Masterarbeit - Universität Leipzig

Werbung
Statistische Analyse der Wolkentemperatur und der
wolkenthermodynamischen Phase in Mischphasenwolken
aus Satellitendaten
An der Universität Leipzig,
Fakultät für Physik und Geowissenschaften,
Leipziger Institut für Meteorologie
im Masterstudiengang Meteorologie eingereichte
Masterarbeit
zur Erlangung des akademischen Grades eines
Master of Science (M.Sc.)
vorgelegt von
Jörg Rüffert, B.Sc.
geboren am 24. Juni 1989 in Karl–Marx–Stadt
Matrikelnummer: 1792647
Erstgutachter: Prof. Dr. Johannes Quaas
Zweitgutachter: Dr. Marc Salzmann
Leipzig, den 28. Februar 2014
Abstract
Eine präzise Analyse der wolkenthermodynamischen Phase ist für die
Ableitung weiterer mikrophysikalischer Eigenschaften anhand von Satellitendaten unerlässlich. Das Moderate Resolution Imaging Spectro–
Radiometer (MODIS) lieferte hierfür hochauflösende Daten von 2007 bis
2010. In der vorliegenden Arbeit wurden die MODIS–Satellitendaten zur
Untersuchung der Temperaturabhängigkeit der Phase in verschiedenen
geographischen Regionen, sowie Wolkenhöhen analysiert. Dazu wird die
variable Übergangstemperatur, diejenige Temperatur, bei der Eis– und
Flüssigwasseranteile prozentual im Gleichgewicht liegen, herangezogen.
Die Analyse ergab zunächst an der Wolkenbasis die geringste Übergangstemperatur (−28◦ C) in den Tropen, wohingegen in den hohen Breiten
die maximale Temperatur von −22◦ C berechnet wurde. Darüber hinaus
offenbarte eine Analyse der MODIS–Daten an der Wolkenoberkante in
den mittleren bzw. hohen Breiten eine Übergangstemperatur von −11◦ C
bzw. −13◦ C. Vergleicht man indes den Zusammenhang zwischen Temperatur und Phase unter Berücksichtigung der Verteilung von Landmassen
und Ozeanen, so sind vor allem größte Differenzen (im Mittel 6 K) zwischen Ozean (−28◦ C) und Kontinent (−22◦ C) in den höheren Breiten
(mittlere Breiten und Polarregionen) beobachtet worden. In den niederen Breiten (Tropen und Subtropen) hingegen sind über maritimen
(−26◦ C) und kontinentalen Oberflächen (−28◦ C) wesentlich geringere
Unterschiede erkennbar gewesen. Global gemittelt impliziert dies eine
Differenz von 2 K, wobei über Land die höhere Übergangstemperatur
berechnet wurde und somit höhere Eisanteile beobachtet worden sind.
Inhaltsverzeichnis
1. Einleitung
1
2. Theorie
5
3. Methodik
3.1. Satelliten und Instrumente . .
3.1.1. A–Train und Aqua . .
3.1.2. MODIS und POLDER
3.2. Der CCCM–Datensatz . . . .
3.3. Verwendete Variablen . . . . .
3.4. Notation . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
4. Ergebnisse und Diskussion
4.1. Räumliche Variation der Temperaturabhängigkeit der Phase . . . . . . .
4.1.1. Regionale Temperaturabhängigkeit der Phase . . . . . . . . . . .
4.1.2. Abhängigkeit der Phase von Temperatur bezüglich der Kontinent–
Ozean–Verteilung . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2. Jahreszeitliche Variation der Temperaturabhängigkeit der Phase . . . . .
4.3. Zusammenhang zwischen Aerosoloptischer Dicke und thermodynamischer
Phase . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
19
. 19
. 19
. 24
. 27
. 30
5. Zusammenfassung
A. Anhang
A.1. Technologie der Instrumente . . . . . . . . . . . . . . . . . . . . . . . . . .
Literatur
9
9
9
11
12
15
16
33
i
i
iv
Abbildungsverzeichnis
xiii
Tabellenverzeichnis
xv
v
1. Einleitung
Wolken sind entscheidende Modulatoren des Klimas, des Strahlungshaushaltes und der
Wasserzirkulation der Erde (u.a. Heintzenberg and Charlson (2009), Tselioudis et al.
(1992), Stephens et al. (2002), Riedi et al. (2000)).
Sie üben einen wesentlichen Einfluss auf die Energiebilanz des Planeten aus, indem sie die
Sensitivität des Klimasystems steuern (u.a. Loeb et al. (2004), Stephens et al. (2008)). Atmosphärische Wechselwirkungsprozesse von Wolken mit solarer und terrestrischer Strahlung sind in allgemeinen Zirkulationsmodellen (engl. General Circulation Model, kurz
GCM) zu berücksichtigen (u.a. Fowler et al. (1996), Barker et al. (2003), Cesana and
Chepfer (2013)).
Darüber hinaus müssen die mikro– und makrophysikalischen Charakteristika (Wolkendruck, Temperatur, Höhe, optische Dicke, thermodynamische Phase und effektive Partikelgröße) und ihre Variation in Raum und Zeit verstanden werden, um globale Wetter–
und Zirkulationsmodelle zu verbessern (Riedi et al., 2010).
Der Schlüssel zum Verständnis des hydrologischen Kreislaufes ist hierfür die zeitliche und
vor allem räumliche Verteilung (sowohl horizontal als auch vertikal) der Wolken bezüglich ihrer thermodynamischen Phase (Cesana and Chepfer (2013), Chepfer et al. (2013)).
Hinsichtlich der thermodynamischen Phase unterscheidet man zwischen Flüssigwasser–,
Mischphasen– und Eiswolken (u.a. Pruppacher and Klett (1996), Riedi (2001a), Yoshida
et al. (2010)).
Insbesondere ist die Bestimmung der Wolkenphase ein bedeutender Schritt im Prozess zur
Ableitung weiterer optischer und mikrophysikalischer Eigenschaften (Giroud et al. (2001),
Riedi et al. (2010)).
Abhängig von der thermodynamischen Phase der Wolke, können anthropogene Aerosole Wolken auf unterschiedlichste Art und Weise beeinflussen (Storelvmo et al. (2008),
Yoshida et al. (2010)).
In warmen Wolken wirken (anthropogene) Aerosole als Wolkenkondensationskerne (engl.
1
1. Einleitung
cloud condensation nuclei, kurz CCN). Aufgrund der geringen Wolkentröpfchengröße vieler kleiner CCN erhöht sich der Reflexionsgrad (Albedo) der Wolke (Twomey, 1977).
Der Twomey–Effekt ist ausführlich im Intergovernmental Panel for Climate Change (ICCP) Report (AR4) beschrieben (Forster et al., 2007). Im Vergleich zum Twomey–Effekt
sind Aerosol–Effekte in Mischphasenwolken weniger gut verstanden (Storelvmo et al.,
2008). Eiskristalle und unterkühlte Wassertropfen können in einem Temperaturbereich
von −35 bis 0 ◦ C koexistieren (u.a. Hutchison et al. (1997), Giroud et al. (2001), Storelvmo et al. (2008)).
In diesem Temperaturintervall sind an Oberflächen fester Aerosolpartikel (ice nuclei, kurz
IN) heterogene Eisbildungsprozesse zu beobachten (Yoshida et al., 2010). Ein Überblick
über die verschiedenen (heterogenen) Gefriermechanismen sind u.a. in Veröffentlichungen
von Pruppacher and Klett (1996), Vali (1985) und Yun and Penner (2012) gegeben. Die
Bildung von reinen Eiswolken (Zirren) durch homogenes Gefrieren unterkühlter Aerosole
tritt unter einer Temperatur von etwa −35◦ C auf (u.a. Koop (2004), Doutriaux-Boucher
and Quaas (2004), Cheng et al. (2012)).
Ein bedeutender Prozess zur Beschreibung der Mikrophysik in Mischphasenwolken ist
der Wegener–Bergeron–Findeisen (WBF) Prozess (Kraus (2004) und Storelvmo et al.
(2008)). Dieser bezieht sich auf das relativ schnelle Wachstum von Eiskristallen auf Kosten
von Flüssigwassertropfen bei Temperaturen unter 0◦ C und über −35◦ C. Ursache hierfür
ist der höhere Sättigungsdampfdruck (Clausius–Clapeyron–Gleichung) über unterkühltem
Wasser im Vergleich zu dem über Eises (Storelvmo et al. (2008) und Yun and Penner
(2012)).
Darüber hinaus ist die Bestimmung der Wolkenphase nicht nur für GCM und Wettervorhersagemodelle von Bedeutung, sondern vordergründig für die Datenassimilation und
Präzisierung beim Angleich beobachteter (Satelliten–) Daten an Modelldaten (Wergen,
2003). Die Bestimmung der wolkenthermodynamischen Phase zeigt ihre Signifikanz beim
Ableiten optischer Eigenschaften, wie zum Beispiel der optischen Dicke oder der Partikelgröße, da Eis und Wasser unterschiedliche Streu– und Absorptionseigenschaften aufweisen
(u.a. Goloub et al. (2000), Riedi (2001a), Riedi et al. (2001b), Riedi et al. (2010)).
Folglich haben Eis– und Flüssigwasserwolken ganz unterschiedliche Auswirkungen auf die
Strahlungsbilanz der Erde. Zudem unterscheiden sich die niederschlagsbildenden mikrophysikalischen Prozesse in Eis– und Mischphasenwolken von denen in Flüssigwasserwolken
(Doutriaux-Boucher and Quaas, 2004).
2
Mit Hilfe von Satellitendaten ist es in der letzten Dekade zunehmend gelungen, Unsicherheiten der Variabilität der wolkenthermodynamischen Phase in Klima– und Wettervorhersagemodellen zu reduzieren (Riedi et al., 2010). Daher sind beispielsweise realistische
Simulationen von Wolken zusammen mit aus Satelliten gewonnenen Daten für globale Klimamodelle von enormer Bedeutung (Doutriaux-Boucher and Quaas (2004), Riedi et al.
(2001b)).
In älteren Studien wurde gezeigt, wie Algorithmen erstellt wurden, um die thermodynamische Phase und die Wolkentemperatur aus satellitengestützten, passiven Radiometerbeobachtungen abzuleiten (Hutchison et al. (1997), Knap et al. (2002), Baum et al.
(2000), Goloub et al. (2000), Platnick et al. (2003)).
Riedi et al. (2000), Goloub et al. (2000), Riedi et al. (2001b) und Doutriaux-Boucher and
Quaas (2004) nutzten dafür Polarisationsmessungen reflektierter kurzwelliger Strahlung
mit Hilfe des Polarization and Directionality of the Earths Reflectance, kurz POLDER.
Ergebnisse zeigten gute Korrelationen zwischen der aus POLDER abgeleiteten thermodynamischen Phase und Modellsimulationen. Riedi et al. (2000) und Giroud et al. (2001)
untersuchten anhand der POLDER–Satellitendaten die globale Verteilung über kontinentalen und ozeanischen Gebieten. Allerdings liefert keine dieser Einzelmethoden für jede
Region und Wolkenart vergleichbare Ergebnisse, denn atmosphärische und ozeanische Resultate können von den Methoden beeinflusst sein und zu Abweichungen führen (Riedi
et al., 2010).
In der jüngsten Studie von Cesana and Chepfer (2013) wurde erstmals die jahreszeitliche
und räumliche Varianz von Eis– und Flüssigwasserwolken mit Hilfe von Langzeitbeobachtungsdaten des Cloud–Aerosol Lidar and Infrared Pathfinder Satellite Observation
(CALIPSO) Cloud Product charakterisiert und mit Simulationen des Klima– und Wolkenmodells Laboratoire de Météorologie Dynamique general circulation model (LMDZ5B)
verglichen.
Das Moderate Resolution Imaging Spectroradiometer (MODIS) Instrument liefert zwei
weitere Methoden zur Ableitung der wolkenthermodynamischen Phase, welche auf Spektralmessungen im sichtbaren (VIS) und thermischen Infrarotbereich (TIR) basieren (Riedi
et al., 2010). Mit Hilfe der neuen MODIS– und der POLDER–Daten präzisierten Riedi
et al. (2010) die Methodik zur Bestimmung der thermodynamischen Phase in Abhängigkeit von der Wolkenobergrenzentemperatur.
Darüber hinaus untersuchten u.a. Lee et al. (2006) und King et al. (2004) die Abhängigkeit
3
1. Einleitung
bzw. den Einfluss der optischen Dicke auf die thermodynamische Phase in Mischphasenwolken.
Ziel der vorliegenden Arbeit besteht darin, aus Langzeitsatellitenmessungen neue Erkenntnisse über räumliche und zeitliche Variationen von Eis–, Mischphasen– und Flüssigwasserwolken zu liefern. Dazu wird die Temperaturabhängigkeit der wolkenthermodynamischen
Phase als wichtigste Charakteristik genutzt und mit Hilfe der NCAR Command Language (NCL) visualisiert. Darüberhinaus werden die gewonnen Erkenntnisse mit bereits
veröffentlichten Arbeiten verglichen und analysiert.
Zunächst wird im Kapitel 2 ein kurzer Überblick über Gefrierprozesse und deren Charakteristika gegeben. Im Kapitel 3 werden die Missionen der einzelnen Satelliten und
Messinstrumente erläutert. Ferner werden die für die Plots und Auswertung verwendeten
Variablen, sowie der der Arbeit zur Verfügung stehende Datensatz vorgestellt. Kapitel 4
analysiert und interpretiert ausführlich die Ergebnisse dieser Arbeit.
4
2. Theorie
Die Bildung von Eispartikeln kann entweder durch homogenes Gefrieren von flüssigen
Lösungstropfen erfolgen oder durch feste, unlösliche Teilchen initiiert werden (heterogenes
Gefrieren) (Haag, 2003). Letztere können dabei in wässrigen Aerosolpartikeln eingelagert
sein oder eine weitgehend trockene Oberfläche besitzen (u.a Pruppacher and Klett (1996),
Lin et al. (1998) und Field et al. (2001)). Nachfolgend wird in Auszügen die klassische
Gefriertheorie erläutert, wobei nur Wesentliches angeführt wird. Für eine ausführliche
Deduktion dieser Theorie ist auf Pruppacher and Klett (1996) verwiesen.
