Evaluierung von Wolkenbeobachtungendurch Satellitendaten mit

Bodenbeobachtungen

An der Universitat Leipzig,Fakultat fur Physik und Geowissenschaften,

Institut fur MeteorologieIm Bachelorstudiengang Meteorologie eingereichte

BACHELORARBEIT

von

Leonore JungandreasMatrikelnummer: 3270157

Erstgutachter: Prof. Dr. Johannes Quaas

Zweitgutachterin: Claudia Unglaub

Sommersemester 2015

Abstract

Ziel der Arbeit ist die Evaluierung von Satellitendaten. Dafur werden diese mitentsprechenden Bodenbeobachtungen verglichen. Dadurch ist es moglich, sowohldie Qualitat der Satelliten- als auch der Bodendaten abzuschatzen. Fur die Ar-beit mit Satellitendaten ist es wichtig, zu wissen, wie zuverlassig diese sind, woFehlerquellen liegen, Unsicherheiten entstehen konnen und in wie weit den Mes-sungen vertraut werden kann.Es werden Monatsdatensatze der Bodenbeobachtungen und Tagesdatensatze derSatellitenmessungen des Zeitraums von 2007 − 2008 analysiert. Um beiden Da-tensatze explizit miteinander vergleichen zu konnen, werden die Daten kolokali-siert. Zur korrekten zeitlichen und raumlichen Zuordnung wird in der technischenAnalyse Boxen mit der Auflosung von 0, 1◦ (entspricht ca. 10 km) um jede Bo-denstation gelegt und ein Zeitintervall von kleiner gleich einer Stunde festgelegt.Ausgewertet und verglichen wird die Hohe der Wolkenuntergrenze (Cloud BaseHeight), die Gesamtbedeckung (Total Cloud Cover) und der Niederschlag (Pre-cipitation). Die Analyse hat ergeben, dass die Satellitendaten nur bedingt eineUbereinstimmung mit den Bodendaten aufweisen. Bei dem Vergleich des Nie-derschlags ergibt sich die beste Ubereinstimmung, vor allem wenn von beidenkein Niederschlag detektiert wird. Bei der Hohe der Wolkenuntergrenze ergibtsich ein uberschatzende Tendenz der Satellitendaten. Sowohl fur ein- als auchfur mehrschichtige Wolken melden die Satellitendaten hohere Werte der Wol-kenuntergrenze als die dazugehorigen Bodenmessungen. Auch bei der Gesamt-bedeckung uberschatzen die Satellitenmessungen die Bodenwerte. Bis auf einehaufigere Ubereinstimmung bei sehr hohen Bedeckungsgraden (7/8 und 8/8), er-gibt sich eine hohe Streuung der Werte fur ein- und mehrschichtige Wolken.Um die Zuverlassigkeit von Satellitendaten zu erhohen, sind weitere Forschungennotwendig, mit denen die Verbesserung der Satellitenmesstechnik vorangetriebenwerden kann. Eine Moglichkeit des Fortschritts besteht darin, die Signalstarkezur Durchdringung von Wolken erhohen. Damit ware ein genaueres Bild der ver-tikalen Ausdehnung von Wolken vom Weltraum aus erfassbar.

1

INHALTSVERZEICHNIS

Inhaltsverzeichnis

1 Einleitung 3

2 Satelliten und Instrumente 42.1 CALIPSO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52.2 CloudSat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62.3 MODIS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82.4 CERES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

3 Datenanalyse 133.1 CCCM-Datensatz . . . . . . . . . . . . . . . . . . . . . . . . . . . 133.2 Bodendaten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153.3 Datenverarbeitung . . . . . . . . . . . . . . . . . . . . . . . . . . 16

4 Theoretische Grundlagen der Modellierung von Aerosol-Wolken-Wechselwirkungen 17

5 Auswertung 205.1 Niederschlag . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205.2 Hohe der Wolkenuntergrenze . . . . . . . . . . . . . . . . . . . . . 245.3 Gesamtbedeckung . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

6 Diskussion 31

7 Zusammenfassung 33

Literaturverzeichnnis 36

Selbststandigkeitserklarung 40

2

ABBILDUNGSVERZEICHNIS

Abbildungsverzeichnis

1 A-Train Konstellation . . . . . . . . . . . . . . . . . . . . . . . . 42 Abbildung von CALIOP . . . . . . . . . . . . . . . . . . . . . . . 53 Funktionsweise des CALIOP . . . . . . . . . . . . . . . . . . . . . 64 Schematischer Aufbau von CloudSat . . . . . . . . . . . . . . . . 75 CPR Antenna Subsystem auf CloudSat . . . . . . . . . . . . . . . 86 MODIS Subsystem . . . . . . . . . . . . . . . . . . . . . . . . . . 97 CERES Subsystem . . . . . . . . . . . . . . . . . . . . . . . . . . 118 CERES-Footprint . . . . . . . . . . . . . . . . . . . . . . . . . . . 159 Schematischer Darstellung der Zusammenfassung der Wolkengrup-

pen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1510 Uberblick des Niederschlagsvergleich fur ein- und mehrschichtige

Wolken . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2211 Uberblich des Niederschlagvergleichs fur ein-und mehrschichtige

Wolken . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2312 Uberblick des Niederschlags fur einschichtige Wolken . . . . . . . 2413 Hohe der Wolkenuntergrenze fur ein- und mehrschichtige Wolken . 2614 Hohe der Wolkenuntergrenze fur einschichtige Wolken . . . . . . . 2715 Gesamtbedeckung ein- und mehrschichtiger Wolken . . . . . . . . 2916 Gesamtbedeckung einschichtiger Wolken . . . . . . . . . . . . . . 30

3

TABELLENVERZEICHNIS

Tabellenverzeichnis

1 Spektrale Bander von MODIS . . . . . . . . . . . . . . . . . . . . 102 Verfahren zur Ermittlung von Wolkenober- und Wolkenuntergren-

ze durch CALIOP und CPR . . . . . . . . . . . . . . . . . . . . . 143 Erlauterung der Ordinatenachse (Satellitendaten) der Niederschlags-

grafik; Zahlen von 0 bis 14 stehen fur Niederschlagserscheinungenund -kombinationen welche von den verschiedenen Wolkengruppeninnerhalb eines Footprints gemeldet werden . . . . . . . . . . . . . 21

4 Erlauterung der Abszissenachse (Bodendaten) der Niederschlags-grafik; Zahlen von 0 bis 3 stehen fur Niederschlagserscheinungen . 21

5 Verschlusselung der Bodendaten . . . . . . . . . . . . . . . . . . . 256 Umrechnung der Gesamtbedeckung von Prozent in Achtel . . . . 28

4

1 EINLEITUNG

1 Einleitung

Wolken und Aerosole haben nicht nur einen direkten Einfluss auf das Wetter undglobale Klimageschehen, sondern ebenso auf die Zirkulation in der Atmosphareund in Ozeanen. Aufgrund der großen Unsicherheit die Wolken und Aerosole inKlima- und Wetterprognosen darstellen, ist es unerlasslich die Prozesse und spe-zifischen Einflusse von Wolken genauer zu untersuchen und zu quantifizieren.Ebenso großen Einfluss nehmen Wolken und Aerosole auf die Strahlungsener-giebilanz der Erde. Abhangig von der Zusammensetzung und Beschaffenheit derWolken, wird die einfallende, kurzwellige Strahlung reflektiert, gestreut oder ab-sorbiert. Dabei spielt es eine wichtige Rolle, ob es sich um Eis-, Wasser- oderMischphasenwolken handelt, sowie die Art der Aerosole an die sich der Wasser-dampf anlagert und kondensiert.In Abhangigkeit von der Wolkenphase, haben Aerosole unterschiedliche Einflusseauf Wolken (Storelvmo et al., 2008). Durch den zusatzlichen Eintrag von an-trophogenen Aerosolen, erhoht sich die Anzahl an Aerosole, welche als Kon-densationskerne (engl. Cloud condensation nuclei CCN) dienen, innerhalb derAtmosphare. Dadurch wird in Flussigwasserwolken eine großere Anzahl von Wol-kentropfchen geringer Große bei konstantem Flussigwassergehalt gebildet. Damiterhoht sich die Reflektivitat (Albedo) der Wolke (Twomey, 1977).Zudem benotigen kleine Wolkentropfchen mehr Zeit um zu Niederschlagstropfenheranzuwachsen. Durch die Verzogerung der Niederschlagsbildung, erhoht sichdie Lebensdauer, der Bedeckungsgrad, sowie die vertikale Ausdehnung der Wolke(Albrecht, 1989; Pincus and Baker, 1994).In Mischphasenwolken ist die Quantifizierung der Aerosol-Effekte noch nicht soweit vorangeschritten und muss noch weiter erforscht werden (Storelvmo et al.,2008).

Ziel dieser Arbeit ist es, die Zuverlassigkeit von Satellitendaten mit Hilfe von Bo-denbeobachtungen zu uberprufen. Satellitendaten sind essentiell, fur die Erfor-schung und Quantifizierung von Wolken, Wolkeneigenschaften und deren Wech-selwirkungen in der Atmosphare. Deshalb ist es wichtig, ihre Zuverlassigkeit undeventuelle Probleme und Fehlerquellen zu analysieren.Die Satellitendaten werden aus dem CCCM-Datensatz entnommen. Dieser Da-tensatz wurde von Seiji Kato entwickelt. Er setzt sich aus Daten von den SatellitenCloudSat und CALIPSO (Cloud Aerosol Lidar and Infrared Pathfinder Satelli-te Observations), sowie den auf Aqua stationierten Messgeraten CERES (Cloudsand Earth’s Radiant Energy System) und MODIS (Moderate Resolution ImagingSpectroradiometer) zusammen. Die Messgerate ermoglichen Messungen mit un-terschiedlicher, raumlicher Auflosung und liefern Datensatze, aus denen Wolkenund Aerosoleigenschaften abgeleitet werden konnen. In dem CCCM-Datensatzsind aktive und passive Messungen der Wolken- und Aerosoleigenschaften kom-biniert. Das Lidar und das Radar auf CALIPSO und CloudSat ermoglichen die

5

2 SATELLITEN UND INSTRUMENTE

aktive Datenerfassung, wahrend CERES und MODIS passiv messen. Aufgrundder unterschiedlichen Auflosungen der Messgerate, werden diese in den CCCM-Datensatzen in einem Zweistufenprozess speziell zusammengefuhrt und am Endein einem 20 km aufgelosten Footprint gespeichert. (vgl Kapitel 4.1) (Kato et al.,2010, 2011).

