften für die Differenzierung zwischen Wasser und Eiswolken. Die MCRS Methode gilt als Referenzmethode, da sie Wasserwolken in Anwesenheit von Eiswolken detektieren kann.

Walch, Neukamp (1989)

Walch D. und Neukamp E. (1989): Wolken Wetter. 1. Auflage. Gräfe und Unzer Verlag

• Wetterentwicklung erkennen und vorhersagen
• mit Anleitung für eine regionale Wetterprognose
• enthält eine Einführung in die WMO-Klassifikation
• sehr gute Bilder der Wolkenarten
• populär geschrieben
• kann zum allgemeinen Verständnis herangezogen werden

Desbois et al. (1982)

Desbois M., Seze G., Szejwach G.: Automatic Classification of Clouds on METEOSAT Imagery: Application to High-Level Clouds Vorgestellt wird eine statistische Klassifikationsmethode basierend auf 3D Histogramm Clustering der METEODSAT Kanäle Visible, Infrared und Infrared Water vapour. Die Ergebnisse dieser Klassifikation beziehen sich auf verschiedene Wolkenbedeckungsfälle in den Tropen.