Die homogene Eisnukleation beschreibt das spontane Gefrieren des betreffenden Wassertröpfchens. Dabei bildet sich bei einer Temperatur unter −35◦ C in dessen Inneren ein
aktiver Cluster von Wassermolekülen und geht spontan in die Eisphase über. Der Wassertropfen gefriert (Heymsfield and Miloshevich (1993), Koop et al. (2000)).
Der Phasenumwandlung beim Übergang von flüssiger zur Eisphase liegt eine ähnliche
Theorie wie bei der Kondensation flüssiger Tropfen aus der Gasphase (Nukleation von
Aerosolen aus der Gasphase) zugrunde. Bei der Nukleation von flüssigen Tropfen aus der
Gasphase muss Übersättigung herrschen, d.h. der Partialdruck des Wasserdampfes muss
größer sein als der Sättigungsdampfdruck (Pruppacher and Klett (1996), Haag (2003)).
Je größer die Übersättigung, desto höher ist die Wahrscheinlichkeit, dass sich ein Cluster
bzw. ein kritischer Keim bildet (Haag, 2003).
Analog verhält sich dies beim homogenen Gefrierprozess. Zunächst muss eine ausreichende
Unterkühlung, was ab einer Temperatur unter −35◦ C der Fall ist, gewährleistet sein, damit
sich in der Flüssigkeit ein stabiler Eiskeim bilden und Kristallisation einsetzen kann (Koop
et al., 2000). Betrachtet man den Vorgang mathematisch, so ist dieser ein stochastischer
Prozess (eine mathematische Beschreibung von zeitlich geordneten, zufälligen Vorgängen),
welcher mikrophysikalisch von einer sog. Nukleationsrate (je Volumen– und Zeiteinheit)
beschrieben wird (weiterführende Betrachtung siehe Pruppacher and Klett (1996)).
Die heterogene Eisnukleation beschreibt eine Eisbildung mittels eines festen Aerosolparti-
5
2. Theorie
Abbildung 2.1.: Schematischer Überblick über Eisnukleationsprozesse in der Troposphäre
(nach Haag (2003)).
kels als Katalysator (Meyer, 2011). Im Unterschied zum homogenen Gefrierprozess findet
die Eiskeimbildung an der Oberfläche eines festen Aerosolpartikels statt. In der Troposphäre können derartige Gefrier– oder Eiskeime beispielsweise Mineralstaub (DeMott et al.
(2003), Archuleta et al. (2005)), biologische Partikel wie Pollen oder Bakterien (Möhler
et al., 2007), Seesalz (Zuberi et al., 2001) oder schwarzer Kohlenstoff (Ruß, Verbrennungsprodukte aus Biomasse, engl. black carbon, kurz BC) (Möhler et al., 2005) sein. Deren
hygroskopischen Eigenschaften werden vor allem durch ihre chemischen Bindungen, Kristallstruktur und Oberflächenbeschaffenheit charakterisiert (Haag (2003), Meyer (2011)).
Diese Charakteritika sind abhängig von Temperatur und relativer Luftfeuchtigkeit (DeMott et al., 2003).
Eine signifikante Eigenschaft des Mineralstaubes ist eine hohe Prozessaktivität in der
Immersions– und Depositionsgefriermode bei bereits relativ geringen Übersättigungen
über Eis (Archuleta et al. (2005), Knopf and Koop (2006)) sowie Temperaturen zwischen
6
−20◦ C und −10◦ C (Lohmann and Diehl, 2006).
Dem heterogenen Gefrieren liegen verschiedene Mechanismen zugrunde und ist in einem
Temperaturintervall von −25◦ C bis −5◦ C hauptsächlich vorzufinden (Pruppacher and
Klett, 1996). Beim Depositionsgefrieren nukleieren Eiskeime aus der Gasphase an der
Oberfläche der IN durch die Anlagerung von Wasserdampf. Kondensationsgefrieren findet statt, wenn die Luft bezüglich Wasser übersättigt ist. Das IN wirkt dabei als Kondensationskern und initiiert während der Konensation den Gefrierprozess. Kollidiert ein IN
mit einem unterkühlten Tropfen und wird dabei der Gefrierprozess ausgelöst, wird dies
als Kontaktgefrieren bezeichnet. Bei dem sog. Immersionsgefrieren ist bereits ein IN in
einem Lösungstropfen eingebettet und fungiert als Eiskeim, sofern die Aktivierungstemperatur erreicht wurde (Pruppacher and Klett (1996), Haag (2003), Meyer (2011)). Das
Immersions– sowie das Kontaktgefrieren sind die maßgeblichen Nukleationsprozesse in
Mischphasenwolken (Kärcher and Lohmann (2003), Meyer (2011)).
Da bei der heterogenen Eisnukleation die Moleküle auf einer bereits bestehenden Oberfläche deponiert werden, wird die notwendige Eiskeimbildungsenergie herabgesetzt. Folglich
sind bei diesen Gefrierprozessen geringere Tropfenunterkühlungen notwendig (Pruppacher
and Klett, 1996).
Darüber hinaus existieren neben den Eisbildungsmechanismen weitere Prozesse, welche
das Wachstum, die Anzahlkonzentration und Größenverteilung von Eiskristallen beeinflussen (Agregation, Riming, Hallet–Mossop–Prozess) (Meyer, 2011). Allerdings sind diese für
die vorliegende Arbeit von untergeordneter Bedeutung und seien nur genannt.
Abb. 2.1 gibt einen schematischen Überblick über atmosphärische Gefrierporzesse. Eisnukleation kann bei relativen Feuchten über Eis oberhalb von 100% stattfinden. Die untere
Reihe zeigt bei Anstieg der relativen Feuchte über Eis ein Anwachsen flüssiger Aerosolpartikel (Kreise) durch Wasseraufnahmen, bis bei Werten oberhalb von 145% homogenes
Gefrieren einsetzt (H) (Kärcher and Lohmann, 2003).
Die obere Reihe skizziert zwei der heterogenen Gefrierprozesse. Ein ursprünglich fast
trockener IN gefriert durch die Bildung von Eiskeimen an dessen Oberfläche, wobei sich
Wassermoleküle direkt aus der Gasphase auf dem IN ablagern (D). Erhöht sich die relative
Feuchte über dem Eiskern kann ein dünner Wasserfilm auf der Oberfläche entstehen. Liegt
ein kristallines Aerosolpartikel vor, kann sich die Kristallstruktur ab einer bestimmten
relativen Feuchte vollständig im Wasser lösen. Dieser Vorgang beschreibt hygroskopisch
die Absorption von Wasserdampf oder Deliqueszenz (Kärcher and Lohmann, 2003). In
7
2. Theorie
diesem Fall wächst der Wasserfilm bei steigender relativer Feuchte, bis in den Aerosolen
Eis nukleiert. Den Prozess nennt man Immersionsgefrieren (I). Bei einem weiteren Anstieg
der relativen Feuchte können Eiskerne spontan in Lösungstropfen übergehen (vollständige
Deliqueszenz) und anschließend homogen gefrieren (Kärcher and Lohmann (2003), Haag
(2003)).
8
3. Methodik
3.1. Satelliten und Instrumente
3.1.1. A–Train und Aqua
Der A–Train ist eine Satellitenkonstellation, die von der U.S. National Aeronautics and
Space Administration (NASA) in Kooperation mit der französischen Raumfahrtagentur
Centre National d’Etudes Spatiales (CNES) entwickelt wurde (Stephens et al. (2002) und
Stephens et al. (2008)). Das A in A–Train steht für Afternoon, da die Satelliten den Äquator nach 12 LT (Local Time) von Süd nach Nord überqueren. Die Äquatorüberquerung
von Aqua in nördliche Richtung ist auf 17:30 LT terminiert.
Die Satelliten fliegen in einer nahezu polaren Umlaufbahn, sonnensynchron in einer Höhe
von 705 km. Eine Umlaufzeit beträgt etwa 100 min, was an einem Tag 14 Umrundungen
um die Erde entspricht (Winker et al., 2007). Die Neigung der Umlaufbahn von 98,2◦
macht eine globale Abdeckung zwischen 82◦ N und 82◦ S möglich. Die Umlaufbahn ist so
gesteuert, dass sich die Spur vom A–Train 16–tägig mit einer Abweichung von weniger als
10 km wiederholt (Winker et al. (2007), Stephens et al. (2008)).
Der A–Train besteht zur Zeit aus 4 Satelliten (Aura, Cloud-Aerosol Lidar and Infrared
Pathfinder Satellite Observations (Calipso), CloudSat und Aqua), die direkt hintereinander in kurzen Zeitintervallen fliegen (Stephens et al., 2002). Dies hat den Vorteil, zur
selben Zeit gleiche Verhältnisse vorzufinden und verschiedenste Messungen unterschiedlicher passiver und aktiver Sensoren durchführen zu können (u.a. King et al. (2003), Xiong
and Barnes (2005), Stephens et al. (2008)).
Zwei Instrumente werden im Folgendem näher vorgestellt. In Tabelle 3.1 sind die für diese
Arbeit maßgeblich beteiligten A–Train Produkte kurz beschrieben und ihre Charakteristika zusammengefasst.
Aqua ist der älteste Satellit des A–Trains und fliegt an erster Position der Konstellation
9
3. Methodik
Satellit
Instrument
Charakteristik
Wolken– und Aerosolprodukte
Aqua
MODIS
Radiometer mit 36
Kanälen, Schneise etwa
2300 km lang, variable
Auflösung von 250 m,
500 m bzw. 1 km
Land, Ozean und atmosphärische
Produkte, letztere beinhaltet
Informationen über die
optische Dicke von Wolken und
Aerosolen, sowie ihre Partikelgröße
CERES
Breitband– und spektrale
Strahlungsmessungen,
Umwandlung in Flüsse,
Auflösung bei Nadir
bis 20 km
Strahlungsbilanz an Obergrenze
der Atmosphäre, vordergründig
zeitliche Mittelung von Flüssen,
auch Momentanflüsse
CloudSat
94–GHz–
Radar
(CPR)
500 m vertikal aufgelöster Information über Wolken, Eis–
Bereich von Erdoberfläche und Flüssigwasserprofile sowie
bis in 30 km Höhe,
Niederschlag
hoch sensitiv, Field
of View (FOV) Auf–
lösung von etwa 1,4 km
Calipso
CALIOP
(Lidar)
532– und 1064 nm Kanäle
mit Depolarisation, FOV
Auflösung etwa 70 m
bis 300 m
Informationen über Wolkenprofile
hauptsächlich der oberen
Wolken der Troposphäre, optische
Dicke von Zirren, Aerosol–
profile anhand von Informationen
über Optische Dicke
Parasol
POLDER
9–Kanal Polarimeter mit
Kanälen im sichtbaren
und nahem Infrarot–
bereich, Auflösung von
5m
Optische Dicke von Wolken
und Fein–Mode Partikeln, sowie
Partikelgrößen
Tabelle 3.1.: Für die Arbeit relevanten Produkte des A-Train (nach Stephens et al. (2002))
(Stephens et al., 2008). Dieser trägt 6 Instrumente: das Moderate Resolution Imaging
Spectro–Radiometer (MODIS), das Cloud’s and the Earth’s Radiant Energy System (CE-
10
3.1. Satelliten und Instrumente
RES), das Atmospheric Infrared Sounder (AIRS), das Advanced Microwave Scanning Radiometer for EOS (AMSR.E) sowie das Advanced Microwave Sounding Unit (AMSU) und
Humidity Sounder for Brazil (HSB) (Xiong and Barnes, 2005). Für die Arbeit sind allerdings nur die beiden erstgenannten Instrumente von Bedeutung und werden im Folgenden
näher vorgestellt.
3.1.2. MODIS und POLDER
Das Moderate Resolution Imaging Spectro-Radiometer (MODIS) ist ein Erdbeobachtungssystem (Earth Observing System, EOS), welches an Bord des Aqua und des Terra Satelliten in 705 km Höhe integriert ist (u.a. Barnes et al. (1998); King et al. (2003); Justice
et al. (1998)).
MODIS wurde entwickelt, um eine globale Beobachtung der Atmosphäre, des Festlandes und Ozeane zu liefern. Diese Eigenschaften werden mit Hilfe von Sensoren wie dem
Advanced Very High Resolution Radiometer (AVHRR), dem Landsat Thermatic Mapper (TM), dem High-resolution Infrared Radiation Sounder (HIRS) und dem Nimbus–7
Coastel Zone Color Scanner (CZCS) erfasst und in einer räumlichen Auflösung von 250 m,
500 m oder 1 km bereitgestellt (Xiong and Barnes (2005), Barnes et al. (1998)). MODIS
besitzt 36 Spektralbänder: 20 Bänder mit Wellenlängen von 0,41 µm bis 2,2 µm sind sog.
reflective solar bands (RSB) und 16 Bänder mit einer Wellenlänge von 3,5 µm bis 14,5 µm
sind sog. thermal emissive bands (TEB) (u.a. Barnes et al. (1998)). Es gibt etwa 40 Datenprodukte, die aus MODIS Beobachtungen generiert werden (Justice et al. (1998), Barnes
et al. (1998)). Eine ausführliche Beschreibung und Tabellen zum MODIS Instrument und
dessen Charakteristik werden von Barnes et al. (1998) zusammengefasst.
MODIS Daten werden in verschiedenen Prozessstufen angefangen von Level–1 zu Level–
2 und schließlich zu Level–3 verarbeitet (King et al., 2003). Level–1 beinhaltet Daten
zu den Eigenschaften wie Strahldichten und Helligkeitstemperaturen inklusive deren genauen Ortung im geodätischen Koordinatensystem. Level–2 Daten umfassen abgeleitete
geophysikalische Daten mit gleicher Auflösung und geolokalen Eigenschaften wie Level–1
Daten und Level–3 Daten beinhalteten Variablen, die auf einer einheitlichen Skala im
Zeit–Raum–Gitter abgebildet werden (King et al. (2003), Xiong and Barnes (2005)).
Das Polarization and Directionality of the Earth’s Reflectances Instrument (POLDER) ist
ein Radiometer an Bord des Satelliten Parasol, welcher zur Satellitenkonstellation des A–
11
3. Methodik
Train gehört (Riedi et al., 2010). Das POLDER–Instrument, welches von August 1996 bis
Juni 1997 die Erde auf der ADEOS–1 (Advanced Earth Observation Satellite) Platform
observierte, von Dezember 2002 bis Oktober 2004 der Mission ADEOS–2 angehörte und
von 2006 bis 2009 in dritter Generation auf dem Satelliten Parasol zusammen mit anderen
aktiven und passiven Sensoren Daten sammelte, wurde von der Japanese Space Agency
JAXA in Zusammenarbeit mit der CNES entwickelt, um genaue Beobachtungen polarisierter und an der Erdatmosphäre reflektierter Sonnenstrahlung zu liefern (Deschamps
et al. (1994), Buriez et al. (1997), Goloub et al. (2000), Waquet et al. (2013)).