2 Satelliten und Instrumente

Alle Satelliten, welche die Daten fur den CCCM-Datensatz liefern, fliegen in derA-Train-Konstellation in 705 km Hohe uber der Erde in einer sonnensynchronenUmlaufbahn (Winker et al., 2007). Das

”A“ in A-Train steht fur Afternoon, was

die Uberquerung des Aquators durch die Satelliten um circa 13:30 Ortszeit be-schreibt. Die A-Train-Konstellation ist in Abbildung 1 dargestellt.

Abbildung 1:”The Afternoon Constellation“ - A-Train Formation, Darstellung

der zugehorigen Satelliten und ihrer Messgerate; (http://nasa.gov,abgerufen am 21.09.2015)

Durch die enge Zusammenarbeit der Satelliten CloudSat und CALIPSO ist esmoglich hochaufgeloste Vertikalprofile von Wolken und Aerosolen zu erstellen. DaCALIPSO vor allem dunne Wolken und die Aerosolverteilung erfasst, detektiertCloudSat dicke Wolken und Niederschlag. Somit ergibt sich aus beide Satelliten-missionen eine optimale, sich erganzende Vertikalstruktur der Atmosphare.

6

2 SATELLITEN UND INSTRUMENTE

2.1 CALIPSO

CALIPSO wurde von der NASA (National Aeronautics an Space Administration)und dem CNRM (Centre National de Recherches Meteorologiques) entwickelt(Stephens, 2001). Mit Hilfe einer Delta II Rakete startete die CALIPSO-Missiongemeinsam mit CloudSat am 28. April 2006 (Winker et al., 2007). CALIPSObesitzt eine horizontale Auflosung von 333 m, sowie eine vertikale Auflosung von30 − 60 m (Winker et al., 2003).CALIPSO besteht aus einer Wide Field Camera (WFC), einem Imaging InfraredRadiometer (IIR) und dem Hauptinstrument, dem Cloud Aerosol Lidar with Or-thogonal Polarization (CALIOP). Fur den CCCM-Datensatz ist jedoch nur dasCALIOP interessant.Das CALIOP impliziert einen Zwei-Wellenlangen-Transmitter, mit den Wellenlangen532 nm und 1064 nm und einen Drei-Kanal-Reciever (Winker et al. (2010); Winkeret al. (2007)). Abbildung 2 zeigt das CALIOP einmal in der Entwicklung (links)und einmal den schematischen Aufbau (rechts) mit den Subsystemen (IRR undWFC) von CALIPSO. Das Empfanger-Teleskop weist einen Durchmesser von 1 mauf (Winker et al., 2007).

Abbildung 2: CALIOP (links)(Winker et al., 2004) und schematischer Aufbauvon CALIOP (rechts) (Winker et al., 2003)

Die Funktionsweise des CALIOP ist in Abbildung 3 veranschaulicht. Uber denTransmitter werden zwei verschiedene Arten von Laserstrahlen ausgesandt. BeideLaserstrahlen weisen eine Energie von 110 mJ auf. Trifft das ausgesandte Signalauf einen Wolken- oder Aerosolpartikel, wird es reflektiert. Das Teleskop fangtdieses Ruckstreusignal auf. Uber einen Spiegel wird das Signal in die Mitte des

7

2 SATELLITEN UND INSTRUMENTE

Abbildung 3: Schemata zur Funktionsweise des CALIOP (Winker et al., 2004)

Gerates auf einen dichroitischen Spiegel1 geleitet. Ein Teil der Strahlung (532 nm)wird reflektiert, wahrend der Andere (1064 nm) transmittiert wird.Uber einen Interferenzfilter wird das transmittierte, 1064 nm-Signal zu dem De-tektor geleitet und auf den ersten Kanal gelegt. Der reflektierte Strahl lauft ubereinen Depolarisator und einen Interferenzfilter zu einem Polariations-Strahlteiler,welcher das 532 nm -Signal in eine orhtogonale und eine parallele Komponenteaufspaltet. Diese aufgeteilten Signale werden auf die beiden anderen Empfangs-kanale gelegt.

”Alle drei Kanale werden uber einen Detektor weitergeleitet“, di-

gitalisiert und zu einem”bordeigenem Computer“ gesandt (Winker et al., 2003).

Hier erfolgt die Analyse und Auswertung der Daten. Durch spezielle Algorith-men kann man zwischen Wolken und Aerosolen differenzieren. Die Wasser- undEisphase von Wolken, sowie die einzelnen Aerosoltypen konnen unterschiedenwerden.

2.2 CloudSat

CloudSat wurde von der NASA Jet Propulsion Laboratory (JPL), der ColoradoState University, dem Canadian Research Center und der US Air Force entwickelt

1Spiegel, welcher das einfallende Licht der Wellenlange nach aufspaltet und somit nachFarben trennt

8

2 SATELLITEN UND INSTRUMENTE

(Stephens, 2001). Mit Hilfe des Satelliten CloudSat ist es moglich, Wolkenprofileglobal zu beobachten. Uber das Millimeterradar CPR (Cloud Profiling Radar),welches an Bord von CloudSat installiert ist, erfolgte die erste Analyse einer Wol-ke nach ihrer vertikalen Ausdehnung und ihrer Dicke. Durch CloudSat wird esaußerdem moglich eine Aussage daruber zu treffen, welche Wolkenteile Nieder-schlag produzieren. Die Eis- und Wassermasse innerhalb der Wolke kann geschatztwerden, sowie die Effizienz der Niederschlagbildung durch Kondensate. Das CPRdetektiert zudem uberlappende Wolkenschichten (Stephens et al., 2002). Nebendem Hauptgerat, dem CPR, und dem Antennensystem sind Sternenkameras, So-larmodule zur Stromversorgung, GPS Empfanger und Steuerraketen als Antriebinstalliert, wie Abbildung 4 schematisch dargestellt.

Abbildung 4: Schematischer Aufbau von CloudSat (https://directory.eoportal.org; abgerufen am 21.09.2015)

Das CPR ist das erste, auf einem Satelliten installierte Millimeterradar. Es misstim Gegensatz zu anderen Radargeraten mit 94GHz Signalen. Damit ist es moglichnicht nur Niederschlage, wie Eis- und Wasserteilchen zu detektieren, sondernauch die Wolkenruckstreuung zu erfassen. Mit der Detektion sehr geringer Re-flektivitaten, von bis zu −26 dBz, bringt das Cloud Profiling Radar die zwei-te Voraussetzung dafur mit. Mit dieser extrem erhohten Sensitivitat gegenuberanderen Wetterradaren, konnen Wasserwolken bis zu 80% und Eiswolken zu90% durchdrungen werden. CloudSat besitzt eine vertikale Auflosung von 485 m,eine Auflosung in x-Richtung (Ost-West-Ausdehnung) von 1, 4 km, sowie eineAuflosung in y-Richtung (Nord-Sud-Ausdehnung) von 1, 8 km (Stephens et al.,2002).

9

2 SATELLITEN UND INSTRUMENTE

Abbildung 5: CPR Antenna Subsystems des CloudSat-Satelliten (https://directory.eoportal.org; abgerufen am 21.09.2015)

Das Antenna Subsystem ist in Abbildung 5 abgebildet. Ein Sender- und Empfanger-system, unterteilt in einzelne Subsysteme, bildet das Cloud Profiling Radar. ImDigital Subsystem, welches vom Power Distribution Unit mit Energie versorgtwird, entsteht das Ausgangssignal von 10 Hz. Bevor das Ausgangssignal noch ein-mal verstarkt wird, wird es in ein 94 GHz- Signal ummodelliert. Von dem CPRwerden monochromatische Wellen ausgesendet. Trifft es auf Wolken oder Nie-derschlag, wird es zuruckgestreut und vom Empfangssystem aufgenommen. DasRuckstreusignal trifft zunachst auf den Hauptspiegel (1.Spiegel) und wird von die-sem auf mehrere kleinere Spiegel reflektiert. Uber weitere, unterschiedliche Spiegelund Polarisatoren im optischen Instrument, wird das Signal fokussiert und an-schließend zum Receiver geleitet. Hier findet die Prozessierung des Signals statt.Die Digitalisierung des Signals ubernimmt der Digital Data Handler (DDH). DasDigital Subsystem ist also nicht nur fur die Erzeugung und Modulation, sondernebenso fur die Digitalisierung, Transmission und Organisation verantwortlich. Esresultieren geometrische Wolkenprofile.Mit Hilfe der CloudSat-Daten kann die optische Dicke der Wolken ermittelt wer-den und es ist moglich sie zu klassifizieren. CloudSat stellt kalibrierte Reflekti-vitaten, den Flussigwasser- und Eiswassergehalt von Wolken, ebenso wie die at-mospharischen Strahlungseffekte und Heizraten bereit (Im et al., 2005; Li et al.,2000; Im et al., 2001).

2.3 MODIS

MODIS (Moderate Resolution Imaging Spectroradiometer) ist ein Messgerat aufdem Aqua- und Terra- Satelliten. Terra’s Umlaufbahn beschreibt eine Nord-SudUberquerung des Aquators und ist somit das Komplement zu Aqua. Er kreuzt

10

2 SATELLITEN UND INSTRUMENTE

den Aquator von Sud nach Nord. In dem CCCM-Datensatz sind jedoch lediglichdie MODIS-Daten von Aqua integriert.MODIS scannt die gesamte Erde aller ein bis zwei Tage. Dabei entstehen Da-ten hoher radiometrischer Sensitivitat in 36 spektralen Bandbreiten mit einemWellenlangenbereich von 0.4µm bis 14.4µm. Zwei Bandbreiten sind mit 250 min Nadir-Richtung aufgelost, funf mit 500 m und die verbleibenden 29 mit 1 km.Abbildung 6 stellt den Aufbau des MODIS Subsystems schematisch dar.