Dank seines optischen Designs ist es dem POLDER–Instrument möglich, bis zu 14 aufeinanderfolgende Messungen über einem bestimmten Ort während des Fluges des Satelliten (Goloub et al., 2000). Darüber hinaus ist POLDER fähig, den Polarisationsgrad des
Strahlungsfeldes zu messen (Deschamps et al., 1994). Das erlaubt eine gute Bestimmung
der thermodynamischen Phase von Wolkenpartikeln (Buriez et al. (1997), Chepfer et al.
(1998), Waquet et al. (2013)).
POLDER hat acht Spektralbänder von 443 bis 910 nm. Polarisationsmessungen werden
in drei dieser Bänder, bei 443, 670 und 865 nm, durchgeführt (Chepfer et al., 1998).
Diese Bänder sind mit jeweils drei Polarisatoren ausgerüstet, um die Eigenschaften des
Strahlungsfeldes vollständig zu bestimmen (Deschamps et al. (1994), Buriez et al. (1997)).
Das Konzept des POLDER–Instruments ist auf einen sog. Charges Coupled Device (CCD)
Detektor, ein rotierendes Filterrad und einem weiten Blickfeld von bis zu 114 ◦ ausgelegt.
POLDER ist in der Lage, terrestrische Ziele aus verschiedenen Winkel des selben Orbits
zu betrachten (Waquet et al., 2013).
3.2. Der CCCM–Datensatz
CALIPSO, CERES, CloudSat und MODIS (CCCM bzw. C3M) sind Satelliten, welche
Daten verschiedenster Messinstrumente mit unterschiedlicher räumlicher Auflösung integrieren. Sie sind Teil der Satelliten Aqua (EOS PM) bzw. Terra (EOS AM) und liefern
Datensätze, aus denen Wolken– und Aerosoleigenschaften abgeleitet werden können (Kato
et al., 2010a). Eine Beschreibung der Datensätze und der Variablen ist in der Veröffentlichung von Kato et al. (2010a) dokumentiert.
Die Wolken– und Aerosoleigenschaften werden sowohl aktiv aus Lidar– und Radarmessungen mit Hilfe von Instrumenten an Bord von CALIPSO und CloudSat als auch pas-
12
3.2. Der CCCM–Datensatz
siv über CERES– und MODIS–Messungen erfasst (u.a. Kato et al. (2010a), Kato et al.
(2010b), Barker et al. (2003)). Um ein effektives Messfeld aller Sensoren zu erfassen,
müssen die Daten aller Instrumente, die verschiedene räumlichen Auflösungen aufweisen, zusammengeführt werden (Kato et al., 2010a). Dazu werden zunächst drei Profile
von CALIPSO (Auflösung von 333 m) und ein CloudSat Profil (1,4 km Auflösung) mit
geolokalen Informationen (geographische Breite und Länge) aus MODIS-Daten zusammengeführt (Winker et al. (2007), Stephens et al. (2002)). Die 1 km Daten von MODIS
werden im Folgenden dem Sichtfeld von CERES mit einer Auflösung von 20 km zugeordnet (Kato et al. (2010a), Kato et al. (2010b)). Anschließend werden alle Daten des
CCCM–Produktes in einem 20 km großen Gitter aus Footprints gespeichert (Kato et al.
(2010a), Kato et al. (2010b)). Mit Hilfe jedes einzelnen CERES Footprint–Mittelwertes,
dazugehöriger Standardabweichung und einer daraus resultierenden Punktstreufunktion
(Point Spread Function (PSF)) werden überlappende CERES Footprints mit höherer optischer Auflösung gewonnen (Kato et al., 2010a). Die Größe der PSF beträgt 35 km, welche
95% der von dem CERES Instrument (FM–3) detektierten Energie abdeckt (Kato et al.
(2010a), Kato et al. (2010b), Smith (1994)).
CALIPSO und CloudSat Profile werden wie folgt zusammengefasst: Wenn entweder nur
CALIPSO oder nur CloudSat eine Wolkenschicht detektiert, wird das jeweilige Profil
von CALIPSO oder CloudSat genutzt. Wenn sowohl CALIPSO als auch CloudSat eine
Wolkenschicht beobachten, wird die höhere observierte Wolkenobergrenze registriert. Für
die Wolkenuntergrenze hängt die Detektion davon ab, ob das CALIPSO–Signal vollständig
abgeschwächt ist oder nicht. Im Falle, dass das Signal ist nicht vollständig abgeschwächt
ist, wird die Wolkenuntergrenze aus CALIPSO-Messungen detektiert. Wenn das Signal
gänzlich abgeschwächt ist, wird die Wolkenuntergrenze aus CloudSat-Messungen genutzt,
sofern CloudSat eine Wolke unterhalb des Dämpfungsniveaus aus CALIPSO-Messungen
detektiert. Fehlt die Information über die Wolkenuntergrenze aus CloudSat–Messungen, so
wird die Höhe verwendet, die aus dem Niveau maximaler Signaldämpfung der CALIPSOMessung hervorgeht (Kato et al., 2010a).
Innerhalb eines CERES Footprints variieren die erhaltenen Wolken- und Aerosoleigenschaften, sodass eine Wolkengruppierung unerlässlich ist (Kato et al., 2010b). Wolkenprofile mit gleicher vertikaler Struktur, also gleicher Höhe der Wolkenober– und –untergrenzen,
sowie gleicher Anzahl sich überlappenden Wolkenschichten, werden in einer Gruppe zusammengefasst (Kato et al., 2010b). Die maximale Anzahl an Wolkengruppierungen in-
13
3. Methodik
nerhalb eines CERES Footprints beträgt 16 und jede Gruppierung kann bis zu sechs sich
überlappende Schichten beinhalten (Kato et al., 2010b).
Der CCCM Datensatz vereinigt Variablen, die aus dem CERES Standard Produkt Single
Scanner Footprint TOA/Surface Fluxes and Clouds (SSF) entstammen. Die CERES Single Scanner Footprint (SSF) Edition 4 und Clouds and Radiative Swath (CRS) Edition
2 sind zwei Produkte, die für SSF und CRS Variablen genutzt werden. Analog zu den
CERES Standard SSF und CRS Produkten werden Informationen aus einem hochauflösenden Imager einbezogen, aus dem Wolkeneigenschaften und Strahlungsflüsse abgeleitet
werden. An Bord des Satelliten Aqua ist dieser Imager MODIS. Im Unterschied zu den
Standard SSF Produkten gibt es vier MODIS-Datensätze, die für jeden CERES Footprint
Wolkeneigenschaften abgeleitet werden (Kato et al., 2010a): (1) Der erste beinhaltet eine
vollständige Mittelung der Wolken– und Aerosoleigenschaften über den gesamten CERES Footprint. Abgeleitet werden diese Eigenschaften aus CERES Edition 4, analog zu
dem Standard Algorithmus. (2) Desweiteren werden vom Standard Algorithmus Wolken–
und Aerosoleigenschaften abgeleitet. Es werden ausschließlich MODIS Pixel entlang CALIPSO und CloudSat Spur berücksichtigt. (3) Ein Weiterer berückichtigt MODIS Pixel,
welche entlang der CALIPSO und CloudSat Spur gesammelt werden und mit Hilfe des
CERES Wolkenalgorithmus abgeleitet werden. Dies funktioniert mit der von CALIPSO
und CloudSat abgeleiteten Wolkenhöhe als Input für den Algorithmus (verbesserter Algorithmus, in der Analyse der vorliegenden Arbeit enttspricht dies dem sog. Full Track ).
(4) Zuletzt ist die Nutzung des verbesserten Algorithmus für alle MODIS Pixel in den
CERES Footprints zu nennen. Allerdings ist dieser in Planung und aktuell beinhalten die
Datensätze Standardeinstellungen (hier: verbesserte Spur ). Der verbesserte Algorithmus
nutzt Informationen für die Wolkenhöhe, welche die aktiven Instrumente des A–Trains
liefern, um die aus MODIS abgeleiteten Wolkeneigenschaften zu verbessern (Kato et al.,
2010a).
In dieser Arbeit wurde der MODIS–Datensatz genutzt, der zuvor als verbesserter Algorithmus genannt wurde.
14
3.3. Verwendete Variablen
3.3. Verwendete Variablen
Die MODIS SSF–Daten aus dem CCCM–Datensatz werden in der Veröffentlichung von
Geier et al. (2003) beschrieben. Diese Daten stammen aus dem SSF Produkt. Den Daten
liegen 433 verschiedene Variablen zugrunde.
Für die Auswertung der Plots anhand der verfügbaren Tagesdatensätzen von Januar 2007
bis Dezember 2010 werden hauptsächlich zwei Variablen verwendet. Die Eine beschreibt
die Wolkentemperatur in jedem einzelnen Footprint, die Andere die dazugehörige wolkenthermodynamische Phase. Beide Variablen sind Mittelwerte der einzelnen Footprints.
Bezeichnet werden diese mit Mittlerer Wolkenobergrenzentemperatur, sowie Mittlere Phase
der Wolkenpartikel (siehe Tabelle 3.2).
In dem CCCM–Datensatz liegen sie dreidimensional vor, wobei die erste Dimension die
zeitliche Auflösung von 25.576 Datenpunkten beschreibt, die zweite Dimension die Spur
des Satelliten Aqua. Für die Arbeit wurde stets die Verbesserte Spur (engl. enhanced
track) genutzt, aufgrund der erweiterten Funktionen zur Ableitung der Spur aus CALIPSO–
und CloudSat–Daten. Die dritte Dimension beinhaltet die Wolkenhöhe, wobei zwischen
Oberer und Unterer Schicht unterschieden werden muss.
Für die weiteren Untersuchungen, welche die Differenzierung zwischen der betrachteten
Oberfläche (Kontinental oder Maritim), der Region (Tropen, Subtropen, mittlere und
hohe Breiten) und der Aerosoloptischen Dicke betreffen, werden weitere Variablen aus
dem CCCM–Datensatz benötigt: der Index für den Oberflächentyp bzw. die dazugehörige Prozentuale Abdeckung der Oberfläche über jedem Footprint sowie die Geographische
Breite des Satelliten im Winkel von 90◦ über der Erdoberfläche (siehe Tabelle 3.2) und
die Mittlere sichtbare Aerosoloptische Dicke. Die ersten beiden notwendigen Variablen zur
Betrachtung des Oberflächentypes sind dreidimensional, beschreiben allerdings mit ihrer
dritten Dimension genau eine der acht von MODIS erfassten Oberflächen. Dabei wird
in der Arbeit lediglich zwischen dem quantitativ höchsten Typ Ozean und Kontinent
differenziert (eine Spezifizierung der Landoberflächen spielt dabei keine Rolle und wird
demnach als Kontinent zusammengefasst). Daten ohne Zuordnung dieser beiden Typen
werden nicht berücksichtigt.
Für die Studie zur Variation der temperaturabhängigen Wolkenphase differenziert man
entsprechend der geographischen Breite von 0◦ bis 20◦ N/S (Tropen), von 20◦ N/S bis
35◦ N/S (Subtropen), von 35◦ N/S bis 60◦ N/S (mittlere Breiten) und 60◦ N/S bis 90◦ N/S
15
3. Methodik
Variable
Mittlere Temperatur
Wertebereich
[−75◦ C, 30◦ C]
Mittlere Wolkenphase
[0, 1]
Oberflächenindex
[1, 20]
prozentualer Anteil
[0, 100]
an Gesamtabdeckung
Mittlere Aerosoloptische [0, 27]
Dicke
Geographische Breite
[−90◦ , +90◦ ]
Beschreibung
Footprints, Spur des Satelliten
und Wolkenschicht (untere, obere)
Footprints, Spur des Satelliten
und Wolkenschicht
Footprints, Spur des Satelliten
und Oberflächentyp
Footprints, Spur des Satelliten
und Oberflächentyp
Footprints, Spur des Satelliten
und Wolkenschicht
Footprints
Tabelle 3.2.: Überblick über verwendete Variablen und zugehöriger Dimensionen.
(hohe Breiten). Die notwendige Variable liegt eindimensional vor.
Die MODIS–Variable für die mittlere Aerosoloptische Dicke (AOD) ist analog wie die
Temperatur und Wolkenphase dreidimensioniert. Für die Untersuchungen der AOD wurde
für diese Arbeit folgende Annahme getroffen: Es wird zwischen Datenpunkten hoher und
niedriger AOD differenziert. Dafür wurde jeweils ein Grenzwert ermittelt, welcher die
Daten in dem Datensatz quantitativ etwaig in zwei gleiche Teile trennt. Dieser Grenzwert
beträgt für die obere Schicht 7,89 und für die untere Schicht 3,24.
3.4. Notation
Für die visuelle Darstellung der Zusammenhänge zwischen Wolkentemperatur und wolkenthermodynamischer Phase (sowohl an Wolkenoberkante als auch –basis) wurden die
täglich zur Verfügung stehenden Datensätze von 2007 bis 2010 stets in 5K–Schritten gemittelt. Für die Arbeit ist lediglich ein Temperaturbereich zwischen −40◦ C und 0◦ C von
Bedeutung, jener Bereich, in dem sowohl Eis als auch unterkühltes Flüssigwasser koexistieren können.
Für erste Untersuchungen, welche die räumliche Variation betreffen, insbesondere einer
Selektion nach geographischer Breite (Tropen, Subtropen, mittlere Breiten und polare Region) und nach kontinentaler oder maritimer Erdoberfläche, wurden ebenso wie für weitere
Untersuchungen (Zusammenhang einer saisonalen Verteilung oder der AOD) stets über
16
3.4. Notation
den gesamten Zeitraum gemittelt. Dabei wurde aufgrund der Datenmenge (Tagesdaten
mit je 25.576 Zeitschritten über vier Jahre) nur jeder zehnte Datenpunkt repräsentativ
berücksichtigt.
In der vorliegenden Arbeit werden drei verschiedene Möglichkeiten zur Visualisierung der
Ergebnisse genutzt. Zunächst sind einfache Linienplots zu nennen, deren Achseneinteilung
linear erfolgte. Des weiteren sind sog. Box–Whisker–Plots verwendet worden. Dafür wurde
in den jeweiligen Temperaturbereichen ein Median berechnet (ein stochastischer Wert
für das quantitative Mittel aller Bezugspunkte). Desweiteren werden die 25%– und 75%–
Quartile angegeben (Balken), sowie das 5%– bzw. 95%–Percentil (gestrichelte Linien). Ein
weiterer Typ Plot beschreibt eine zusammengefügte Wahrscheinlichkeitsdichteverteilung
(engl. joint probability density distribution). Mit Hilfe dieser statistischen Darstellung
ist es möglich, einerseits die Verteilung der Eisanteile für jedes Temperaturintervall und
andererseits die jeweilige relative Häufigkeit aller Datenpunkte zu veranschaulichen.
Zur Auswertung der Daten sei erwähnt, dass für die regionalen Zusammenhänge zwischen
Temperatur und thermodynamischen Phase Monats– und Jahresstatistik keine wesentlichen Unterschiede aufwiesen und somit die Statistik für das ganze Jahr repräsentativ in
den einzelnen Monaten verdeutlicht.
17
4. Ergebnisse und Diskussion
4.1. Räumliche Variation der Temperaturabhängigkeit
der Phase
4.1.1. Regionale Temperaturabhängigkeit der Phase
In Abb. 4.1 wird der Zusammenhang der gemittelten Temperatur und der thermodynamischen Phase für sowohl niedrige als auch hohe Bewölkung in Mischphasenwolken
dargestellt. In diesem Kontext wird die Übergangstemperatur, eine Variable, bei der sich
Eis– und Flüssigwasseranteile im prozentualen Gleichgewicht befinden, von besonderem
Interesse sein. Je höher die Übergangstemperatur ist, um so mehr Eisanteile werden beobachtet. In folgender Tabelle 4.1 sind die wichtigsten Charakteristika der Variable für
die untersuchten Regionen aufgelistet.
Die Beobachtungen ergaben, dass diese Temperatur große Differenzen zwischen Wolkenoberkante und –basis in jeder Region zeigten. Im Detail wurde in den Tropen die Übergangstemperatur bei −28◦ C, was den minimalen Wert darstellt, und in den Palarregionen der
Maximalwert von −22◦ C ermittelt. Die Werte dieser spezifischen Temperatur in den Subtropen (−24◦ C) und den gemäßigten mittleren Breiten (−26◦ C) liegen im Mittel zwischen
denen der Tropen und Polarregionen.
An der Wolkenoberkante hingegen ist die Variable in den Tropen sowie den Subtropen
nicht bestimmbar gewesen, da die Beobachtungen ergaben, dass im Mittel zwischen −45◦ C
und 0◦ C stets mehr als 50% Eis vorlag. Möglicherweise sind Zirren (bzw. Pileus), welche
sich vor allem in diesen Regionen in den oberen und mittleren Teilen hochreichender
Cumulus– oder Cumulonimbusbewölkung ausbreiten, Ursache dafür, dass in den großen
Wolkenhöhen (ca. 200 hPa) hauptsächlich Eispartikel beobachtet werden konnten (Meyer,
2011).
19
4. Ergebnisse und Diskussion
Abbildung 4.1.: Dargestellt ist die Abhängigkeit der Wolkenphase von der Temperatur in
5 K Mittelwerten (a) an der Wolkenbasis und (b) an der Wolkenoberkante für die Tropen (blau), Subtropen (rot), mittlere (schwarz) und hohe
Breiten (grün) von 2007 bis 2010.
In den höheren Breiten waren hingegen Übergangstemperaturen bestimmbar gewesen.
Diese lagen bei −11◦ C (mittlere Breiten) bzw. −13◦ C (polare Region).
Aus CALIPSO–Messungen ging hervor, dass das Gleichgewicht zwischen Eis– und Flüssigwasserphase je nach relativer Feuchte bei −21◦ C liegt und Abweichungen von ±4 K
(Tropen wiesen ebenso geringere Übergangstemperaturen als die in den Polarregionen
auf) zulässt (Cesana and Chepfer, 2013). Allerdings ist dieser angegebene Wert ein Mittelwert aus allen betrachteten Wolkenhöhen. Ergebnisse der vorliegenden Arbeit zeigten
deutlich höhere Übergangstemperaturen (fast 13 K mehr) an der Wolkenoberkante. Folglich werden mit MODIS–Daten höhere Eisanteile in Mischphasenwolken beobachtet.
Aus POLDER–Messungen gingen globale Übergangstemperaturen, die nicht nach Region
oder Wolkenober– oder –unterkante selektiert wurden, von −28◦ C (Mittel) hervor (Goloub
et al. (2000), Giroud et al. (2001)).
Die ermittelten Übergangstemperaturen aus CALIPSO– und POLDER–Daten sind qualitativ (an der Wolkenbasis im globalen Mittel etwa 4 K) geringer als jene, die aus MODIS–
Beobachtungen hervorgehen.
20
4.1. Räumliche Variation der Temperaturabhängigkeit der Phase
Tropen
Subtropen
Mittlere Breiten
Polarregionen
Wolkenbasis
−28◦ C
−24◦ C
−26◦ C
−22◦ C
Wolkenoberkante
–
–
−11◦ C
−13◦ C
Tabelle 4.1.: Überblick über die berechneten Übergangstemperaturen in verschiedenen
Regionen im gemittelten Zeitraum von 2007 bis 2010.
Differenzen sind möglicherweise auf die Messtechnik, insbesondere auf die Auflösung der
Footprints, zurückzuführen. Eine maximale Auflösung von 250 m des MODIS–Instrument
steht einer maximalen Auflösung von 70 m des CALIPSO–Instruments gegenüber (Stephens et al., 2002). Problematisch erscheint beim Mitteln der thermodynamischen Phase
über ein Footprint, dass subskalige Informationen nicht oder kaum berücksichtigt werden. Außerdem wird beim Messen mit Hilfe des MODIS–Instruments ausschließlich die
Information der obersten oder untersten Wolkenoberfläche erfasst. In einem betrachteten
Footprint ist dies nicht gleichbedeutend mit gleicher Wolkenhöhe (in hPa). Dies erschwert
ebenfalls den Vergleich der Wolkenober– bzw. –unterkanten in verschiedenen geographischen Breiten, da die vertikale Ausdehnung der Wolken stets variiert.
Betrachtet man darüber hinaus die regionale Abweichung, so nehmen die Daten besonders
in den niedrigen Höhen stets Werte bis zu 10% an. Mit zunehmender Wolkenhöhe ist
dies differenziert zu charakterisieren. Vor allem in Temperaturbereichen unter −25◦ C
wurden kaum Unterschiede der Eisanteile zwischen den einzelnen Regionen beobachtet,
allerdings sind ab dieser Temperatur deutliche Abweichungen zu erkennen (bis zu 20%).
Die Eisanteile in den Tropen und Subtropen erreichen im Mittel Minima von mehr als
50%, wohingegen die Anteile an Eis in den mittleren und hohen Breiten im Mittel Werte
von unter 30% annehmen.
In größeren Wolkenhöhen zeigt sich eine strukturierte Verteilung der Eisanteile. Mit steigender geographischen Breite sinken im gesamten betrachten Temperaturintervall die
mittleren Anteile an Eis.
Beobachtungen aus CALIPSO–Daten zeigten, dass Eiswolken in Tropen und Subtropen
erst ab einer Höhe von 8 km, in höheren Breiten diese bereits in geringeren Höhen zu
beobachten sind (Cesana and Chepfer, 2013). Aufgrund des Temperatur– und damit auch
Druckgradienten entlang der Längengrade, sind in den polaren Regionen Mischphasenwol-
21
4. Ergebnisse und Diskussion
Abbildung 4.2.: Für (a) Tropen, (b) Subtropen, (c) mittlere und (d) hohe Breiten ist
ein Zusammenhang der räumlichen Variation zwischen Wolkentemperatur und -phase an der Wolkenbasis dargestellt (lineare Skaleneinteilung).
Farblich unterschieden wird dabei zwischen hoher und geringer relativer Häufigkeit der Eisanteile (logarithmische Skaleneinteilung). Betrachtet werden hierfür Mittelungen der Temperatur (10 K) und Phase (0,1–
Schritten).
22
4.1. Räumliche Variation der Temperaturabhängigkeit der Phase
ken oftmals mit Grenzschichtwolken zu assoziieren, welche nur geringe Höhen erreichen
(Cesana and Chepfer, 2013). Wohingegen in tropischen Regionen Wolkenoberkanten bei
Umgebungsdrücken unter 400 hPa (bzw. Temperaturen unter −45◦ C, folglich Temperaturbereiche homogener Eisnukleation) zu beobachten sind (Cheng et al. (2012), Cesana and
Chepfer (2013)). In den Gebieten starker Konvektionsvorgänge (Tropen, Subtropen) ist
somit eine hohe Durchmischung der Troposphäre gewährleistet, denn starke Auf– und Abwinde befördern Eispartikel ebenso in untere Wolkenschichten wie Flüssigwassertropfen in
Höhere. In Regionen geringer Troposphärenhöhen (polar und subpolar) ist dieser Prozess
deutlich schwächer ausgeprägt. Demnach werden in niederen Breiten höhere Eisanteile
vor allem an der Wolkenobergrenze, allerdings auch an der Wolkenbasis beobachtet.
Abb. 4.2 spiegelt einen Zusammenhang zwischen Temperatur und Wolkenphase wider. Es
wird gezeigt, inwieweit Aussagen über die relative Häufigkeit in Bezug auf das anteilige Auftreten der temperaturabhängigen Wolkenphase getroffen werden können (farbliche
Skala). Dies ist physikalisch auf den WBF Prozess zurückzuführen, denn in der Troposphäre treten vorwiegend Eis– oder Flüssigwasserwolken auf (Storelvmo et al., 2008). Nur
etwa 10% sind Mischphasenwolken, in denen Eispartikel und unterkühlte Wassertopfen
koexistieren (vergleiche Abb. 4.2) (Meyer, 2011).
Beobachtungen aus MODIS–Daten ergaben, dass statistische Variationen zwischen Regionen unterschiedlicher geographischer Breite zu beobachten waren. Demnach sind in den
niederen Breiten (Tropen (a) und Subtropen (b)) ähnliche Situationen vorherrschend, wie
in den höheren Breiten (Abb. 4.2 (c) und (d)). Auffällig sind vor allem die Relativwerte für Maxima und Minima der Anteile an Eis. Während über 10% aller Eisanteile im
Mittel zwischen 0 und 0,05 bzw. Flüssigwasseranteil zwischen 0,95 und 1 in den niederen
Breiten bei Temperaturen über 0◦ C vorliegen, sind die der mittleren und hohen Breiten
um oder deutlich unter 0◦ C. Analog betrifft es die relativen Maximalwerte der Eisanteile
(0,95 bis 1). MODIS erfasst diese in den niederen Breiten in einem Temperaturintervall
zwischen −70 und −55◦ C. Deutlich geringer ist die Temperatur (etwa −40◦ C) für die
relative Häufigkeit der maximalen Eisanteile in den mittleren und hohen Breiten. Dies
repräsentiert den Temperaturwert, unter dem der homogene Gefrierprozess ablaufen kann
(Gierens, 2002). Darüber hinaus sind in den höheren Breiten die relativen Häufigkeiten
des Auftretens an Eisanteilen zwischen 0,2 und 0,7 für jedes 10 K–Temperaturintervall im
Mittel etwas höher (etwa 0,5% im Vergleich zu 0,2%) als die in den niederen Breiten.
23
4. Ergebnisse und Diskussion
4.1.2. Abhängigkeit der Phase von Temperatur bezüglich der
Kontinent–Ozean–Verteilung
In einer weiteren Studie wurde die Verteilung der Temperaturabhängigkeit der Wolkenphase über Ozean– und Landoberfläche an der Wolkenunterkante anhand der MODIS–
Daten in einem Zeitraum von 2007 bis 2010 untersucht. In nachfolgender Abb. 4.3 ist der
Zusammenhang der statistischen Verteilung der temperaturabhängigen Wolkenphase in
Bezug auf die Ozean–Kontinent–Verteilung dargestellt.
Grundsätzlich fällt auf, dass in Temperaturbereichen unter −30◦ C die Eisanteile über dem
Ozean höher sind als über kontinentalen Flächen. Bei Temperaturen knapp unter 0◦ C
sind diese allerdings deutlich geringer, besonders zwischen −25◦ C und −15◦ C. Hier sind
maximale Unterschiede im Vorkommen der Eisphase in Wolkenpartikeln zu beobachten
gewesen.
Allerdings zeigen die gemittelten MODIS–Monatsdaten bei Temperaturen unter −30◦ C
Abweichungen zu dem vorweg genannten. Denn auffällig ist das quantitativ hohe Auftreten
von geringen Eisanteilen von nur 50% (zwischen −45◦ C und −40◦ C) über kontinentalen
Gebieten.
Es geht aus Abb. 4.3 (a) hervor, dass die thermodynamische Phase (global gemittelt) in
Mischphasenwolken über dem Kontinent schwieriger zu bestimmen (entweder Eis– oder
Flüssigwasserphase) ist, als über dem Ozean. Eisanteile weisen in Ozeangebieten in jedem
betrachteten Temperaturintervall quantitativ eine deutlich kleinere Streuung auf als jene
über Land. Weiterführend zeigen die Daten, dass die Bedingungen für die Eisnukleation über Ozean in geringen Temperaturbereichen (unter −25◦ C) günstiger, bei höheren
Temperaturen allerdings ungünstiger sind.
Eine mögliche Erklärung hierfür könnten die Eigenschaften des Seesalz–Aerosols sein.