Abbildung 6: Schematischer Aufbau des MODIS Subsystems (Barnes et al., 1998)

Der Scan Mirror-Aufbau verwendet einen kontinuierlich, rotierenden, doppelsei-tigen Spiegel. Angetrieben wird er von einem speziellen Motor, welcher fur diesechs jahrige Dienstzeit zu 100 % in Betrieb ist. Das optische System besteht auseinem afokalen2 Teleskop mit zwei Spiegeln, welches die Energie zu vier strahlen-brechenden Objektivanordnungen leitet. Fur jeden spektralen Bereich, VIS (vi-suelles Spektrum), NIR (nahes Infrarotspektrum), SWIR/MWIR (kurzwelligesInfrarotspektrum) und LWIR (langwelliges Infrarotstektrum), gibt es einen Spie-gel zur Abdeckung des gesamten Wellenlangenbereichs von 0.4µm bis 14.4µm(King et al., 2003). Der genaue Aufbau von MODIS ist auf der NASA-Websiteersichtlich. Tabelle 1 zeigt die Belegung der einzelnen Bandbreiten.

2Linsensystem, welches weder zerstreuend noch bundelnd wirkt. Treffen Lichtstrahlen par-allel auf das Linsensystem, treten sie auch wieder parallel aus (Hecht, 2009).

11

2 SATELLITEN UND INSTRUMENTE

Band Wellenlange (nm) raumliche Auflosung (m) zur Bestimmung von1 620 - 670 250 Land-, Wolken-,

Aerosolgrenzen2 841 - 876 2503 459 - 479 500

Land-, Wolken-,Aerosoleigenschaf-

ten

4 545 - 565 5005 1230 - 1250 5006 1628 - 1652 5007 2105 - 2155 5008 405 - 420 1000

Ocean Color,Phytoplankton,Biogeochemie

9 438 - 448 100010 483 - 493 100011 526 - 536 100012 546 - 556 100013 662 - 672 100014 673 - 683 100015 743 - 753 100016 862 - 877 100017 890 - 920 1000

AtmospharischerWasserdampf

18 931 - 941 100019 915 - 965 100020 3,660 - 3,840 1000

Oberflachen- undWolkentemperatur

21 3,929 - 3,989 100022 3,929 - 3,989 100023 4,020 - 4,080 100024 4,433 - 4,498 1000 Temperatur der

Atmosphare25 4,482 - 4,549 100026 1,360 - 1,390 1000

Wasserdampf undCirruswolken

27 6,535 - 6,895 100028 7,175 - 7,475 100029 8,400 - 8,700 1000 Wolkeneigenschaften30 9,580 - 9,880 1000 Ozon31 10,780 - 11,280 1000 Oberflachen- und

Wolkentemperatur32 11,770 - 12,270 100033 13,185 - 13,485 1000

Hohe derWolkenobergrenze

34 13,485 - 13,785 100035 13,785 - 14,085 100036 14,085 - 14,385 1000

Tabelle 1: Spektrale Bander von MODIS und deren Funktion (http://modis.gsfc.nasa.gov, abgerufen am 15.09.2015)

12

2 SATELLITEN UND INSTRUMENTE

Mit diesen Daten ist es moglich ein besseres Verstandnis uber die globale Dynamikund die Prozesse an Land, im Ozean und in der unteren Atmosphare zu erlangen(http://modis.gsfc.nasa.gov/about/, abgerufen am 15.09.2015).

2.4 CERES

CERES ist die Abkurzung fur Clouds and the Earth’s Radiant Energy Systemund ist eine verbesserte Version der Earth Radiation Budget Experiment (ERBE)Radiometer. Die CERES-Daten von den Strahlungsflussen an der TOA weiseneinen geringeren Fehler auf als die Daten von ERBE. Die bisherigen Schwierig-keiten zur Schatzung des Strahlungsflusses innerhalb der Atmosphare und amBoden, konnen durch die Eigenschaften von CERES deutlich minimiert werden(Wielicki et al., 1996). Gemessen wird die Solarstrahlung, welche von der Atmo-sphare reflektiert wird und die Strahlung die von der Erdatmosphare emittiertwird. Durch das Zusammenwirken mir anderen EOS-Instrumenten (z.B. MODIS)ist es moglich Wolkeneigenschaften zu bestimmen. CERES wird zukunftig wei-terhin zum besseren Verstandnis von Wolken und der Strahlungsbilanz der Erdebeitragen, auch im Bezug auf die globale Klimaerwarmung.Bei CERES handelt es sich um ein dreikanaliges Radiometer. Das Radiometerbenutzt ein Prazisionsbolometer3, um Messungen von großer Genauigkeit undStabilitat zu erhalten. In Abbildung 7 ist der schematische Aufbau von CERESdargestellt (Wielicki et al., 1996).

Abbildung 7: Schematischer Aufbau des CERES Subsystems (Wielicki et al.,1996)

3Strahlungssensor zur Messung der Energie der elektromagnetischen Strahlung, dessenMessprinzip auf der Temperaturabhangikeit des elektrischen Widerstand beruht (http://universal lexikon.deacademic.com, abgerufen am 02.11.2015)

13

2 SATELLITEN UND INSTRUMENTE

Jeder radiometrische Kanal enthalt ein zusammenpassendes Paar von Prazisions-bolometern zur Messung des Strahlungsflusses. Eines der beiden Bolometer agiertals aktiver Signal-Detektor. Das jeweils andere Bolometer dient als warmeableiten-der Kompensator thermaler Variationen und soll langzeitliche Alterungsprozesseausgleichen.Ein Kanal misst die, von Wolken reflektierte, kurzwellige Strahlung in einemWellenlangenbereich von 0.3µm bis 5µm. Der zweite Kanal ermittelt die vonder Erde ausgesandte Warmestrahlung im Bereich von 8µm bis 12µm (Bereichdes

”atmospharischen Fensters “) und der dritte Kanal dient der Ermittlung der

gesamten, von der Erde emittierten Strahlung. In Nadir-Richtung betragt dieAuflosung von CERES 20 km (Wielicki et al., 1996).

14

3 DATENANALYSE

3 Datenanalyse

3.1 CCCM-Datensatz

Die auf CloudSat, CALIPSO und Aqua installierten Gerate ermoglichen Mes-sungen mit unterschiedlicher, raumlicher Auflosung und liefern Datensatze, ausdenen Wolken und Aerosoleigenschaften abgeleitet werden konnen. Aufgrundder unterschiedlichen Auflosungen der Messgerate, werden diese in dem CCCM-Datensatz in einem Zweistufenprozess speziell zusammengefuhrt.Im ersten Schritt des Prozesses wird festgelegt, von welchem Satelliten, Cloud-Sat oder CALIPSO, die gemessene Hohe der Wolkenuntergrenze in dem CCCM-Datensatz gespeichert wird. Ausgegangen wird von CALIOP’s abgeleiteten Wol-kenprofil, mit einer horizontalen Auflosung von 333 m unterhalb von 8.2 km Hoheund 1 km horizontale Auflosung uber 8.2 km Hohe. Die vertikale Auflosung be-tragt 30 m unterhalb von 8.2 km und 60 m uber 8.2 km Hohe (Winker et al., 2007).Zu den CALIPSO-Daten werden anschließend Wolkenhohengrenzen vom CPR,mit einer cross-track horizontalen Auflosung von 1.4 km und einer along-trackhorizontalen Auflosung von 1.8 km, sowie einer vertikalen Auflosung von 485 m(Stephens et al., 2008), hinzugefugt. Um die Hohe der Wolkenoberkante und derWolkenunterkante aus den CALIOP- und CPR-Daten zu ermitteln, wird nachder Strategie, dargestellt in Tabelle 2, vorgegangen. Die Wolkengrenzen, welchedas CALIOP und CPR melden, mussen sich um mindestens 480 m unterschei-den, um eindeutig als verschieden erachtet zu werden. Die Wolkengrenzen werdenprimar von CALIOP detektiert, solange das Signal nicht vollstandig attentuiertist. Demnach sind 85% der Wolkenobergrenzen und 77% der Wolkenuntergrenzenaus CALIOP-Daten abgeleitet. Dem Einfluss von Niederschlag bei der Detektionder Wolkengrenzen durch das CPR wird damit großtenteils vermieden.

15

3 DATENANALYSE

CloudBoundary

CALIOP CPR Merged Boundary

Top Detected Detected Higher Cloud TopTop Detected Undetected CALIOP Cloud TopTop Undetected Detected CPR Cloud TopBase Not

completelyattenuated

Undetected CALIOP Cloud Base

Base Notcompletelyattenuated

Detected CALIOP Cloud Base

Base Completelyattenuated

Detected CPR Cloud Base

Base Completelyattenuated

Undetected CALIOP lowest unat-tenuated Cloud Base

Tabelle 2: Verfahren zur Ermittlung der Wolkenober- und Wolkenuntergrenzedurch CALIOP und CPR Kato et al. (2010)

Im zweiten Schritt werden die vertikalen Wolkenprofile, bereitgestellt von CALIP-SO mit 0, 333 km Auflosung und CloudSat mit 1.4km Auflosung mit jedem 1 kmMODIS Pixel und dessen geolokalen Daten (geographische Breite und Lange) ko-lokalisiert. Die daraus resultierenden 1 km- Daten werden anschließend den 20 kmaufgelosten Footprints von CERES zugeordnet. In diesem 20 km-Gitter wird dasProdukt dieses Zweistufenprozesses gespeichert. Der detaillierte Integrationspro-zess der CALIOP- und CPR- Wolkendaten wird in Kato et al. (2010) beschrieben.Abbildung 8 veranschaulicht den CERES-Footprint.

Die vertikalen Wolkenprofile, erstellt von CALIOP und CPR, werden durch ei-ne Analyse der Wolkengrenzen zusammengefugt. Die Wolkenprofile, welche in-nerhalb des CERES-Footprints liegen, werden anschließend nochmals gruppiert.Wolken mit gleicher Wolkenober- und Wolkenuntergrenze, d.h. mit dem gleichenvertikalen Profil, sowie mit gleicher Anzahl ubereinanderliegender Wolkenschich-ten werden zusammengefasst. Die maximale Anzahl an Wolkengruppen, welcheinnerhalb des CERES-Footprints unterschieden werden kann, liegt bei 16. Zu-dem darf jede Wolkengruppe maximal 6 Wolkenschichten enthalten. Der Pro-zess zur Zusammenstellung der Wolkengruppen ist schematisch in Abbildung 9dargestellt. Wolkengruppe 1 beziffert die Wolkengruppe mit dem hochsten Bede-ckungsgrad innerhalb des CERES-Footprints (Kato et al., 2010).

16

3 DATENANALYSE

Abbildung 8: Schematischer CERES-Footprint, enthalt CALIPSO und CloudSatGround Track (Kato et al., 2011)

Abbildung 9: Schematische Darstellung der Zusammenfassung der Wolkengrup-pen innerhalb eines CERES-Footprints (Kato et al., 2010)

3.2 Bodendaten

Bei den untersuchten Bodendaten handelt es sich um Monatsdaten von 2007bis 2008 aus der Datenbank

”Extended Edited Cloud Report Archiv“ (EECRA)

(http://http://www.atmos.washington.edu/CloudMap/, abgerufen am 01.11.2015).Die Datenbank enthalt globale, synoptische Bodenwetterbeobachtungen und -berichte, zusammengestellt aus verschiedenen, einzelnen Datensatzen. Diese wur-den verarbeitet, aufbereitet und neugeschrieben, um einen einzelnen Datensatzuber Wolkenbeobachtungen und -daten bereitzustellen. Die globalen Bodenbeob-achtungen resultieren aus 39 Jahren Landbeobachtungen von 1971-2009 und 57Jahren Schiffsmessungen im Zeitraum von 1952-2008.Das EECRA basiert ausschließlich aus visuellen Wolkenbeobachtungen von Wet-terstationen. Es handelt sich um 81 Millionen Wolkenbeobachtungen von Schiffs-

17

3 DATENANALYSE

staionen und 380 Millionen von Landstationen. Verschlusselt werden diese Da-ten im synoptischen Code der World Meteorological Organisation (WMO). DieVoraussetzung der Berichte, um in das Archiv aufgenommen zu werden, bestehtdarin, Wolken-Typ-Informationen zu enthalten (http://www.atmos.washington.edu/CloudMap/index.html, abgerufen am 08.10.2015).

3.3 Datenverarbeitung

Da die Bodendaten fur Landmessungen nur bis 2008 vorhanden sind, erfolgt dieEvaluierung der Satellitendaten mit Hilfe der Bodendaten fur die Jahre 2007-2008. Es wird die Lower Cloud Base Height (Hohe der Wolkenuntergrenze), dieWolkengesamtbedeckung und der Niederschlag analysiert, um die Zuverlassigkeitder Satellitendaten zu uberprufen.Fur die Arbeit mit den Bodendaten, werden die Land- und Seemessungen zu-sammengefugt. Anschließend werden beide Datensatze (Boden- und Satelliten-daten) in die einzelnen Monate zusammengefasst, um das Einlesen der Daten zuvereinfachen. Die entsprechenden Daten werden aus den Datensatzen in das Pro-gramm eingelesen. Damit beide Datensatze verglichen werden konnen, werdenvon Satelliten- und Bodenbeobachtungen die gleichen geolokalen Koordinaten,sowie eine zeitliche Ubereinstimmung benotigt. Eine Bodenstation muss also ge-nau dann Daten aufzeichnen, wenn auch ein Satellitenuberflug stattfindet. Umdiese Falle zu extrahieren, wird um jede Bodenstation, mit Hilfe ihrer Koordi-natenangaben, eine Box mit 0, 1◦ Auflosung gelegt. Das entspricht circa 10 kmhorizontale Ausdehnung in Ost-West-, sowie in Nord-Sud-Richtung. Existiereninnerhalb dieser Koordinatenbegrenzungen Satellitendaten, werden diese gespei-chert und anschließend auf ihre zeitliche Ubereinstimmung mit der entsprechen-den Bodenstation uberpruft. Dafur wird ein Zeitfenster von ±1 Stunde von derBodenstationsmeldung festgelegt. Finden sich mehrere Satellitenmeldungen in-nerhalb der Koordinatenbox und der zeitlichen Begrenzung, wird die ortlich undzeitlich nachste Satellitenmeldung verwendet.Trotz das die Polkappen bei der Analyse außen vor gelassen werden, verschiebensich die Koordinatenboxen naturlicher weise uber dem Koordinatennetz der Erde.Mit folgender Formel wird diese Verzerrung behoben:

lonres =0.1

cos(latres)(1)

lonres bezeichnet die Auflosung der geographischen Lange und latres die Auflosungder geographischen Breite. Aus den Bodendaten wird der Niederschlag aus demaktuellen Wetter entnommen und in den Code der Satellitendaten uberfuhrt (vgl.4). Fur die Hohe der Wolkenuntergrenze erfolgt eine Uberfuhrung der Satelliten-daten in die Verschlusselung der Bodendaten (vgl. 5). Bei dem Gesamtbede-ckungsgrad werden die Prozentangaben der Satelliten in Achtel umgerechnet.

18

4 THEORETISCHE GRUNDLAGEN DER MODELLIERUNG VONAEROSOL-WOLKEN-WECHSELWIRKUNGEN

4 Theoretische Grundlagen der Modellierung von

Aerosol-Wolken-Wechselwirkungen

Die Art, wie Aerosole das Klima auf der Erde beeinflussen und in Wechselwir-kungen mit Wolken stehen, ist komplex und nur unzureichend von Klimamodel-len erfasst. Zwar ist durch neueste Erkenntnisse das Verstandnis uber Aerosol-Wolken-Wechselwirkungen gestiegen, doch wird ein weiteres Fortschreiten durchdie begrenzten Beobachtungsressourcen und grob aufgeloste Klimamodelle be-hindert.Jungste Fortschritte haben gezeigt, dass Aerosol-Wolkenwechselwirkungen sehrviel komplizierter sind, als bisher angenommen (Rosenfeld, 2014).Der Strahlungsantrieb, der durch die menschlichen Aktivitaten ausgelost wird,ist sehr unsicher, was es schwer macht die Auswirkungen der globalen Klima-erwarmung vorherzusagen (Anderson et al., 2003; Stocker et al., 2013). Wei-terhin ist es beispielsweise moglich, dass der Strahlungsantrieb aufgrund vonAerosol-Wolken-Wechselwirkungen durch Speichermechanismen begrenzt wird,was jedoch durch verschiedene Wolkenreaktionen auf Aerosole kompensiert wird(Stevens and Feingold, 2009). Da Aerosole durch Niederschlage extrem abge-baut wurden (Goren and Rosenfeld, 2012), kann es in diesen extrem sauberenSystemen zu einer extremen Abkuhlung kommen. Grund dafur ist der Wiederan-stieg der Aerosolanzahl, welcher zu einem starken Anstieg des Bedeckungsgradesfuhren kann (Ackerman et al., 1993). Ein moglicher neuer Prozess ist die durchAerosol-induzierte Kraftigung stark konvektiver Wolken. Sie konnen großere Men-gen kleinerer Eispartikel zum Amboss solcher Wolken transportieren. Die dadurchhoheren, kalteren und weiter ausgedehnten Ambosse fuhren zu einer Erwarmungder Atmosphare durch die geringere Emission von thermischer Strahlung in denWeltraum (Koren et al., 2010).Der Intergovernmental Panel on Climate Change’s Fifth Assessment Report (Sto-cker et al., 2013) beginnt mit der Erklarung fur einige dieser, von Aerosolen undWolken, herbeigefuhrten Effekte. Dies ist ein Fortschritt zum IPCC 4 (IPCC,2007), in welchem nur ein spezifischer Effekt erklart wird: die Aerosol-induzierteReduktion der Wolkentropfengroße und der damit erhohten Wolkenreflektion so-larer Strahlung.Dass die Aerosoleffekt nicht vollstandig erfasst werden konnen, erhoht die Unge-nauigkeiten der Quantifizierung des Strahlungsantriebs durch Wolken und Aero-sole (Rosenfeld, 2014). Zudem ist nur wenig uber das Aerosollevel der vorindustri-ellen Ara bekannt. Dieses Referenzlevel ist jedoch sehr wichtig fur die Schatzungdes Aerosol-Strahlungsantriebs (Carslaw et al., 2013). Das Wissen und die Quan-tifizierung dieses Aerosolreferenzlevels wurde Aufschluss uber die naturlichen undanthropogenen Emissionsquellen und ihre Wechselwirkungen geben (Rosenfeld,2014).

19

4 THEORETISCHE GRUNDLAGEN DER MODELLIERUNG VONAEROSOL-WOLKEN-WECHSELWIRKUNGEN

Auf kleinen Skalen, von 10 m oder kleiner, ist der Prozess, bei dem Aerosoledie Anordnung und Große von Wolkentropfen verandern und bei dem Tropfensich zu Regentropfen verbinden, relativ gut verstanden. Weniger erklart ist dieReaktion der Wolkenbedeckung und Organisation auf den Verlust von Wasserbei Niederschlag. Noch weniger Verstandnis existiert auf dem Gebiet der For-mation von Eis und der Interaktion von Eis mit Wassertropfen. Grund dafur istdie geringe Moglichkeit, Messungen der Eisnukleationsaktivitat von Aerosolen,sowie den eiskristallbildenden Prozessen, innerhalb von Wolken durchzufuhren.Um eine detaillierte Computersimulation von einer Wolke oder einem Wolkensys-tems zu erzeugen, waren hunderte Stunden Rechenzeit auf den leistungsstarksten,verfugbaren Computern notig. Modellierer mussten dafur jedoch auf simple Pa-rametrisierungen dieser Prozesse in Klima- und Wettermodellen zuruckgreifen.Die Representation von Aerosoleffekten auf Wolken ist besonders schwer, dakleinskalig, zusammenhangende Variationen zwischen Aerosolen und den Eigen-schaften von Wolkentropfen, großskalige Auswirkungen, wie beispielsweise dieVeranderung des Wolkenaufbaus, zur Folge haben (Rosenfeld, 2014).Ein erstaunlicher Schritt wurde in jungsten Simulationen erzielt (Wang et al.,2011), in denen es moglich war kleine Bereiche mit wolken-spezifischen Prozessen,welche in jeder Gitterzelle eines Klimamodells eingebettet sind, zu losen. Diesespezifischen Wolkenprozesse implizieren vereinfachte Darstellungen von Aerosol-Wolken-Wechselwirkungen. Diese Vorgehensweise bietet ein Potential, globaleModelllaufe fur Wolken uber mehrere Jahre durchzufuhren. Klimasimulationenuber ein Jahrhundert sind weiterhin jedoch nicht durchfuhrbar. Das eingebauteModel ist außerdem zu grob, um viele, fundamentale Aerosol-Wolken-Prozesse inden Großenordnungen zu losen, in denen diese auftreten (Rosenfeld, 2014).