Kristallines NaCl liegt in einem Temperaturbereich zwischen −37◦ C und −21◦ C in zwei
verschiedenen chemischen Formen vor: hydratisiert und nichthydratisiert. Bei vergleichsweise höheren Temperaturen (über −21◦ C) kristallisieren NaCl–Partikel in die nichthydratisierte Form des NaCl, bei geringeren Temperaturen (unter −37◦ C) hingegen kristallisiert hydratisiertes NaCl aus (Wise et al., 2012). Letztere Form der Seesalzpartikel ist
vor allem für den heterogenen Nukleationsprozess (Immersionsgefrieren) von besonderer
Bedeutung, da hydratisiertes NaCl besser Wasserdampf absorbieren (Deliqueszenz) kann
(Kärcher and Lohmann (2003), Wise et al. (2012)). Seesalzpartikel zeigen darüber hinaus
24
4.1. Räumliche Variation der Temperaturabhängigkeit der Phase
Abbildung 4.3.: Globale statistische Verteilung der Temperaturabhängigkeit der Wolkenphase an der Wolkenunterkante (a) über Ozean– (blau) und Kontinentalflächen (rot) und (b) Verteilung der Phase über Ozean– (blaue) und
Kontinentalflächen (rote) in den niederen Breiten (Tropen und Subtropen, durchgezogene Linien) sowie höhere Breiten (mittlere Breiten
und Polarregionen, gestrichelte Linien) von 2007 bis 2010 aus MODIS–
Satelitendaten.
in den unteren Troposphärenschichten vor allem über Ozeanflächen die größte Präsenz im
Vergleich zu anderen Aerosolen (Wise et al., 2012). Aerosole aus Biomassenverbrennung
oder Mineralstaub aus Wüstenregionen haben in geringeren Wolkenhöhen einen stärkeren
Effekt auf Eisbildungsprozesse bzw. auf den Wegener–Bergeron–Findeisen Prozess (Zuberi et al. (2001), Peters et al. (2011)). Trotz mikrophysikalischer Charakteristika tragen
Rußpartikel einen Teil zur Eisbildung über Land innerhalb von Mischphasenwolken bei
und erklärt augenscheinlich den höheren Anteil an Eis über Kontinentalflächen als über
Ozeanflächen (Gierens (2002), Möhler et al. (2005)).
Abb. 4.3 (b) zeigt weiterführend eine ähnliche statistische Struktur, wobei in diesem Fall
eine Differenzierung der einzelnen Regionen hinsichtlich der Ozean–Kontinent–Verteilung
vorgenommen wurde. In nachfolgender Tabelle 4.2 sind die Hauptergebnisse dieser Untersuchung zusammengefasst.
25
4. Ergebnisse und Diskussion
Global
niedere Breiten
höhere Breiten
Ozeanflächen
−27◦ C
−26◦ C
−28◦ C
Kontinentalflächen
−25◦ C
−28◦ C
−22◦ C
Tabelle 4.2.: Überblick über die berechneten Übergangstemperaturen in Bezug auf die
Ozean–Kontinent–Verteilung im gemittelten Zeitraum von 2007 bis 2010.
Beobachtungen (siehe Abb. 4.3) ergaben über den Ozeanflächen in den Tropen und Subtropen eine höhere Übergangstemperatur (−26◦ C), als in den mittleren Breiten und Polarregionen (−28◦ C). Demnach wurden im betrachteten Zeitraum im Mittel in den niederen
Breiten höhere Eisanteile als in den hohen Breiten beobachtet. Über den kontinentalen Oberflächen hingegen sind die berechneten Übergangstemperaturen global gemittelt
(−25◦ C, Differenz 2 K) höher als über den maritimen Oberflächen. Im Einzelnen ist das
auf die deutlich höhere Übergangstemperatur in kontinentalen Gebieten der hohen Breiten zurückzuführen, denn in diesen Regionen ergaben die Berechnungen −22◦ C, was im
Vergleich zu den maritimen Gebieten der hohen Breiten eine Differenz von 6 K ergab.
Ursache für die Unterschiede der Eisanteile in niederen und hohen Breiten bezüglich der
Ozean–Kontinent–Verteilung könnten die unterschiedlichen Aerosole sein, welche einerseits über Land (Verbrennungsmaterial aus Biomasse oder Wüstenstaub) und andererseits
vermehrt über dem Ozean (Salze und Sulfate) in die untere Troposphäre injiziert werden
und als IN wirken. In den kontinentalen niederen Breiten beeinflussen sowohl natürliche
(Passatwinde transportieren Wüstenstaub) als auch anthropogene Prozesse (großflächige
Verbrennung von Biomasse produziert BC) die Wolkenmikrophysik in den unteren Wolkenschichten (u.a. Solmon et al. (2008), Foltz and McPhaden (2008)). Darüber hinaus
muss auf die unterschiedlich starke vertikale Durchmischungen, welche die Aerosole aus
unteren in obere Troposphärenschichten transportiert. Das CAPE (Convective Available
Potential Energy), ein Maß für die zur Konvektion (vertikale Luftmassenbewegung) zur
Verfügung stehende Energie, erreicht über Landflächen höhere Werte. Damit werden größere Vertikalgeschwindigkeiten assoziiert, was eine stärkere Durchmischung gewährleistet
(Zisper et al., 2009).
Veränderungen der Aerosolkonzentration führen zu Veränderungen der mikrophysikalischen, somit auch thermodynamischen, Charakteristika (Peters et al., 2011). Bei der Betrachtung thermodynamischer Eigenschaften von Wolkenpartikeln offenbaren sich nicht
26
4.2. Jahreszeitliche Variation der Temperaturabhängigkeit der Phase
nur Unterschiede zwischen der Kontinent–Ozean–Verteilung, sondern gleichzeitig auch
Differenzen in der Wolkenmikrophysik bezüglich dieser Verteilung unterschiedlicher geographischer Regionen. Zurückzuführen sind diese Differenzen hauptsächlich auf die Aerosolaktivität von beispielsweise Mineralsalzen, schwarzem Kohlenstoff oder Seesalz (Zuberi
et al. (2001), Möhler et al. (2005), Möhler et al. (2007)). Seesalzaerosole gefrieren vorwiegend bei geringeren Temperaturen (unter −30◦ C). Im Vergleich dazu sind Mineralsalze
bereits unter −10◦ C gute IN. Organisches Material, wie Pollen oder Bakterien, die besonders gut in Temperaturbereichen zwischen −36◦ C und −26◦ C als IN agieren sind ebenso
wie Rußpartikel nicht besonders gut geeignete IN bei heteogenen Nukleationprozessen
(DeMott et al. (2003), Möhler et al. (2007), Wise et al. (2012)).
4.2. Jahreszeitliche Variation der
Temperaturabhängigkeit der Phase
Abb. 4.4 zeigt für gleiche Temperaturbereiche höhere Eisanteile an der Wolkenoberkante
als an der Wolkenbasis. Die Abweichungen der Eisanteile zwischen den beiden beobachteten Wolkenschichten liegen je nach betrachteter Temperatur bei 15 bis 25%. Maximale
Unterschiede sind in den Temperaturbereichen −20◦ C bis 0◦ C aufzufinden. Minimale hingegen bei niedrigeren Temperaturen.
Ausschlaggebend dafür könnten die unterschiedlichen heterogenen Gefriereigenschaften
bzw. Gefrierfeuchten (kritische relative Feuchten in Bezug auf Eis) von festen oder flüssigen Wolkenpartikeln in den verschiedenen Höhen sein. Diese Gefriereigenschaften sind
abhängig von Wolkenhöhe und Temperatur. Darüber hinaus tragen umgebungstemperaturabhängige Reaktionsgeschwindigkeiten zum schnelleren (heterogenen) Gefrieren bei
(Meyer, 2011).
Ein anderer möglicher Grund könnte die Verteilung der Anzahlkonzentration von Mineralstaub und Schwarzen Kohlenstoff sein. Beide sind aktiv eisbildende Aerosolarten. U.a.
zeigten Storelvmo et al. (2008) und Waquet et al. (2013), dass sowohl Mineralstaub als
auch Ruß im Gebiet der mittleren Breiten und Subtropen relativ hohe Anzahlkonzentrationen in größeren Höhen im Vergleich zu geringeren Wolkenschichten vor allem in unteren
Temperaturbereichen aufweisen.
Desweiteren ist auffällig, dass sowohl an der Wolkenoberkante, als auch an der –basis
27
4. Ergebnisse und Diskussion
Abbildung 4.4.: Variation der wolkenthermodynamischen Phase für (a) Wolkenbasis und
(b) Wolkenoberkante im Frühjahr (blau), Sommer (rot), Herbst (schwarz)
und Winter (grün). Es handelt sich dabei um Mittelwerte der Daten über
betrachteten Zeitraum von Januar 2007 bis Dezember 2010. Die Balken
beschreiben die 25%– und 75%–Quartile inklusive des Medians, gestrichelt sind die 5%– bzw. 95%–Percentil dargestellt.
jahreszeitliche Variationen auftreten. Bei niedrigen Temperaturen in den Winter– und
Frühjahrsmonaten sind geringere Eisanteile (und höhere Anteile unterkühltem Wassers)
im Vergleich zu Sommer– und Herbstdaten auffällig; bei höheren Temperaturen (−25◦ C
bis −10◦ C) sind stets höhere Eisanteile im Frühjahr im Vergleich zum Sommer und Herbst
beobachtet worden.
In den Temperaturintervallen von −45◦ C bis −30◦ C ist an der Wolkenbasis der Interquartilsabstand (Distanz zwischen 25%– und 75%–Quartil) sowie die gesamte Spannweite des
Box–Whiskers im Winter und Frühjahr größer als der im Sommer und Herbst. Gleiches
ist bei Temperaturen um −20◦ C bis −10◦ C zu beobachten. Die Daten zeigen in den genannten Bereichen relativ große Unterschiede auf. Besonders auffällig ist hierbei die hohe
Abweichung in den Winter– und Frühjahrsmonatsmitteln. Trotz Temperaturen um und
unter −40◦ C, unter dem der spontane homogene Eisbildungsprozess einsetzt, sind die An-
28
4.2. Jahreszeitliche Variation der Temperaturabhängigkeit der Phase
teile an unterkühltem Flüssigwasser sehr hoch (zum Teil bis zu 25%). Allerdings ist dies
anhand physikalisch theoretischer Hintergründe sehr unwahrscheinlich und zeigt offenbar
eine Grenze der Retrieval–Methode.
Für Mineralstaub, (industriell hergestellter) BC und anderem organischen Material (engl.
organic matter, kurz OM) wurde eine lineare Temperaturabhängigkeit für optimale Bedingungen heterogener Gefrierprozesse beobachtet: In Temperaturenintervallen von −17◦ C
bis −27◦ C agieren Mineralstaubaerosole besonders als IN. Analoges gilt für BC/OM in
Temperaturintervallen von −26◦ C bis −36◦ C (Zuberi et al. (2001), Archuleta et al. (2005),
Lohmann and Diehl (2006)). In diesen Temperaturbereichen ist ein starker Abfall der Eisanteile durch Aktivierungseigenschaften verschiedener Aerosol erklärbar.
Ab einem Temperaturbereich von −20◦ C bis −15◦ C sinkt der Eisanteil deutlich stärker
bzw. nimmt der Flüssigwasseranteil stärker zu als in Temperaturbereichen darunter oder
darüber. Dies ist sowohl an der Wolkenbasis als auch an der –obergrenze zu beobachten.
Allerdings ist der Abfall in den höheren Schichten nicht so stark wie in den Unteren.
Ein weiterer Aspekt für die unterschiedlich betrachtete Höhe in den Wolkensystemen
ist der konstant geringste Anteil an Eis in den Frühjahrsmonaten. Anders als in den
niedrigen Schichten an der Wolkenbasis ist in jedem Temperaturbereich der höchste Anteil
an Flüssigwasser bzw. geringste Anteil an Eis.
Zeitliche Variationen der Temperaturabhängigkeit der Wolkenphase gehen möglicherweise
mit einer jahreszeitlichen Variation der Aerosolanzahlkonzentration einher. Zur Zeit ist
allerdings relativ wenig darüber bekannt, ob und inwieweit globale jahreszeitliche Variationen von Aerosolen die saisonalen Variationen der Wolkenphase beeinflussen können (Yun
and Penner, 2012). Trotz dessen haben diese jahreszeitlichen Variationen eine statistische
Bedeutung.
29
4. Ergebnisse und Diskussion
4.3. Zusammenhang zwischen Aerosoloptischer Dicke
und thermodynamischer Phase
Abbildung 4.5.: Temperaturabhängigkeit der wolkenthermodynamischen Phase bezüglich
der optischen Dicke für (a) Wolkenuntergrenze und (b) Wolkenobergrenze.
Unterschieden wird zwischen geringer (blau) und hoher Aerosoloptischer
Dicke (rot).
Ein weitere physikalische Größe zur Bestimmung von Wolkenparametern sind optische
Eigenschaften von Aerosolen (u.a. Wolkenpartikel), insbesondere der Aerosoloptischen
Dicke (AOD), welche eine wichtige Größe der Aerosolmikrophysik ist (Lee et al. (2006),
Waquet et al. (2013)).
Je größer die optische Dicke, desto mehr sphärische und nicht–sphärische Partikel sind
potentielle Streuobjekte für (solare) Strahlung (Waquet et al., 2013).
Abbildung 4.5 zeigt einen Zusammenhang zwischen der Wolkentemperatur und wolkenthermodynamischer Phase an der Wolkenbasis sowie an der –oberkante für zwei verschiedene Aerosol–optische Dicken.
Erste Auffälligkeit in Abb. 4.5 besteht darin, dass sowohl an der Wolkenbasis in niedrigen
Temperaturbereichen als auch an der Wolkenoberkante, allerdings bei deutlich höheren
30
4.3. Zusammenhang zwischen Aerosoloptischer Dicke und thermodynamischer Phase
Temperaturen, relativ große Abweichungen der Eisanteile vorliegen. In beiden Fällen sind
die Eisanteile, die auf die hohe AOD zurückzuführen sind, deutlich geringer als jene Eisanteile, die eine geringe AOD aufweisen.
Zweite Auffälligkeit anhand der MODIS–Daten ist die Verteilung dieser in den einzelnen
Temperaturbereichen (Vergleiche die Länge der einzelnen Boxen). Wolkenpartikel hoher
AOD sind im Vergleich zu jenen geringer AOD mit höherer Wahrscheinlichkeit flüssig,
wohingegen Wolkenpartikel geringer AOD im Vergleich zu jenen mit hoher AOD mit
höherer Wahrscheinlichkeit fest sind.
Andere Untersuchungen, welche die aerosolmikrophysikalische Eigenschaften betreffen,
ergaben, dass ein Zusammenhang zwischen Größe und Art der vorliegenden (in Wolken
eingemischten) Aerosolen und deren AOD besteht (Waquet et al. (2013), Gierens (2002)).