Verbesserte Beobachtungstests sind essentiell zur Validierung der Simulationser-gebnisse und zur Gewahrleistung, dass die Modellentwicklungen auf dem richti-gen Weg sind. Die derzeitig arbeitenden Satelliten konnen Wolken- und Nieder-schlagseigenschaften messen. Doch weder der vertikale Wind, welcher die Wolkenentstehen lasst, noch die spezifischen Aerosole, an denen die Wolkentropfen undEiskristalle sich ansammeln, konnen gemessen werden (Rosenfeld, 2014). Daherist es es kompliziert die Aerosol- und meteorologischen Effekte auf Wolkeneigen-schaften auseinanderzuhalten. Eine Hauptherausforderung besteht darin, dass diewichtigste Region der Aerosolnukleation am Boden der Wolke lokalisiert ist. Die-se ist durch den Rest der Wolke nicht zu sehen, wenn man Messungen von obenbetreibt (Rosenfeld, 2014).

Der Fortschritt, Aerosol-Wolken-Wechselwirkungen und ihre Effekte auf das Kli-ma besser zu verstehen, wird von den unzureichenden Beobachtungsinstrumen-ten und Modellen begrenzt (Andreae et al., 2009). Vollstandig geloste, globale,mehrjahrige Silmulationen werden wahrscheinlich nicht fur mehrere Jahrezehnterealisierbar.

20

4 THEORETISCHE GRUNDLAGEN DER MODELLIERUNG VONAEROSOL-WOLKEN-WECHSELWIRKUNGEN

Die Unsicherheiten, sowohl in meteorologischen Modellen als auch in Satelliten-messungen, gilt es zu quantifizieren. Anhand der Bodendaten kann uberpruftwerden, wie zuverlassig Satelliten messen und arbeiten und mit welchen Fehlernman bei Modellen rechnen muss, die anhand von Satellitendaten erstellt werden.

21

5 AUSWERTUNG

5 Auswertung

5.1 Niederschlag

Die Satellitendaten melden fur jede der 16 Wolkengruppen, welche in jedem Foot-print unterschieden werden, ob und in welcher Art aus der Wolkengruppe Nieder-schlag fallt. Die Arten des Niederschlags sind mit 0, 1, 2 oder 3 beziffert. DieseZahlen stehen fur ”keinen Niederschlag”(0), ”flussigen Niederschlag”(1), ”festenNiederschlag”(2) oder ”moglicherweise Niesel”(3).Um ein moglichst genaues Bild des Niederschlags (gemeldet von CloudSat) zu er-halten, wird anschließend in 15 Kombinationsmoglichkeiten unterteilt. Beispiels-weise wenn in einem Footprint in den Wolkengruppen flussiger Niederschlag undNiesel gemeldet wird, wird diese Kombination die Zahl 9 zugeordnet. Genauerlautert werden die verschiedenen Kombinationen in Tabelle 3.Die Bodenbeobachtungen werden in die Moglichkeiten 0 − 3, wie oben beschrie-ben, unterteilt. Die Niederschlagsmeldungen liegen zuvor in einem synoptischenSchlussel codiert vor. Die Zahlen 0 bis < 50 stehen fur keinen Niederschlag (0),von 50 bis ≤ 59 verschlusseln Niesel (3), 60 bis ≤ 69 steht fur flussige Nieder-schlagsarten (1) und Ziffern von 70 bis ≤ 75, 77 und 79 sind feste Niederschlags-formen (2). Die Ubersicht dazu ist in Tabelle 4 zusammengestellt.

In Abbildung 10 ist der Niederschlagsvergleich zwischen Boden- und Satelliten-daten dargestellt. Die linke Grafik zeigt den Niederschlagsvergleich fur ein- undmehrschichtige Wolken, die rechte Grafik nur fur einschichtige Wolken. Eingeteiltsind Ordinaten- und Abszissenachse wie bereits beschrieben in die Ziffern 0 bis 3fur die Bodendaten (Abszisse) und in die 15 Kombinationsmoglichkeiten fur dieSatellitendaten (Ordinate). Die Grafiken zeigen, wie haufig welche Kombinationvon Boden- und Satellitendaten auftritt.Betrachtet man ein- und mehrschichtige Wolken (linke Grafik) erkennt man, dassSatelliten und Bodendaten haufig ubereinstimmen, wenn von beiden kein Nie-derschlag gemeldet wird (Kombination 0 und 11). Deutlich wird dies auch durchdie Datenpunktanzahl von 471 von insgesamt 906 Datenpunkten. Demnach kon-gruieren uber 50% der Niederschlagsdaten. Wird von der Bodenstation flussigerNiederschlag gemeldet, stimmt dies ebenfalls in 87 Fallen mit den Satelliten-meldungen uberein. Diese melden in dem Falle entweder ausschließlich ”flussigenNiederschlag”(12), ”keinen oder flussigen Niederschlag”(5) oder ”keinen, flussigenNiederschlag oder Niesel”(2). Alle drei Kombinationen werden auf der Erde je-doch als flussiger Niederschlag wahrgenommen. Der Fall, dass die Bodenstationfesten Niederschlag oder Niesel meldet, ist laut der Grafik selten.Bei 218 weiteren Datenpaaren melden die Satellitendaten flussige Niederschlageund/oder Niesel (7, 5, 2). Ebenso wird in 35 Datenpaaren auch ”kein oder festerNiederschlag”(6) von den Satellitendaten angegeben. Die zugehorigen Bodensta-tionen verzeichnen jedoch keinen Niederschlag (0).

22

5 AUSWERTUNG

Nummer Erlauterung der Ordinaten-Einteilung Zahlenkombination0 kein Niederschlag, flussiger und fester Nie-

derschlag und Niesel0,1,2,3

1 kein Niederschlag, flussig oder fester Nieder-schlag

0,1,2

2 kein Niederschlag, flussiger Niederschlagoder Niesel

0,1,3

3 kein Niederschlag, fester Niederschlag oderNiesel

0,2,3

4 fester, flussiger Niederschlag oder Niesel 1,2,35 kein Niederschlag und flussiger Niederschlag 0,16 kein Niederschlag und fester Niederschlag 0,27 kein Niederschlag und Niesel 0,38 fester oder flussiger Niederschlag 1,29 flussiger Niederschlag oder Niesel 1,310 fester Niederschlag oder Niesel 2,311 kein Niederschlag 012 nur flussiger Niederschlag 113 nur fester Niederschlag 214 nur Niesel 3

Tabelle 3: Erlauterung der Ordinatenachse (Satellitendaten) der Niederschlags-grafik; Zahlen von 0 bis 14 stehen fur Niederschlagserscheinungen und-kombinationen welche von den verschiedenen Wolkengruppen inner-halb eines Footprints gemeldet werden

Nummer Erlauterung der Abszissen-Einteilung0 kein Niederschlag1 flussiger Niederschlag2 fester Niederschlag3 moglicherweise Niesel

Tabelle 4: Erlauterung der Abszissenachse (Bodendaten) der Niederschlagsgrafik;Zahlen von 0 bis 3 stehen fur Niederschlagserscheinungen

Betrachtet man nur einschichtige Wolken so ergibt sich ein ahnliches Muster, wiefur ein- und mehrschichtige Wolken. Dargestellt ist dieser Zusammenhang in derrechten Grafik von Abbildung 10.Das beide kein Niederschlag melden, ist der haufigste Fall. Meldet die Bodenstati-on keinen Niederschlag, detektiert der Satellit in 31 Fallen eine Kombination mitflussigem Niederschlag (7, 12, oder 2). Wird von der Bodenstation Niederschlagangegeben, meldet auch der Satellit Niederschlag. Entweder wird ausschließlich

23

5 AUSWERTUNG

Abbildung 10: Vergleich des Niederschlags zwischen Bodendaten (Abszisse) undSatellitendaten(Ordinate) fur ein- und mehrschichtige Wolken(links) und nur einschichtige Wolken (rechts)

”flussiger Niederschlag”(12) oder eine weiter Kombination mit flussigem Nieder-schlag oder Niesel (5 oder 2) gemeldet. Insgesamt weisen 33 Datenpunkte dieseKombination auf. Nach all diesen Niederschlagskombinationen regnet es innerhalbdes Footprints. ”Fester Niederschlag” oder ”Niesel” wird von den Bodenstationennur sehr selten ubermittelt.

In den folgenden vier Grafiken ist eine Ubersicht des Niederschlagsvergleiches zwi-schen Boden- und Satellitenbeobachtungen dargestellt. Unterteilt wird in ”keinNiederschlag” oder ”Niederschlag”. Dazu wurden die oben beschriebenen vierKategorien ”kein Niederschlag”, ”flussiger Niederschlag” , ”fester Niederschlag”und ”moglicherweise Niesel” zusammengefasst. Da ”moglicherweise Niesel” eineschlecht einzuordnende Kategorie des Niederschlags ist, verdeutlichen Abbildung11 und 12 in der linken Grafik jeweils den Fall, das Niesel als ”Niederschlag”gewertet wird und rechts als ”kein Niederschlag”.

Die beiden Grafiken in Abbildung 11 stellen ein- und mehrschichtige Wolken dar.Beide verdeutlichen, dass uber 50 % der Wertepaare keinen Niederschlag meldenund dahingehend ubereinstimmen. Bei dem zweithaufigsten Wertepaar (> 25 %)melden die Satelliten eine Art von Niederschlag, die Bodenstationen jedoch nicht.Meldet die Bodenstation Niederschlag, wird in guter Ubereinstimmung auchhaufig von CloudSat Niederschlag detektiert. Dass die Bodenstation Niederschlagmeldet, der Satellit jedoch nicht, ist selten der Fall.Vergleicht man beide Grafiken, ergeben sich mit 71, 97 % (rechte Grafik) zu67, 22 % (linke Grafik) um 4, 75 % mehr ubereinstimmende Wertepaare zwischenBoden- und Satellitendaten, wenn ”Niesel” nicht als Niederschlag gewertet wird.