So wurde festgestellt, dass vor allem Aerosole, welche der Verbrennung von Biomasse
entstammen, sehr geringe AOD (Werte bei 0,022) aufweisen und Mineralstaubaerosole
hingegen deutlich höhere Werte (0,8) zeigen (Waquet et al., 2013). Allerdings sind in den
untersuchten Fällen der Publikation stets AOD festgestellt worden, die kleiner als 1 sind.
In der vorliegenden Arbeit hingegen wurde der Großteil der aus dem MODIS–Datensatz
kleiner 4 (Wolkenbasis) bzw. kleiner 7 (Wolkenoberkante) beobachtet. Möglicherweise sind
die hohen AOD auf Effekte zurückzuführen, bei denen Aerosole oberhalb von Wolken registriert werden (engl. aerosol above clouds, kurz ACC) (vergleiche Waquet et al. (2013)).
Dies könnte wiederum eine mögliche Erklärung für die unterschiedliche Verteilung der
Eisanteile in Wolken sein. Verteilungen sphärischer (zumeist Flüssigwassertropfen) und
nichtsphärischer Partikel (Eiskristalle) könnten folglich aus der Verbreitung bevorzugt
eisbildender Aerosole resultieren. Breitenkreis–, regionale und lokale Abhängigkeiten sind
ebenso zu berücksichtigen, wie der Einfluss von Ozeanen und Kontinenten.
31
5. Zusammenfassung
In der vorliegenden Arbeit wurde anhand räumlich hochauflösender Satellitendaten (MODIS) über einen Zeitraum von 2007 bis 2010 statistisch Zusammenhänge zwischen thermodynamischer Phase und Wolkentemperatur präsentiert. Die Analyse der Relationen beider
physikalischer Kenngrößen einer Wolke zeigt sowohl Abhängigkeiten von geographischer
Breite und der Verteilung der Landmasse bzw. Ozeane als auch saisonale Variationen.
Haupterkenntnisse dieser Arbeit betreffen vor allem die regional unterschiedliche Verteilung der Mischphasenwolken (Tropen, Subtropen, mittlere Breiten und Polarregionen)
unter Berücksichtigung differenziert betrachteter Wolkenhöhen (Oberkante, Basis). Eine wichtige Charakteristik hierfür ist die Übergangstemperatur. Diese zeigt sowohl bei
der Betrachtung der einzelnen geographischen Zonen als auch bei der Klassifizierung der
Ozean– und Kontinentalflächen Differenzen. Somit ist zunächst an der Wolkenbasis die
geringste Übergangstemperatur in den Tropen (< 35◦ N/S) (−28 ◦ C) zu beobachten gewesen, die höchste in gemäßigten Breiten (35◦ bis 60◦ N/S) mit einem Mittelwert von
−22 ◦ C. Derartige Vergleichsstudien sind in analoger Art und Weise hinsichtlich spezifisch geographischer Bedingungen nicht veröffentlicht worden. Aus Publikationen von u.a.
Goloub et al. (2000) und Giroud et al. (2001), welche auf Beobachtungen des Instrumentes POLDER basieren, gingen Übergangstemperaturen, die allerdings nicht nach Region
oder Wolkenober– oder –unterkante selektiert wurden, von −28◦ C (Mittel) hervor, eine
Differenz von +3 K. Für eine Beurteilung der Ergebnisse der vorliegenden Arbeit sind die
Ergebnisse anderer vorheriger Arbeiten nicht präzise genug. Bei einer regionalen Differenzierung des Zusammenhangs zwischen Temperatur und Phase zeigen Ergebnisse von
Cesana and Chepfer (2013) hingegen 5 K Abweichungen zu denen der vorliegenden Arbeit.
Zurückzuführen ist dies auf die unterschiedlichen räumlichen und zeitlichen Mittelungsprozesse der Messinstrumente CALIPSO (Cesana and Chepfer, 2013) und MODIS. Darüber
hinaus zeigt die Übergangstemperatur eine starke Variabilität zwischen Wolkenbasis und
Wolkenoberkante. Aus den vorliegenden MODIS–Daten ging hervor, dass in den niederen
33
5. Zusammenfassung
Breiten (Tropen und Subtropen) an der Wolkenoberkante im Mittel mehr als 50% Eis vorliegen und somit eine Übergangstemperatur in diesen Regionen nicht beobachtet werden
konnte. In gemäßigten und polaren Gebieten hingegen liegt die Übergangstemperatur bei
−9 ◦ C bzw. −11 ◦ C. Die resultierende Abweichung der Kenngröße zwischen Wolkenbasis
und –oberkante beträgt im Mittel 12 K.
Eine weiterer Erkenntnis der Arbeit wird anhand einer differentiell betrachteten Verteilung von Ozean und Landmassen deutlich. In den niederen Breiten ist eine Abweichung
der Übergangstemperatur zwischen Ozean (−26 ◦ C) und Kontinent (−28 ◦ C) von 2 K ermittelt worden, wohingegen in gemäßigten klimatischen Regionen die Abweichung der
Übergangstemperatur über maritimen (−28 ◦ C) und kontinentalen Flächen (−22 ◦ C) 6 K
beträgt. Zudem ist aus den Beobachtungen hervorgegangen, dass die Eisanteile in den
niederen Breiten stets über Land geringer sind als über dem Ozean. In Regionen höherer geographischer Breite sind die Eisanteile über Land hingegen oft höher als über dem
Ozean.
Ursache für die regionalen Differenzen ist die unterschiedliche Injektion von Seesalz–,
Mineralsalz– bzw. Rußaersols. Wohingegen Seesalzaerosole bei geringeren Temperaturen
(−37 ◦ C bis −26 ◦ C) vor allem über dem Ozean aktiv eisbildende IN sind, zeigen besonders
Mineralstaub und Ruß (letzterer ist antropogen durch Verbrennung von OM verursacht)
über dem Kontinent bei höheren Temperaturen (unter −17 ◦ C) eisbildungfördernde Charakteristik (Wise et al. (2012), Möhler et al. (2007), DeMott et al. (2003)).
Als Problem erwies sich, dass mit Hilfe der der Arbeit zugrunde liegenden Daten eine Erklärung für die hohen Flüssigwasseranteile vor allem bei Temperaturen unter −35 ◦ C zu
liefern. Die beobachteten Ergebnisse in diesen Temperaturintervallen korrelieren nicht mit
der Theorie (u.a. Koop (2004), Pruppacher and Klett (1996)). Zufünftige Arbeiten sollten verbesserte Retrieval–Methodiken nutzen, mit der man dieses Problem der erhöhten
Flüssigwasseranteile für Temperaturen unter −35 ◦ C substanzieller repräsentieren kann.
Zur Gewinnung weiterer neuer und präziser Ergebnisse über die thermodynamische Phase
wurden in der Vergangenheit modernste Instrumente auf Satelliten genutzt. Sie ermöglichen nicht nur eine global hochauflösende Datendichte über mikrophysikalische, optische
und Strahlungseigenschaften von Wolken und Aerosolen, sondern garantieren diese über
Jahre hinweg, um Auswertungen aus Langzeitmessungen zu gewährleisten. Mit Hilfe zukünftiger Forschung in dem Wissenschaftsfeld ist es möglich, die gewonnen Erkenntnisse
34
für die Datenassimilation und Modellierung zur Verfügung zu stellen und zu präzisieren.
Besonders signifikant erscheinen dahingehend Fortschritte, den WBF Prozess in seiner
Komplexität für Modellsimulationen noch besser zu parametrisieren (Riedi et al. (2010),
Chepfer et al. (2013)).
Mit Hilfe von Daten verschiedener Instrumente, wie MODIS, CERES, POLDER und
CloudSat, wird es zukünftig Datenfusionen, wie es bereits Riedi et al. (2010) theoretisch
beschrieben haben, geben, um eine Validierung der Ergebnisse zu ermöglichen und die
Wolkeneigenschaften noch hochauflösender (global, regional, vertikal und zeitlich) zu präsentieren. Der Informationsmangel vor allem in Mehrschichtwolkensystemen und Mischphasenwolken wird zukünftig reduziert werden müssen (Cheng et al., 2012).
Für kommende Studien ist somit eine gründliche Analyse und eine Kombination der vollständigen Datensätze von POLDER/Parasol und MODIS/Aqua unerlässlich, um Fortschritte in dem Forschungsgebiet zu erlangen. Durch die Verfügbarkeit von CloudSat–
und CALIPSO–Daten stehen zusätzlich hochaufgelöste Informationen über Vertikalprofile in Eis–, Flüssigwasser und auch Mischphasenwolken zur Verfügung, um folglich noch
aussagekräftigere Statistiken liefern zu können (Riedi et al. (2010), Chepfer et al. (2013)).
35
A. Anhang
A.1. Technologie der Instrumente
MODIS
MODIS wurde entwickelt und gebaut auf Grundlage der in Tabelle A.1 gelisteten Parameter. Das Protoflight Model (PFM), an Bord des Terra Satelliten, wurde für das Terra
MODIS konzipiert, wohingegen das Flight Model 1 (FM1) den auf Aqua befindlichen
MODIS bezeichnet (Xiong and Barnes, 2005). Jedes der beiden an Bord von Aqua und
Terra hat 36 Spektralbände mit Wellenlängen von 0,41 bis 14,5 µm und drei verschiedene
räumliche Auflösungen im Nadir (Platnick et al. (2003) und King et al. (2003)).
Die Bänder 1 und 2 haben jeweils eine räumliche Auflösung von 250 m und besitzen
je 40 Detektoren. Die Bänder 3 bis 7 mit der Auflösung von 500 m haben je Band 20
Detektoren und die Bänder 8 bis 36 mit der Auflösung von 1 km besitzen pro Band
10 Detektoren (Xiong and Barnes, 2005). Daten, die aus Beobachtungen in einer 1 km–
Auflösung entstammen, entsprechen einem Scan eines Detektorframes entlang der Spur
des Satelliten. Analog dazu besitzen MODIS Karten aus Daten der Bänder 3 bis 7 (500 m
Auflösung) zwei Scans der Detektoren entlang der Spur von Aqua und die Bänder 1 und
2 (250 m–Auflösung) derer vier (Xiong and Barnes, 2005).
MODIS beobachtet die Erde in einem Bereich ± 55◦ des Sichtfeld (FOV) relativ zum Nadir
des Instrumentes in Richtung der Spur des Satelliten. Dazu nutzt es einen zweiseitigen
Scanspiegel, welcher mit 20,3 min−1 rotiert (Xiong and Barnes, 2005). Weitere signifikante
Parameter sind in folgender Tabelle A.1 aufgeführt.
Die von MODIS gesammelten Daten werden stündlich mittels Halbleitertechnik gespeichert und für die weitere Verarbeitung in das Goddard Space Flight Center übertragen.
Der erste Schritt, um MODIS Level–1A (MOD01) Daten zur Verfügung zu stellen, besteht
darin, alle einzelnen Impulse der 36 Spektralbänder, die zusammen mit den Rohdaten der
i
A. Anhang
Parameter
Wertebereich
Orbit
705 km, polarumlaufend, sonnensynchron
Abtastfrequenz 20,3 min−1 , normal zur Spur
Teleskop
Afokales Linsensystem mit 17,78 cm Durchmesser
Größe
1,0 m × 1,6 m × 1,0 m
Gewicht
250 kg
Leistung
225 W (Orbitalmittel)
Auflösung
250 m (Band 1 und 2), 500 m (Band 3 bis 7)
(im Nadir)
1000 m (Band 8 bis 36)
Tabelle A.1.: Parameter des MODIS–Instruments (nach Xiong and Barnes (2005))
Gerätetechnik und den Ephemeridedaten vorliegen, zu reproduzieren (King et al., 2003).
Anschließend werden die Level–1A Daten kalibriert und in als Level–1B (MOD02) in drei
separaten Dateien für jede räumliche Auflösung (250 m, 500 m, 1000 m) gespeichert (King
et al. (2003), Xiong and Barnes (2005)). Da dabei viele Algorithmen nacheinander in der
Prozesskette angewandt werden, bedarf es einer Kombination aus Spektralbändern, die
inhärent unterschiedliche räumliche Auflösungen besitzen. Das wird ebenso in den Level–
1B Daten gespeichert, wie die geographische Ortung der Pixel. Allerdings enthält letztere
nur jeden fünften Pixel der entlang der Spur aufgelösten Gitterpunkte (King et al., 2003).
Für eine voll aufgelöste Navigation wird eine separate Datei (MOD03) mit vollständigen geolokalen Daten, geodätischen Koordinaten, Geländehöhe und Geometrie bei einer
Auflösung von 1000 m generiert (Xiong and Barnes, 2005).
Alle weiteren MODIS–Produkte sind auf die kalibrierten (geolokalen) Daten Level–2 und
Level–3 zurückzuführen (King et al., 2003). Diese Datenprodukte beinhalten unter anderem die cloud mask (MOD35) zur Unterscheidung des klaren Himmels von Wolken,
atmosphärische Profile (MOD07), das Aerosol–Produkt (MOD04), eine Datei zur Charakterisierung des Niederschlages (MOD05), sowie Wolkeneigenschaften (MOD06) und Produkte, welche in einem Gitter mit der Auflösung von 1000 m einmal täglich, wöchentlich
und monatlich gemittelt werden (MOD08) (King et al., 2003). In nachfolgender Tabelle
A.2 sind die Produkte aufgelistet.
Der Algorithmus des Wolkenproduktes (MOS06) kombiniert Messtechniken im Bereich IR
und VIS, um physikalische, Strahlungs– und mikrophysikalische Eigenschaften der Wolken
abzuleiten (Platnick et al., 2003). Zur Bestimmung der optischen Dicke und der effektiven
Radien werden global sechs Bänder im VIS und nahem IR (NIR) bei einer Auflösung
ii
A.1. Technologie der Instrumente
von 1000 m genutzt. Eigenschaften an der Wolkenobergrenze, wie beispielsweise Wolkendruck, Temperatur und effektives Ausstrahlungsvermögen werden mit Hilfe der Bänder
im IR und CO2 –Absorptionsbänder abgeleitet. Dies geschieht ebenso bei einer räumlichen
Auflösung von 5 km wie die Berechnung der thermodynamischen Phase (8,55 µm–Band)
(Xiong and Barnes (2005), King et al. (2003)). Eine ausführliche Beschreibung des Zwei–
Band–Algorithmus ist in der Veröffentlichung von Xiong and Barnes (2005) dokumentiert.
Das Produkt MOD06 enthält viele verschiedene Informationen zu den Wolkeneigenschaften, die insgesamt aus 14 Spektralbändern abgeleitet werden (King et al., 2003). Die
Dateigröße des Produktes unterscheidet sich zwischen Daten, die ausschließlich nachts
beziehungsweise tagsüber ermittelt werden (King et al., 2003).
Datensatz
Produkt
Auflösung
MODIS35 0,25 bzw. 1 km
MODIS04 10 km
MODIS05 1 km (NIR)
5 km (TIR)
Wolkenprodukt MODIS06 1 km (Tag)
5 km (Nacht)
Atmosphärische MODIS07 5 km
Profile
Wolkenmaske
Aerosolprodukt
Niederschlag
Frequenz
Datengröße
288/Tag
139/Tag
288/Tag
47,4 MB
12 MB
20,2 MB (Tag)
3,6 MB (Nacht)
69,6 MB (Tag)
14,1 MB (Nacht)
32,2 MB
288/Tag
288/Tag
Tabelle A.2.: Atmosphärische Produkte von MODIS Aqua/Terra (nach King et al. (2003))
POLDER
Der POLDER Sensor an Bord des Satelliten Parasol vereinigt drei Eigenschaften. Zunächst misst dieser die an der Erdatmosphäre reflektierte Gegenstrahlung der Sonne im
sichtbaren und nahem Infrarotbereich. Ferner observiert POLDER den Reflexionsgrad
aus 12 Richtungen während eines Satellitenfluges und operiert in zwei dynamischen Moden, um sowohl ein hohes Signalrauschverhältnis als auch ein großen Aussteuerbereich zu
erhalten (Deschamps et al., 1994). In Tabelle A.3 sind allgemein die wichtigsten Charakteristika des Instruments aufgelistet. Das Design des POLDER Radiometers umfasst drei
prinzipielle Komponenten: Einen CCD–Sensor (Matrix), ein rotierendes Rad, auf dem
iii
A. Anhang
Parameter
Größe
Gewicht
Verbrauch
Pixelkodierung
Datenübertragungsrate
Höhe
Umlaufzeit
Inklination
Wertebereich
0,8 × 0,5 × 0,25 m3
33 kg
42 W
12 bits
882 kbit s−1
796 km
100 min
98,59 ◦
Tabelle A.3.: Charakteristik des POLDER–Instrumentes (nach Deschamps et al. (1994))
Polarisatoren und Filter befestigt sind und ein zentrisches Weitwinkelblickfeld. Die telezentrische Optik ist der größte Fortschritt gegenüber klassischen Linsensystemen. In dem
optischen System des POLDER–Instruments ist eine der Linsen nichtsphärisch, was den
Effekt des Einstrahlwinkels der gesamten Pupillenfläche verkleinert und annähernd senkrecht einfallende optische Strahlen auf den Filtern liefert. Die Optik hat eine Brennweite
von 3,57 mm und erfasst einen maximalen Blickwinkel von 114 ◦ (Deschamps et al. (1994)
und Buriez et al. (1997)).
Die CCD Sensormatrix besteht aus 548 Photoelementen, welche eine Größe von 27 ×
16 mm haben. Die Gesamtgröße des Pixelarrays beträgt unter Berücksichtigung der Blendenzahl der Linsen 6,5 × 8,8 mm. Entlang der Spur des Satelliten ist somit ein Blickwinkel
von ±43 ◦ und ±51 ◦ und quer zur Spur einer von ±57◦ möglich. Der CCD Sensor ist
zusätzlich mit einer Anti–Blooming Einrichtung ausgestattet, sodass eine mögliche Bildverschlechterung im Falle einer Überbelichtung eines Pixels vermieden wird (Deschamps
et al., 1994).
Das Rad, das mit einer stabilen Frequenz von 0, 2 Hz rotiert, unterstützt die Interferenzfilter und Polarisatoren, welche die Spektralbänder und Polarisationsrichtung auswählen.
Es besitzt 16 Spalte, wovon einer lichtundurchlässig ist, um den CCD Sensor zwischenzeitlich vollkommen abzudunkeln. Die verbleibenden 15 Spalte tragen sechs unpolarisierte und
neun polarisierte Filter (drei Polarisationsrichtungen für drei verschiedene Wellenlängen)
(Chepfer et al. (1998) und Deschamps et al. (1994)).
iv
Literaturverzeichnis
Archuleta, C. M., DeMott, P. J. and Kreidenweis, S. M. (2005). Ice nucleation by surrogates for atmospheric mineral dust and mineral dust/sulfate particles at cirrus temperatures, Atmospheric Chemistry and Physics 5: 2617 – 2634.
Barker, H. W., Stephens, G. L., Partain, P., Bergman, J. W., Bonnel, B., Campana, K.,
Clothiaux, E. E., Glouth, S., Cusack, S., Delamere, J., Edwards, J., Evans, K. F., Fouquart, Y., Freidenreich, S., Galin, V., Hou, Y., Kato, S., Li, J., Mlawer, E., Morcrette,
J.-J., O’Hirok, W., Räisänen, P., Ramaswamy, V., Ritter, B., Rozanov, E., Schlesinger, M., Shibata, K., Sporyshev, P., Sun, Z., Wendisch, M., Wood, N. and Young, F.
(2003). Assessing 1D Atmospheric Solar Radiative Transfer Models: Interpretation and
Handling of Unresolved Clouds, Journal of Climate 16: 2676 – 2699.
Barnes, W. L., Pegano, T. and Salomonson, V. V. (1998). Pre–launch characteristics of
the Moderate Resolution Imaging Spectroradiometer (MODIS) on EOS AM–1, IEEE
Transactions on Geoscience and Remote Sensing 36: 1088 – 1100.
Baum, B. A., Soulen, P. F., Strabala, K. I., King, M. D., Ackerman, S. A., Menzel, W. P.
and Yang, P. (2000). Remote sensing of cloud properties using MODIS airborne simulator imagery during SUCCESS, 2. Cloud thermodynamic phase, Journal of Geophysical
Research 105: 11781 – 11792.
Buriez, J.-C., Vanbauce, C., Parol, F., Goloub, P., Herman, M., Bonnel, B., Fouquart, Y.,
Couvert, P. and Sèze, G. (1997). Cloud detection and derivation of cloud properties
from POLDER, International Journal of Remote Sensing 18: 2785 – 2813.
Cesana, G. and Chepfer, H. (2013). Evaluation of the cloud thermodynamic phase in a climate model using CALIPSO–GOCCP, Journal of Geophysical Research: Atmospheres
118: 7922 – 7937.
Cheng, A., Xu, K.-M., Hu, Y. and Kato, S. (2012). Impact of a cloud thermodynamic
phase parameterization based on CALIPSO observations on climate simulation, Journal
of Geophysical Research 117: D09103 (15).
Chepfer, H., Brogniez, G. and Fouquart, Y. (1998). Cirrus Clouds’ Microphysical Properties deduces from POLDER Observations, Journal Quantitative Spectroscopy and
Radiative Transfer 60: 375 – 390.
v
Literaturverzeichnis
Chepfer, H., Cesana, G., Winker, D. M., Getzewich, B., Vaughan, M. A. and Liu, Z. (2013).
Comparison of Two Different Cloud Climatologies Derived from CALIOP-Attenuated
Backscattered Measurements (Level 1): The CALIPSO-ST and the CALIPSO–GOCCP,
Journal of Atmospheric and Oceanic Technology 30: 725 – 745.
DeMott, P. J., Sassen, K., Poellot, R., Baumgardner, D., Rogers, D., Brooks, S. D., Prenni,
A. J. and Kreidenweis, S. M. (2003). African dust aerosols as atmospheric ice nuclei,
Geophysical Research Letters 30: 1732 – 1735.
Deschamps, P.-Y., Bréon, F.-M., Leroy, M., Podaire, A., Bricaud, A., Buriez, J.-C. and
Sèze, G. (1994). The POLDER Mission: Instrument Characteristics and Scientific Objectives, IEEE Transactions on Geoscience and Remote Sensing 32: No. 3.
Doutriaux-Boucher, M. and Quaas, J. (2004). Evaluation of cloud thermodynamic phase
parametrizations in the LMDZ GCM by using POLDER satellite data, Geophysical
Research Letters 31: L06126 (5).
Field, P. R., Cotton, R. J., Noone, K. J., Glantz, P., Kaye, P. H., Hirst, E., Greenaway,
R. S., Jost, C., Gabriel, R., Reiner, T., Andreae, M., Saunders, C. P. R., Archer, A.,
Choularton, T., Smith, M., Brooks, R., Hoell, C., Brandy, B., Johnson, D. and Heymsfield, A. J. (2001). Ice nucleation in orographic wave clouds: Measurements made during
INTACC, Quarterly Journal of the Royal Meteorological Society 127: 1493 – 1512.
Foltz, G. R. and McPhaden, M. J. (2008). Trends in Saharan dust and tropical Atlantic
climate during 1980 - 2006, Geophysical Research Letters 35: L20706 (5).
Forster, P., Ramaswamy, V., Artaxo, P., Berntsen, T., Betts, R., Fahey, D. W., Haywood,
G., Nganga, J., Prinn, R., Raga, G., Schultz, M. and van Dorland, R. (2007). Changes
in atmospheric constituents and in radiative forcing, in: Climate Change 2007: The
physical science basis. Contribution of Working Group I to the Fourth Assessment
Report of the Intergovernmental Panel on Climate Change, edited by: Solomon S.,
Quin, D., Manning, M., Chen, Z., Marquis, M., Averyt, K. B., Tignor, M., and Miller,
H. L., Technical report, Cambridge University Press, Cambridge, United Kindom and
New York, NY, USA.
Fowler, L. D., Randall, D. A. and Rutledge, S. A. (1996). Liquid and Ice Cloud Microphysics in the CSU General Circulation Model. Part I: Model Description and Simulated
Microphysical Processes, Journal of Climate 9: 489 – 529.
Geier, E. B., Green, R. N., Kratz, D. P., Minnis, P., Miller, W. F., Nolan, S. K. and
Franklin, C. B. (2003). Single Satellite Footprint TOA/Surface Fluxes and Clouds (SSF)
Collection Document, Distributed by the NASA Langley Research Center pp. Release
2, Version 1.
vi
Literaturverzeichnis
Gierens, K. (2002). On the transition between heterogeneous and homogeneous freezing,
Atmospheric Chemistry and Physics 3: 437 – 446.
Giroud, V., Thouron, O., Riedi, J. and Goloub, P. (2001). Analysis of direct comparison of cloud top temperature and infrared split window signature against independant
retrievals of cloud thermodynamic phase, Geophysical Research Letters 28: 983 – 986.
Goloub, P., Herman, M., Chepfer, H., Riedi, J., Brogniez, G., Couvert, P. and Séze,
G. (2000). Cloud thermodynamic phase classification from the POLDER spaceborn
instrument, Journal of Geophysical Research 105: 14747 – 14759.
Haag, W. (2003). Zur Initiierung der Eisphase in Zirruswolken: Numerische Simulationen
von Gefrierprozessen in einer Aerosolkammer und atmosphärische Implikationen, PhD
thesis, Fakultät für Physik der Ludwig–Maximilians–Universität München, Institut für
Physik der Atmosphäre.
Heintzenberg, J. and Charlson, R. J. (2009). Clouds in the Perturbed Climate System:
Their Relationship to Energy Balance, Atmospheric Dynamics, and Precipitation, MIT
Press, Cambridge, MA 02142.
Heymsfield, A. J. and Miloshevich, L. M. (1993). Homogeneous ice nucleation and supercooled liquid water in orographic waves clouds, Journal of Atmospheric Sciences
50: 2335 – 2353.
Hutchison, K. D., Etherton, B. J., Topping, P. C. and Huang, H. L. (1997). Cloud top
phase determination from the fusion of signatures in daytime AVHRR imagery and
HIRS data, International Journal of Research Sensing 18: 3245 – 3262.
Justice, C. O., Vermote, E., Townshend, J. R. G., Defries, R., Roy, D. P., Hall, D. K.,
Salomonson, V. V., Privette, J. L., Riggs, G., Strahler, A., Lucht, W., Myneni, R. B.,
Knyazikhin, Y., Running, S, W., Nemani, R. R., Wan, Z., Huete, A. R., Leeuwen,
W. v., Wolfe, R. E., Giglio, L., Muller, J.-P., Lewis, P. and Barnsley, M. J. (1998).
The Moderate Resolution Imaging Spectroradiometer (MODIS): Land Remote Sensing
for Global Change Research, IEEE Transactions on Geoscience and Remote Sensing
36: 1228 – 1249.
Kato, S., Miller, W. F., Sun-Mack, S., Rose, F. G. and Chen, Y. (2010a). Variable Descriptions of the A-train Integrated CALIPSO, CloudSat, CERES, and MODIS merged
product (CCCM C3M), Distributed by the NASA Atmospheric Science Data Center,
http://eosweb.larc.nasa.gov . Version RelB1.v1, last updated: Dezember 2010.
Kato, S., Sun-Mack, S., Miller, W. F., Rose, F. G., Chen, Y., Minnis, P. and Wielicki,
B. A. (2010b). Relationships among cloud occurrence frequency, overlap, and effective
vii
Literaturverzeichnis
thickness derived from CALIPSO and CloudSat merged cloud vertical profiles, Journal
of Geophysical Research 115: D00H28.
King, M. D., Menzel, W. P., K. Y. J., Tanré, D., Gao, B.-C., Platnick, S., Ackerman, S. A.,
Remer, L. A., Pincus, R. and Hubanks, P. A. (2003). Cloud and Aerosol Properties,
Precipitable Water, and Profiles of Temperature and Water Vapor from MODIS, IEEE
Transactions on Geoscience and Remote Sensing 41: 442 – 458.
King, M. D., Platnick, S., Yang, P. Arnold, G. T., Gray, M. A., Riedi, J. and Ackerman,
S. A. Liou, K.-N. (2004). Remote Sensing of Liquid Water and Ice Cloud Optical
Thickness and Effective Radius in the Arctic: Application of Airborne Multispectral
MAS Data, Journal of Atmospheric and Oceanic Technology 21: 857 – 875.