24

5 AUSWERTUNG

Abbildung 11: Vergleich von Boden- und Satellitendaten; Von Satelliten gemel-deter ”moglicher Niesel”wird einmal als Niederschlag gewertet(links) und einmal wird ”moglicher Niesel”nicht als Niederschlaggewertet (rechts)

Dies bestatigt auch die um 6, 40 % geringere Wahrscheinlichkeit das die Boden-daten keinen Niederschlag detektieren, wenn der Satellit Niederschlag meldet.

In Abbildung 12 veranschaulichen die beiden Grafiken die Ubersicht des Nieder-schlagsvergleiches fur einschichtige Wolken. Wieder wird unterschieden ob ”Nie-sel” als Niederschlag gewertet wird (links) oder nicht (Grafik rechts). Fur ein-schichtige Wolken ergeben sich 74, 19 % ubereinstimmende Wertepaare fur dielinke Grafik und 78, 40 % fur die rechte. Zwischen 58 % (links) und uber 64 %(rechts) davon entfallen auf die Boden- und Satellitenmeldungen, welche keinenNiederschlag angeben. Zwischen 13 % (rechte Grafik) und etwas uber 15 % (lin-ke Grafik) entfallen auf Niederschlag ausgebende Datenpaare. Unstimmigkeitenzwischen beiden Datensatzen ergeben sich bei 25, 78 % der Wertepaare fur denFall, dass Niesel als Niederschlag gewertet wird und 21, 60 %, wenn Niesel als”kein Niederschlag” in die Statistik einfließt. Wie bei der Auswertung fur ein-und mehrschichtige Wolken ergeben sich auch bei einschichtigen Wolken mehrkongruierende Wertepaare fur die Annahme, dass ”moglicherweise Niesel”nichtals Niederschlag bemessen wird.

25

5 AUSWERTUNG

Abbildung 12: Vergleich von Boden- und Satellitendaten; Nur einschichtige Wol-ken werden betrachtet; Von Satelliten gemeldeter ”moglicher Nie-sel”wird einmal als Niederschlag gewertet (links) und einmal wird”moglicher Niesel”nicht als Niederschlag gewertet (rechts)

5.2 Hohe der Wolkenuntergrenze

In den Messungen der Satelliten wird die Hohe der Wolkenunterseite in Kilometerangegeben. Diese Hohe ist jedoch uber dem Seelevel gemessen und beachtet dieTopographie der Erde nicht. Es ist notig diese vertikale Ausdehnung der Erdeuber dem Seelevel von der jeweiligen Wolkenhohe abzuziehen, um die richtigeWolkenuntergrenze zu erhalten. Auch bei der Hohe der Wolkenunterkante wirdin die 16 Wolkengruppen unterteilt. Die Hohe wird deshalb mit dem Anteil ander Gesamtbedeckung gewichtet und anschließend gemittelt. Man erhalt somiteine mittlere Hohe der Wolkenuntergrenze fur jeden Footprint.Die Bodendaten melden die Wolkenuntergrenze verschlusselt in einem synopti-schen Code. Tabelle 5 erlautert die Verschlusselung der Bodendaten. Alle Wolkenuber 2500 m werden somit in der Ziffer 9 codiert und konnen nicht weiter unter-schieden werden.

26

5 AUSWERTUNG

Code Hohe

0 0-50 m1 50-100 m2 100-200 m3 200-300 m4 300-600 m5 600-1000 m6 1000-1500 m7 1500-2000 m8 2000-2500 m9 >2500 m

Tabelle 5: Verschlusselung der Bodendaten

In Abbildung 13 und 14 wird die Wolkenhohe zwischen Satellitenmessungen undBodenbeobachtungen verglichen. Die Grafik ist als Histogramm aufgebaut, wel-ches die Anzahl der gleichen Datenmessungen von Bodenstationen und Satelliten-Footprints wiedergibt. In Abbildung 13 werden alle Wolken betrachtet, sowohlein- als auch mehrschichtige Wolken. Die rot dargestellte Gerade veranschaulichtden optimalen, linearen Zusammenhang zwischen Boden- und Satellitenbeobach-tungen. Am haufigsten stimmen die Wolkenhohen von Satellitenmessungen undBodendaten, laut Diagramm, uber 2500 m uberein. Dabei muss jedoch beachtetwerden, dass alle Wolken die hoher sind als 2500 m zwar erfasst werden, die genaueHohe von den Bodendaten jedoch nicht aufgeschlusselt wird. Die Satellitendaten,welche Wolkenuntergrenzen uber 2500 m melden, werden in der neunten Grup-pe (vgl. Tabelle 5) zusammengefasst. Es ist ab dieser Grenze also moglich, dassBoden- und Satellitenmeldungen sehr unterschiedliche Werte der Wolkenunter-grenze melden und dennoch als ubereinstimmend in der Grafik erscheinen. Siewerden in weiteren statistischen Berechnungen vernachlassigt. Im Bereich zwi-schen 600 − 1500 m weisen 113 Datenpaare der Satelliten- und Bodendaten eineUbereinstimmung auf. Dennoch wird die große Streuung der Daten in Abbildung13 deutlich. Auch die uberschatzende Tendenz der Satellitendaten geht aus die-ser Grafik hervor. Die Bodendaten melden Wolkenhohen zwischen 1000−1500 m,wo der Satellit eine Wolkenhohe von uber 2500 m meldet. Bestatigt wird dieszusatzlich durch die Mittelwerte der Boden und Satellitendaten. Fur die Satelli-tendaten wird im Mittel eine Hohe von 6, 3691 km gemeldet und fur die Boden-daten eine Hohe der Wolkenuntergrenze von 5, 15684 km.Der Korrelationskoeffizient hat einen Wert von r = 0, 02256408 und die Stei-gung der Regressionsgeraden ist mit einem Wert von b = 0, 0273403 bei 848Datenpunkten beziffert. Da alle Daten uber 2500 m aus der Analyse ausgeschlos-sen werden (125 Werte), entfallt ein, laut Grafik, gut kongruierender Teil derDaten. Sowohl aus der Abbildung, als auch aus den statistischen Werten wird

27

5 AUSWERTUNG

deutlich, dass kein Zusammenhang zwischen Boden- und Satellitendaten be-steht, was die Hohe der Wolkenuntergrenze angeht. Die mittlere quadratischeAbweichung (Root Mean Square Error (RMSE)) und die Standartabweichungunterstutzen dieses Ergebnis. Mit RMSE=2, 99252 und σ = 2, 13392 sind beideWerte sehr groß. Es handelt sich dabei um eine mittlere quadratische Abweichungvon 58, 03 % und eine Standartabweichung von 23, 51 %.

Abbildung 13: Vergleich der Hohe der Wolkenuntergrenze zwischen Satelliten-daten (Ordinate) und Bodendaten (Abszisse) fur ein- und mehr-schichtige Wolken

Korrelation r Regression b y-Achsenabschnittder Regression a

Datenpunkte(Berechnung)

0,02256408 0,0273403 6,228114 848

In Abbildung 14 ist die Hohe der Wolkenuntergrenze von einschichtigen Wolkendargestellt, sowie die Gerade der perfekten Korrelation (rot dargestellt). Hierliegen die meisten, zusammenpassenden Datenpaare von Boden- und Satelliten-messungen ebenfalls bei > 2500 m. In der weiterfuhrenden Analyse und Berech-nung werden diese 33 Datenpaare wieder vernachlassigt. Zwischen 300 m und1500 m spiegelt die Abbildung, mit 98 Datenpaaren, eine Ubereinstimmung wie-der. Jedoch wird auch bei den einschichtigen Wolken die hohe Streuung und dieuberschatzende Tendenz der Satelliten gegenuber den Bodenstationen deutlich.Der Korrelationskoeffizient betragt r = 0, 03517551 und die Steigung der Re-gressionsgeraden besitzt einen Wert von b = 0, 0419687. Der RMSE entspricht

28

5 AUSWERTUNG

fur einschichtige Wolken einem Wert von 2, 46855. Die Standartabweichung istmit σ = 1, 89359 beziffert. Diese Werte entsprechen einer mittleren quadrati-schen Abweichung von 46, 42 % und einer Standartabweichung von 35, 61 %, beieiner Datenpunktanzahl von 192. Diese statistischen Werte geben den schlechtenstatistischen Zusammenhang der Wolkenhohe von einschichtigen Wolken wieder.

Abbildung 14: Vergleich der Hohe der Wolkenuntergrenze zwischen Satellitenda-ten (Ordinate) und Bodendaten (Abszisse) fur einschichtige Wol-ken

Korrelation r Regression b y-Achsenabschnittder Regression a

Datenpunkte(Berechnung)

0,03517551 0,0419687 5,542448 192

5.3 Gesamtbedeckung

Die Gesamtbedeckung wird durch die Bodenstationen, wie in der Synoptik ublich,in Achteln angegeben. 0/8 beziffern einen klaren, wolkenlosen Himmel, 8/8 stehenfur eine komplette Bedeckung. Der Bedeckungsgrad, detektiert durch die Satelli-ten, wird in dem CCCM-Datensatz in Prozent angegeben. Auch hier wird in die16 Wolkengruppen untergliedert und eine Prozentzahl fur jede Wolkengruppe ge-meldet. Zur Beurteilung der Ubereinstimmung von Satelliten- und Bodendaten,werden die Prozentangaben der einzelnen Wolkengruppen fur jeden Footprint

29

5 AUSWERTUNG

aufaddiert und es ergibt sich die Gesamtbedeckung in Prozent. Zum besserenVergleich mit den Bodenmeldungen, werden in Tabelle 6 die Uberfuhrung derSatellitendaten von Prozent in Achteln erlautert.