Knap, W. H., Stammes, P. and Koelemeijer, R. B. A. (2002). Cloud ThermodynamicPhase Determination From Near-Infrared Spectra of Reflected Sunlight, Journal of the
Atmospheric Science 59: 83 – 96.
Knopf, D. and Koop, T. (2006). Heterogeneous nucleation of ice surrogates of mineral
dust, Journal of Geophysical Research 111: D12201.
Koop, T. (2004). Homogeneous Ice Nucleation in Water and Aqueous Solutions, Zeitschrift
für Physikalische Chemie/International journal of research in physical chemistry and
chemical physics. 218: 1231 – 1258.
Koop, T., Luo, B., Tsias, A. and Peter, T. (2000). Water activity as the determinant for
homogeneous ice nucleation in aqueous solutions, Letters to Nature 406: 611 – 614.
Kraus, P. D. H. (2004). Die Atmosphäre – Eine Einführung in die Meteorologie, 3. edn,
Springer–Verlag Berlin, Heidelberg, New York.
Kärcher, B. and Lohmann, U. (2003). A parameterization of cirrus cloud formation:
Heterogeneous freezing, Journal of Geophysical Research 107: 4402 – 4412.
Lee, J., Yang, P., Dressler, A. E., Baum, B. A. and Platnick, S. (2006). The Influence of
Thermodynamic Phase on the Retrieval of Mixed-Phase Cloud Microphysical and Optical Properties in the Visible and Near-Infrared Region, IEEE Geoscience and Remote
Sensing Letters 3: 287 – 291.
Lin, R.-F., Noone, K. J., Ström, J. and Heymsfield, A. J. (1998). Small ice crystals
in cirrus clouds: A model study and comparison with in situ observations, Journal of
Atmospheric Sciences 55: 1928 – 1939.
viii
Literaturverzeichnis
Loeb, N., Kato, S., Loukachine, K. and Manalo-Smith, N. (2004). Models for Top-ofAtmosphere Radiative Flux Estimation from Earth’s Radiant Energy System Instrument on Terra Satellite. Part I: Methodology, Journal of Atmospheric and Oceanic
Technology 22: 338 – 351.
Lohmann, U. and Diehl, K. (2006). Sensitivity studies of the importance of dust ice nuclei
for the indirect aerosol effect on stratiform mixed-phase clouds, Journal of Atmospheric
Sciences 63(3): 968 – 982.
Meyer, J. (2011). Ice Crystal Measurements with the New Particle Spectrometer NIXECAPS, PhD thesis, Bergische Universität Wuppertal.
Möhler, O., Büttner, S., Linke, C., Schnaiter, M., Saathoff, H., Stetzer, O., Wagner,
R., Krämer, M., Mongold, A., Ebert, V. and Schurath, U. (2005). Effect of sulfuric
acid coatingon heterogeneous ice nucleation by soot particles, Journal of Geophysical
Research 110: D11210.
Möhler, O., DeMott, P. J., Vali, G. and Levin, Z. (2007). Microbiology and atmospheric
processes: the role of biological particles in cloud physics, Biogeosciences 4: 1059 – 1071.
Peters, K., Quaas, J. and Bellouin, N. (2011). Effects of absorbing aerosols in cloudy
skies: a satellite study over the Atlantic Ocean, Atmospheric Chemistry and Physics
11: 1393 – 1404.
Platnick, S., King, M. D., Ackerman, S. A., Menzel, W., Baum, B., Riédi, J. and Frey,
R. (2003). The MODIS cloud products: Algorithms and examples from Terra, IEEE
Transactions on Geoscience and Remote Sensing 42(2): 459 – 473.
Pruppacher, H. R. and Klett, J. D. (1996). Microphysics of Clouds and Precipitation,
Springer Netherlands; Edition: Revised, Enlarg. (Dezember 1996).
Riedi, J. (2001a). Analysis of cloud thermodynamic phase at global scale using polarimetric multiangle measurements from the POLDER1/ADEOS1, PhD thesis, Laboratoire
d’Optique Atmosphérique, Université des Sciences et Technologies de Lille.
Riedi, J., Doutriaux-Boucher, M., Goloub, P. and Couvert, P. (2000). Global distribution
of cloud top phase from POLDER/ADEOS I. , Geophysical Research Letters 27: 1707
– 1710.
Riedi, J., Goloub, P. and Marchand, R. (2001b). Comparison of POLDER cloud phase
retrievals to active remote sensors measurements at the ARM SGP site, Geophysical
Research Letters 28: 2185 – 2188.
ix
Literaturverzeichnis
Riedi, J., Marchant, B., Platnick, S., Baum, B. A., Thieuleux, F., Oudard, C., Parol, F.,
Nicolas, J.-M. and Duduisson, P. (2010). Cloud thermodynamic phase inferred from
merged POLDER and MODIS data, Atmospheric Chemistry and Physics 10: 11851 –
11865.
Smith, G. L. (1994). Effects of time response on the point spread function of a scanning
radiometer, Applied Optics 30: 7031 – 7037.
Solmon, F., Mallet, M., Elguindi, N., Giorgi, F., Zakey, A. and Konaré, A. (2008). Dust
aerosol impact on regional precipitation over western Africa, mechanisms and sensitivity
to absorption propertie, Geophysical Research Letters 35: L24705 (6).
Stephens, G. L., Vane, D. G., Boain, R. J., Mace, G. G., Sassen, K., Wang, Z., J., I. A.,
O’Connor, E. J., Rossow, W. B., Durden, S. L., Miller, S. D., Austin, R. T., Benedetti,
A., M. C. and the CloudSat Science Team (2002). The CloudSat Mission and The
A-Train - A New Dimension of Space-Based Observations of Clouds and Precipitation,
American Meteorological Society pp. 1771 – 1790.
Stephens, G. L., Vane, D. G., Tanelli, S., Im, E., Durden, S. L., Rokey, M., Reinke, D.,
Partain, P., Mace, G. G., Austin, R. T., L’Ecuyer, T., Haynes, J., Lebsock, M., Suzuki,
K., Waliser, D., Wu, D., Kay, J., Gettelman, A., Wang, Z. and Marchand, R. (2008).
Cloudsat Mission: Performance And Early Science After The First Year Of Operation,
Journal of Geophysical Research 113: D00A18, 18.
Storelvmo, T., Kristjánsson, J. E., Lohmann, U., Iversen, T., Kirkev åg, A. and Seland,
Ø. (2008). Modeling of the Wegener–Bergeron–Findeisen process – Implications for
aerosol indirect effects, Environmental Research Letters 3: 045001(10).
Tselioudis, G., Rossow, W. B. and Rind, D. (1992). Global Patterns of Cloud Optical
Thickness Variation with Temperature, Journal of Climate 5: 1485 – 1495.
Twomey, S. (1977). The influence of pollution on shortwave albedo of clouds, Journal of
Atmospheric Science 34: 1149 – 1152.
Vali, G. (1985). Nucleation terminology, Journal of Aerosol Science 16: 575 – 576.
Waquet, F., Cornet, C., Deuzé, J.-L., Dubovik, O., Ducos, F., Goloub, P., Herman, M.,
Lapyonok, T., Labonnote, L. C., Riedi, J., Tanré, D., Thieuleux, F. and Vanbauce, C. (2013). Retrieval of aerosol microphysical and optical properties above liquid
clouds from POLDER/PARASOL polarization measurements, Atmospheric Measurement Techniques 6: 991 – 1016.
Wergen, W. (2003). Datenassimilation ein Überblick, Promet 27: Nr. 3/4, 142 – 149.
x
Literaturverzeichnis
Winker, D. M., Hunt, W. H. and McGill, M. J. (2007). Initial performance assessment of
CALIOP, Geophysical Research Letters 34: L19803.
Wise, M. E., Baustian, K. J., Koop, T., Freedman, M., Jensen, E. J. and Tolbert, M. A.
(2012). Depositional ice nucleation onto crystalline hydrated NaCl particles: A new
mechanism for ice formation in the troposphere, Atmospheric Chemistry and Physics
12: 1121 – 1134.
Xiong, X. and Barnes, W. L. (2005). An Overview of MODIS Radiometric Calibration
and Characterization, Advances in Atmospheric Sciences 23: 69 – 79.
Yoshida, R., Okamoto, H., Hagihara, Y. and Ishimoto (2010). Global analysis of cloud
phase and ice crystal orientation from Cloud?Aerosol Lidar and Infrared Pathfinder
Satellite Observation (CALIPSO) data using attenuated backscattering and depolarization ratio, Journal of Geophysical Research 115: D00H32(12).
Yun, Y. and Penner, J. E. (2012). Global model comparison of heterogeneous ice
nucleation parameterizations in mixed phase clouds, Journal of Geophysical Research
117: D07203 (23).
Zisper, E. J., Twohy, C. H., Tsay, S.-C., Thornhill, K. L., Tanelli, S., Ross, R., Krishnamurti, T. N., Ji, Q., Jenkins, G. and, I. S., Hsu, N. C., Hood, R., Heymsfield, G. M.,
Heymsfield, A., Halvarson, J., Goodman, H. M., F. R., Dunion, J. P., D. M., Cifelli,
R., Chen, G., Browell, E. V. and Anderson, B. (2009). The Saharan air layer and the
fate of African Easterly Waves – NASA’s AMMA Field Study of Tropical Cyclogenesis,
American Meteorological Society 1: 1137 – 1156.
Zuberi, B., Bertram, A., Koop, T., Molina, L. and Molina, M. (2001). Heterogeneous
freezing of aqueous particles induced by crystallized (NH4 )2 SO4 , ice, and letovicite,
Journal of Physical Chemistry A 105: 6458 – 6464.
xi
Abbildungsverzeichnis
2.1. Schematischer Überblick über Eisnukleationsprozesse in der Troposphäre
(nach Haag (2003)). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.1. Dargestellt ist die Abhängigkeit der Wolkenphase von der Temperatur in
5 K Mittelwerten (a) an der Wolkenbasis und (b) an der Wolkenoberkante
für die Tropen (blau), Subtropen (rot), mittlere (schwarz) und hohe Breiten
(grün) von 2007 bis 2010. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2. Für (a) Tropen, (b) Subtropen, (c) mittlere und (d) hohe Breiten ist ein
Zusammenhang der räumlichen Variation zwischen Wolkentemperatur und
-phase an der Wolkenbasis dargestellt (lineare Skaleneinteilung). Farblich
unterschieden wird dabei zwischen hoher und geringer relativer Häufigkeit
der Eisanteile (logarithmische Skaleneinteilung). Betrachtet werden hierfür
Mittelungen der Temperatur (10 K) und Phase (0,1–Schritten). . . . . . . .
4.3. Globale statistische Verteilung der Temperaturabhängigkeit der Wolkenphase an der Wolkenunterkante (a) über Ozean– (blau) und Kontinentalflächen (rot) und (b) Verteilung der Phase über Ozean– (blaue) und
Kontinentalflächen (rote) in den niederen Breiten (Tropen und Subtropen,
durchgezogene Linien) sowie höhere Breiten (mittlere Breiten und Polarregionen, gestrichelte Linien) von 2007 bis 2010 aus MODIS–Satelitendaten.
4.4. Variation der wolkenthermodynamischen Phase für (a) Wolkenbasis und
(b) Wolkenoberkante im Frühjahr (blau), Sommer (rot), Herbst (schwarz)
und Winter (grün). Es handelt sich dabei um Mittelwerte der Daten über
betrachteten Zeitraum von Januar 2007 bis Dezember 2010. Die Balken
beschreiben die 25%– und 75%–Quartile inklusive des Medians, gestrichelt
sind die 5%– bzw. 95%–Percentil dargestellt. . . . . . . . . . . . . . . . . .
4.5. Temperaturabhängigkeit der wolkenthermodynamischen Phase bezüglich
der optischen Dicke für (a) Wolkenuntergrenze und (b) Wolkenobergrenze.
Unterschieden wird zwischen geringer (blau) und hoher Aerosoloptischer
Dicke (rot). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6
20
22
25
28
30
xiii
Tabellenverzeichnis
3.1. Für die Arbeit relevanten Produkte des A-Train (nach Stephens et al. (2002)) 10
3.2. Überblick über verwendete Variablen und zugehöriger Dimensionen. . . . . 16
4.1. Überblick über die berechneten Übergangstemperaturen in verschiedenen
Regionen im gemittelten Zeitraum von 2007 bis 2010. . . . . . . . . . . . . 21
4.2. Überblick über die berechneten Übergangstemperaturen in Bezug auf die
Ozean–Kontinent–Verteilung im gemittelten Zeitraum von 2007 bis 2010. . 26
A.1. Parameter des MODIS–Instruments (nach Xiong and Barnes (2005)) . . . ii
A.2. Atmosphärische Produkte von MODIS Aqua/Terra (nach King et al. (2003)) iii
A.3. Charakteristik des POLDER–Instrumentes (nach Deschamps et al. (1994)) iv
xv
Danksagung
An erster Stelle möchte ich mich bei Herrn Prof. Dr. Johannes Quaas für die Bereitstellung des Themas und für die Betreuung dieser Arbeit bedanken.
Weiterhin gebührt mein Dank der Abteilung Wolken und globales Klima des Leipziger
Instituts für Meteorologie für die entspannte und lockere Arbeitsatmosphäre. Besonders
möchte ich mich bei Dr. Marc Salzmann für die Begutachtung und Betreuung der vorliegenden Arbeit während meiner Forschung bedanken.
Der größte Dank gilt meiner Familie und besonders meinen Eltern, Heike und Lutz Rüffert, die mir während des Studiums immer den Rücken freigehalten haben und deren
bedingungslose Unterstützung die Beendigung der Arbeit erst ermöglichte.
xvii
Eidesstattliche Erklärung
Hiermit erkläre ich, dass ich die vorliegende Masterarbeit mit dem Thema Statistische
Analyse der Wolkentemperatur und der wolkenthermodynamischen Phase in Mischphasenwolken aus Satellitendaten, selbstständig verfasst und keine anderen als die angegebenen
Hilfsmittel – insbesondere keine im Literaturverzeichnis nicht genannten Internet–Quellen
– benutzt habe, die Arbeit vorher nicht in einem anderen Prüfungsverfahren eingereicht
habe. Ich bin damit einverstanden, dass ein Exemplar der Institutsbibliothek zur Verfügung gestellt wird.
Leipzig, der 28. Februar 2014
Jörg Rüffert
xix
Herunterladen