Prozentbereich Achtel

0 % 0/8> 0 % bis ≤ 12, 5 % 1/8 km> 12, 5 % bis ≤ 25 % 2/8 km> 25 % bis ≤ 37, 5 % 3/8 km> 37, 5 % bis ≤ 50 % 4/8 km> 50 % bis ≤ 62, 5 % 5/8 km> 62, 5 % bis ≤ 75 % 6/8 km> 75 % bis ≤ 87, 5 % 7/8 km> 87, 5 % bis ≤ 100 % 8/8 km

Tabelle 6: Umrechnung der Gesamtbedeckung von Prozent in Achtel

Die Vergleiche der Gesamtbedeckung fur ein- und mehrschichtige, sowie nur fureinschichtige Wolken, sind in den Abbildungen 15 und 16 veranschaulicht. Auchhier wird die Haufigkeit der auftretenden Datenpaare von Satelliten-Footprintund Bodenstation dargestellt. In Abbildung 15 wird deutlich, dass die Datenbei einem hohen Bedeckungsgrad von 7/8 und 8/8 eine Ubereinstimmung von34, 58 % aufweisen. Die Satelliten melden haufig einen vollig bedeckten Him-mel. Die Bodenstationen hingegen variieren starker, melden ihr Maximum jedochauch in den hohen Bedeckungsgraden. Betrachtet man geringere Bedeckungsgra-de ergeben sich teilweise starkere Unterschiede zwischen Bodenbeobachtungenund Satellitenmeldungen. Die Anzahl der Datenpunkte ist fur diese Bereiche je-doch relativ gering. Der Korrelationskoeffizient der beiden Datensatze liegt beir = 0, 7682069 und die Steigung der Regressionsgeraden bei b = 0, 6574036 beieinem y-Achsen-Abschnitt bei a = 1, 075513. Die Datenpunktzahl liegt bei 1527.Die Mittelwerte, mit 5, 2947 fur die Satellitendaten und 4, 7007 fur die Boden-daten, zeigen eine uberschatzende Tendenz der Satellitendaten gegenuber denBodendaten. Diese Werte entsprechen einem relativ hohen statistischem Zusam-menhang fur den Bedeckungsgrad. Berechnet man die mittlere quadratische Ab-weichung und die Standartabweichung, erhalt man Werte von RMSE=2, 20851und σ = 3, 29169. Diese Werte betonen die relativ hohe Streuung der Wertepaare.

30

5 AUSWERTUNG

Abbildung 15: Vergleich des Gesamtbedeckungsgrades zwischen Satellitendaten(Ordinate) und Bodendaten (Abszisse) fur ein- und mehrschichtigeWolken angegeben in Achteln

Korrelation r Regression b y-Achsenabschnittder Regression a

Datenpunkte

0,7682069 0,6574036 1,075513 1527

Fur einschichtige Wolken wird die Gesamtbedeckung in Abbildung 16 verdeut-licht. Wie in Abbildung15 fur ein- und mehrschichtige Wolken, erkennt man ei-ne stark Varianz der Datenpaare die Gesamtbedeckung betreffend, sowie einestarkere Streuung der Wertepaare um die optimale Korrelationsgerade (rot abge-bildet). Die Anzahl der Datenpaare liegt fur einschichtige Wolken bei N = 555.Der großte Teil der Datenpaare liegt, ahnlich wie in Abbildung 15 im Bereichvon 7/8 und 8/8. In dieser Darstellung ergibt sich eine kleine Mehrheit an Da-tenpunkten zwischen 1/8 bis 3/8, in denen eine Ubereinstimmung von Satelliten-und Bodendaten zu erkennen ist. Der Korrelationskoeffizient liegt fur dieses Dia-gramm bei r = 0, 7226455 und die Steigung der Regressionsgeraden hat einenWert von b = 0, 8523195. Diese Werte stehen fur eine gute Korrelation des Bede-ckungsgrades einschichtiger Wolken. Betrachtet man jedoch die mittlere quadra-tische Abweichung und die Standartabweichung ergeben sich Werte von RMSE= 2, 30119 und σ = 3, 25526. Der Zusammenhang des Bedeckungsgrades fur ein-

31

5 AUSWERTUNG

schichtige Wolken weist somit ebenfalls eine hohere Streuung der Werte auf, wasauch in Abbildung 16 erkennbar ist.

Abbildung 16: Vergleich des Gesamtbedeckungsgrades zwischen Satellitendaten(Ordinate) und Bodendaten (Abszisse) fur einschichtige Wolkenangegeben in Achteln

Korrelation r Regression b y-Achsenabschnittder Regression a

Datenpunkte

0,7226455 0,8523195 0,1643627 555

32

6 DISKUSSION

6 Diskussion

Wenn die Satellitendaten bei der Niederschlagsmeldung nicht mit den Boden-daten kongruieren, kann das verschiedene Ursachen haben. Die Hauptursachefur Unstimmigkeiten zwischen Satelliten- und Bodendaten ist, dass Niederschlaghaufig aus einer Wolkenschicht ausfallt, jedoch auf dem Weg durch die darunterliegenden Wolkenschichten bzw. durch die Atmosphare verdunstet und nicht amBoden ankommt.Außerdem sind regionale Schwankungen der Wetterverhaltnisse trotz der starkenEingrenzung (innerhalb von 10 km Umkreis und ±1 Stunde Zeitverschiebung)nicht auszuschließen.Der CERES-Footprint ist mit 20 km Auflosung zwar relativ fein aufgelost, die De-tektion der Wolkeneigenschaften verlauft jedoch entlang des deutlich schmalerenCALIPSO- und CloudSat-Groundtracks (vgl. Abbildung 8). Wird in diesem Be-reich Niederschlag detektiert, muss das nicht fur den gesamten CERES-Footprintzutreffen.Meldet der Satellit festen Niederschlag, muss man beispielsweise damit rechnen,dass dieser nicht als fester Niederschlag am Erdboden ankommt. Es ist moglich,dass ursprunglich fester Niederschlag als flussiger Niederschlag auf der Erdober-flache auftrifft, wenn er zuvor durch eine warme Luftschicht gefallen ist.

Die Hohe der Wolkenuntergrenze weist keine Ubereinstimmung zwischen Boden-und Satellitenmeldungen auf. Eine Erklarung dafur ist wieder der relativ großeCERES-Footprint von 20 km (vgl. Kapitel 4) im Vergleich zum schmalen CloudSat-und CALIPSO-Groundtrack. CloudSat und CALIPSO fliegen beispielsweise uberein Gebiet mit hoheren Wolken und nehmen deren Hohe auf. Innerhalb desCERES-Footprints konnen jedoch tiefere Wolken vorhanden sein, welche vonCloudSat und CALIPSO nicht

”gesehen“ und detektiert werden.

Senden die Satelliten CloudSat und CALIPSO ein Signal aus, muss dieses zunachstdie Atmosphare bis zu Wolkenobergrenze durchdringen und anschließend diegesamte Wolke. An jedem Teilchen, Wolken- oder Wassertropfen in der Atmo-sphare wird das Signal gestreut und verliert ein wenig an Intensitat. Wird das Si-gnal von CALIPSO vollstandig attenuiert bevor es die Wolkenunterseite erreicht,und auch CloudSat keine Wolkenhohe detektiert, wird die zuletzt gemesseneWolkenuntergrenze von CALISPO gespeichert. Diese detektierten Wolkenhohenkonnen (stark) von der eigentlichen Hohe der Wolkenuntergrenze abweichen. De-tektiert CloudSat eine tiefere Wolkenunterkante, geschieht dies mit einer großerenAuflosung. Dies ist nicht nur der Grund fur die marginale Korrelation beider Da-tensatze, sondern auch dafur, weshalb die Satellitendaten die Bodenmessungenoft uberschatzen. Weiterhin konnen die zeitlichen und regionalen SchwankungenDiskrepanzen zwischen beiden Datensatzen verursachen. Ein weiterer Einfluss aufdie Daten kann durch die Berechnung der Wolkenhohe uber dem Seelevel entste-hen. Es ergeben sich teilweise negative Wolkenhohen fur manche Gebiete, welche

33

6 DISKUSSION

in der Berechnung der Korrelation Null gesetzt werden.

Auch die hohe Streuung der Datenpunkte innerhalb des Diagramms der Gesamt-bedeckung kann an dem großen Verhaltnis zwischen dem CERES-Footprint unddem CloudSat- und CALIPSO-Groundtrack liegen (vgl. Kapitel 4). Da die De-tektion der Wolkeneigenschaften entlang des sehr viel kleineren CloudSat- undCALIPSO-Footprints erfolgt, ist es beispielsweise moglich, dass deren Footprintgenau an den Wolken vorbei fuhrt, obwohl innerhalb des CERES-Footprints eingroßerer Anteil an Wolken vorhanden ist. Auch die geringe zeitliche und ortlicheDiskrepanz zwischen beiden Datensatzen kann wiederum Abweichungen und Un-terschiede verursachen.

34

7 ZUSAMMENFASSUNG

7 Zusammenfassung

Verglichen werden Bodendaten und der CCCM-Datensatz im Zeitraum zwischen2007 und 2008 bezuglich der Hohe der Wolkenuntergrenze, der Gesamtbedeckungund des Niederschlags. Die Satellitendaten sind in 16 Wolkengruppen unterglie-dert und werden fur die Auswertung der Wolkenhohe und der Bedeckung gewich-tet und gemittelt. Die Bodendaten werden deutlich ungenauer angegeben. DieHohe der Wolkenuntergrenze betreffend, werden die Bodendaten nur in Berei-chen (vgl. Kapitel 6.2) angegeben, sodass die Satellitenmeldungen den Boden-daten fur die Analyse angepasst werden mussen. Ebenso wird bei der Gesamt-bedeckung vorgegangen. Die Satellitendaten werden durch genaue Prozentwerteangegeben. Zum Vergleich mit den Bodendaten werden diese in die synoptischeAchtel-Einteilung uberfuhrt.Die Darstellung erfolgt uber ein Histogramm, welches die Anzahl der gefundenenDatenpaare wiedergibt.Bei der Auswertung der Satelliten- und Bodendaten fallt auf, dass die Korre-lation nur bedingt gegeben ist. Wahrend die Niederschlagsmeldungen und derBedeckungsgrad eine hohe Korrelation zwischen Boden- und Datellitendaten auf-weisen, erkennt man bei der Hohe der Wolkenuntergrenze keinen Zusammenhangzwischen den beiden Datensatze. Durch das Attenuieren des CALISPO-Signalsinnerhalb der Atmosphare und dem damit verbundenen Bestreben dennoch einemoglichst genaue Hohe der Wolkenuntergrenze angeben zu konnen, ergibt sichbei diesen Messungen eine großere Fehlerquelle. Die fehlenden CALIPSO-Datenwerden mit grober aufgelosten CloudSat-Daten oder im Falle der vollstandigenAttenuierung mit der tiefsten gemessenen Wolkenhohe von CALIPSO ersetzt.Beide Verfahren verursachen Ungenauigkeiten und tragen zur Unzuverlassigkeitder Satellitendaten, die Wolkenhohe betreffend, bei.Weitere Forschungen und eine Verbesserung der Technologien fur die Satelliten-messung werden notig sein, um zuverlassigere Satellitendaten bereitzustellen undFehlerquellen weiter zu minimieren. Neue Erkenntnisse und technische Innova-tionen auf diesem Gebiet konnen zukunftig die Satellitenmessung verbessern unddamit verbunden, das Verstandnis uber Wolkeneigenschaften, Wolken-Aerosol-Wechselwirkungen, sowie uber Prozesse innerhalb von Wolken und deren Entste-hungsprozesse, vorantreiben.

35

LITERATURVERZEICHNIS

Literaturverzeichnis

Ackerman, A. S., O. B. Toon, and P. V. Hobbs (1993). Dissipation of marinestratiform clouds and collapse of the marine boundary layer due to the depletionof cloud condensation nuclei by clouds. Science 262 (5131), 226–229.

Albrecht, B. A. (1989). Aerosols, cloud microphysics, and fractional cloudiness.Science 245 (4923), 1227–1230.

Anderson, T. L., R. J. Charlson, S. E. Schwartz, R. Knutti, O. Boucher, H. Rod-he, and J. Heintzenberg (2003). Climate forcing by aerosols–a hazy picture.Science(Washington) 300 (5622), 1103.

Andreae, M., B. Stevens, G. Feingold, S. Fuzzi, M. Kulmala, W. Lau, U. Loh-mann, D. Rosenfeld, P. Siebesma, A. Reissell, et al. (2009). Aerosols, clouds,precipitation and climate (acpc): Science plan & implementation strategy. Mel-bourne, August .

Barnes, W. L., T. S. Pagano, and V. V. Salomonson (1998). Prelaunch characteri-stics of the moderate resolution imaging spectroradiometer (modis) on eos-am1.Geoscience and Remote Sensing, IEEE Transactions on 36 (4), 1088–1100.

Carslaw, K., L. Lee, C. Reddington, K. Pringle, A. Rap, P. Forster, G. Mann,D. Spracklen, M. Woodhouse, L. Regayre, et al. (2013). Large contribution ofnatural aerosols to uncertainty in indirect forcing. Nature 503 (7474), 67–71.

Goren, T. and D. Rosenfeld (2012). Satellite observations of ship emission inducedtransitions from broken to closed cell marine stratocumulus over large areas.Journal of Geophysical Research: Atmospheres (1984–2012) 117 (D17).

Hecht, E. (2009). Optik. 5., verbesserte auflage.

Im, E., S. L. Durden, C. Wu, and T. R. Livermore (2001). The 94-ghz cloudprofiling radar for the cloudsat mission. In Aerospace Conference, 2001, IEEEProceedings., Volume 4, pp. 4–1803. IEEE.

Im, E., C. Wu, and S. L. Durden (2005). Cloud profiling radar for the cloudsatmission. In Radar Conference, 2005 IEEE International, pp. 483–486. IEEE.

IPCC, A. (2007). Intergovernmental panel on climate change.

Kato, S., F. G. Rose, S. Sun-Mack, W. F. Miller, Y. Chen, D. A. Rutan, G. L.Stephens, N. G. Loeb, P. Minnis, B. A. Wielicki, et al. (2011). Improvements oftop-of-atmosphere and surface irradiance computations with calipso-, cloudsat-, and modis-derived cloud and aerosol properties. Journal of Geophysical Re-search: Atmospheres (1984–2012) 116 (D19).

36

LITERATURVERZEICHNIS

Kato, S., S. Sun-Mack, W. F. Miller, F. G. Rose, Y. Chen, P. Minnis, and B. A.Wielicki (2010). Relationships among cloud occurrence frequency, overlap, andeffective thickness derived from calipso and cloudsat merged cloud verticalprofiles. Journal of Geophysical Research: Atmospheres (1984–2012) 115 (D4).

King, M. D., W. P. Menzel, Y. J. Kaufman, D. Tanre, B.-C. Gao, S. Platnick,S. Ackerman, L. Remer, R. Pincus, P. Hubanks, et al. (2003). Cloud and aerosolproperties, precipitable water, and profiles of temperature and water vaporfrom modis. Geoscience and Remote Sensing, IEEE Transactions on 41 (2),442–458.

Koren, I., L. Remer, O. Altaratz, J. Martins, and A. Davidi (2010). Aerosol-induced changes of convective cloud anvils produce strong climate warming.Atmospheric Chemistry and Physics 10 (10), 5001–5010.

Li, F., E. Im, S. Durden, R. Girard, G. Sadowy, and C. Wu (2000). Cloud profilingradar (cpr) for the cloudsat mission. In Geoscience and Remote Sensing Sym-posium, 2000. Proceedings. IGARSS 2000. IEEE 2000 International, Volume 7,pp. 2821–2823. IEEE.

Pincus, R. and M. B. Baker (1994). Effect of precipitation on the albedo suscep-tibility of clouds in the marine boundary layer. Nature 372 (6503), 250–252.

Rosenfeld, D. (2014). Climate effects of aerosol-cloud interactions.Science 1247490 (379), 343.

Stephens, G. (2001). On the combination of active and passive measurementsin the study of clouds and precipitation. In Geoscience and Remote SensingSymposium, 2001. IGARSS’01. IEEE 2001 International, Volume 2, pp. 694–696. IEEE.

Stephens, G. L., D. G. Vane, R. J. Boain, G. G. Mace, K. Sassen, Z. Wang,A. J. Illingworth, E. J. O’Connor, W. B. Rossow, S. L. Durden, et al. (2002).The cloudsat mission and the a-train: A new dimension of space-based obser-vations of clouds and precipitation. Bulletin of the American MeteorologicalSociety 83 (12), 1771–1790.

Stephens, G. L., D. G. Vane, S. Tanelli, E. Im, S. Durden, M. Rokey, D. Reinke,P. Partain, G. G. Mace, R. Austin, et al. (2008). Cloudsat mission: Performanceand early science after the first year of operation. Journal of GeophysicalResearch: Atmospheres (1984–2012) 113 (D8).

Stevens, B. and G. Feingold (2009). Untangling aerosol effects on clouds andprecipitation in a buffered system. Nature 461 (7264), 607–613.

37

LITERATURVERZEICHNIS

Stocker, T., D. Qin, G. Plattner, M. Tignor, S. Allen, J. Boschung, A. Nauels,Y. Xia, V. Bex, and P. Midgley (2013). Summary for policymakers. climatechange 2013: the physical science basis. contribution of working group i to thefifth assessment report of the intergovernmental panel on climate change. IPCCLocalised 9, 2013.

Storelvmo, T., J. Kristjansson, U. Lohmann, T. Iversen, A. Kirkevag, andØ. Seland (2008). Modeling of the wegener–bergeron–findeisen pro-cess—implications for aerosol indirect effects. Environmental Research Let-ters 3 (4), 045001.

Twomey, S. (1977). The influence of pollution on the shortwave albedo of clouds.Journal of the atmospheric sciences 34 (7), 1149–1152.

Wang, M., S. Ghan, M. Ovchinnikov, X. Liu, R. Easter, E. Kassianov, Y. Qian,and H. Morrison (2011). Aerosol indirect effects in a multi-scale aerosol-climatemodel pnnl-mmf. Atmos. Chem. Phys 11 (11), 5431–5455.

Wielicki, B. A., B. R. Barkstrom, E. F. Harrison, R. B. Lee III, G. Louis Smith,and J. E. Cooper (1996). Clouds and the earth’s radiant energy system (ceres):An earth observing system experiment. Bulletin of the American MeteorologicalSociety 77 (5), 853–868.

Winker, D., J. Pelon, J. Coakley Jr, S. Ackerman, R. Charlson, P. Colarco, P. Fla-mant, Q. Fu, R. Hoff, C. Kittaka, et al. (2010). The calipso mission: A global3d view of aerosols and clouds.

Winker, D. M., W. H. Hunt, and C. A. Hostetler (2004). Status and performanceof the caliop lidar. In Remote Sensing, pp. 8–15. International Society forOptics and Photonics.

Winker, D. M., W. H. Hunt, and M. J. McGill (2007). Initial performance as-sessment of caliop. Geophysical Research Letters 34 (19).

Winker, D. M., J. R. Pelon, and M. P. McCormick (2003). The calipso mission:Spaceborne lidar for observation of aerosols and clouds. In Third InternationalAsia-Pacific Environmental Remote Sensing Remote Sensing of the Atmosphe-re, Ocean, Environment, and Space, pp. 1–11. International Society for Opticsand Photonics.

38

LITERATURVERZEICHNIS

Weblink-Verzeichnis

Abbildung 1: http://atrain.nasa.gov/images/A-Train2013 Web.jpeg, abgerufenam 21.09.2015

Abbildung 2: https://directory.eoportal.org/web/eoportal/satellite-missions/c-missions/calipso, abgerufen am 09.09.2015

Abbildung 4: https://directory.eoportal.org/web/eoportal/satellite-missions/c-missions/calipso; abgerufen am 21.09.2015

Abbildung 5: https://directory.eoportal.org/web/eoportal/satellite-missions/c-missions/cloudsat; abgerufen am 21.09.2015

Tabelle 1: http://modis.gsfc.nasa.gov/about/specifications.php, abgerufen am 15.09.2015

Definition Prazisionsbolometer: http://universal lexikon.deacademic.com/67928/Bolometer; abgerufen am 02.11.2015

http://modis.gsfc.nasa.gov/about/, abgerufen am 15.09.2015

39

Selbststandigkeitserklarung

Hiermit erklare ich, dass ich die vorliegende Bachelorarbeit selbststandig und nurunter Verwendung der angegebenen Literatur und Hilfsmittel angefertigt habe.Die aus fremden Quellen direkt oder indirekt ubernommenen Stellen sind als sol-che kenntlich gemacht. Die Arbeit wurde bisher in gleicher oder ahnlicher Formkeiner anderen Prufungsbehorde vorgelegt und auch nicht veroffentlicht.

Leipzig, 10. Dezember 2015

Leonore Jungandreas

40