03 Art Esp TR 2013

28/4/2020 Validación y estimaciones de incertidumbre para los datos del aerosol MODIS Collection 6 "Deep Blue" - Sayer - 2013
Sayer - 2013 - Journal of G…
Advertisement
Revista de Investigación Geofísica: Atmósferas / Volume 118, Issue 14
Artículo regular  Acceso Libre
Validación y estimaciones de incertidumbre para los datos del aerosol MODIS

Collection 6 "Deep Blue"
AM Sayer , NC Hsu , C. Bettenhausen , M.‐J. Jeong
Primera publicación:26 de junio de 2013

https://doi.org/10.1002/jgrd.50600
Citas: 235
 Autor para correspondencia: AM Sayer, Rama de Clima y Radiación, Centro de Vuelo Espacial Goddard
de la NASA, Greenbelt, MD 20771, EE. UU. ( andrew.sayer@nasa.gov )
Este artículo fue corregido el 8 de ENERO de 2014. Vea el nal del texto completo para más detalles.
Resumen
[1] El algoritmo de recuperación de profundidad óptica de aerosol "Deep Blue" (AOD) se
introdujo en la Colección 5 del conjunto de productos del Espectrorradiómetro de
imagen de resolución moderada (MODIS), y complementó los algoritmos existentes de
tierra y océano "Dark Target" recuperando AOD sobre brillante Super cies de tierra
áridas, como los desiertos. La próxima Colección 6 de productos MODIS incluirá un
algoritmo Deep Blue de "segunda generación", que ampliará la cobertura a todas las
super cies terrestres libres de nubes y nieve. El conjunto de datos Deep Blue también
proporcionará una estimación de la incertidumbre absoluta sobre AOD a 550 nm para
cada recuperación. Este estudio describe la validación de Deep Blue Collection 6 AOD a
550 nm ( τ M) de MODIS Aqua contra datos de la red robótica de aerosoles (AERONET) de
60 sitios para cuanti car estas incertidumbres. Se muestra que los datos de la más alta
calidad (valor de indicador de garantía de calidad 3) tienen una incertidumbre absoluta
de aproximadamente (0.086 + 0.56 τ M ) / AMF, donde AMF es el factor geométrico de
masa de aire. Para un AMF típico de 2.8, esto es aproximadamente 0.03 + 0.20 τ M ,
comparable en calidad a otros conjuntos de datos AOD satelitales. También se discute la
https://agupubs.onlinelibrary.wiley.com/doi/10.1002/jgrd.50600 1/24
28/4/2020 Validación y estimaciones de incertidumbre para los datos del aerosol MODIS Collection 6 "Deep Blue" - Sayer - 2013 - Journal of G…
variabilidad regional del rendimiento de recuperación y las comparaciones con los

resultados de la Colección 5.
1. Introducción
[2] Introducido en la Colección 5 (C5) del conjunto de datos de aerosol del
Espectrorradiómetro de Imágenes de Resolución Moderada (MODIS), el algoritmo "Deep
Blue" [ Hsu et al. , 2004 , 2006 ] proporcionó por primera vez recuperaciones operacionales
de profundidad óptica de aerosol (AOD) sobre super cies de tierra áridas brillantes (como
desiertos) de MODIS. Anteriormente, dicha cobertura había estado ausente del producto de
aerosol MODIS porque las suposiciones hechas en el algoritmo "Dark Target" [ Levy et al. ,
2007], en uso sobre super cies de tierra con vegetación, no se sostuvo para tales super cies
brillantes. Los datos de Deep Blue se incluyen junto con las recuperaciones de Dark Target
dentro de los productos MxD04 (nivel 2, nivel de franja) y MxD08 (nivel 3, agregado
espaciotemporalmente), donde x es O para MODIS Terra e Y para MODIS Aqua.
[3] La combinación de dos instrumentos en vuelo (a bordo del satélite Terra desde 2000 en
adelante y Aqua desde 2002 en adelante), y una amplia franja que ofrece observaciones
diarias casi globales, hacen de los sensores MODIS una opción atractiva para un conjunto de
datos de aerosoles. Desde entonces, los datos de Deep Blue han sido bien utilizados para
diversas aplicaciones, como la identi cación de fuentes de polvo [ Ginoux et al. , 2012 ; Karimi
y col. , 2012 ; Schepanski y col. , 2012 ], evaluación / desarrollo de modelos de transporte
químico [ Draxler et al. , 2010 ; Laurent y col. , 2010 ; Wang y col. ,2012 ], y comparación con
otros conjuntos de datos de aerosoles de polvo basados en satélites [ DeSouza ‐ Machado et
al. , 2010 ; Carboni y col. , 2012 ]. Aunque otros instrumentos en satélites de órbita polar, en
particular el espectrorradiómetro de imágenes multiangulo (MISR) [ Martonchik et al. , 1998 ]
y a lo largo del radiómetro de barrido (ATSR) [ Norte , 2002 ; Sayer y col. , 2012a ], también
pueden recuperar AOD sobre desiertos, sufren de una cobertura espacial más limitada. Los
sensores Spirning Enhanced Visible and Infrared Imager (SEVIRI) sobre África también se han
utilizado para recuperar AOD sobre desiertos [Brindley y Russell , 2009 ; Wagner y col. , 2010 ;
Banks y Brindley , 2013 ], que ofrecen una alta resolución temporal sobre el disco de la Tierra
visto, aunque sus plataformas geoestacionarias signi can que no se puede lograr una
cobertura global.
[4] Se espera que la próxima versión del conjunto de productos MODIS (Colección 6, C6) se
lance a nes de 2013. Los datos en aerosol estarán disponibles en el Sistema MODIS Nivel 1
y Sistema de archivo y distribución de la atmósfera en http: //ladsweb.nascom .nasa.gov / .
Los productos de aerosol MODIS incluirán un algoritmo Deep Blue de "segunda generación"
(NC Hsu et al., Algoritmo de recuperación de aerosol Deep Blue mejorado: La segunda
generación, presentado a J. Geophys. Res. , 2013, en adelante denominado Hsu et al. .,
manuscrito presentado, 2013), basado en experiencias con los datos C5; muchas de estas
actualizaciones se desarrollaron en la implementación reciente de los datos del sensor de
campo amplio de visión Deep Sea to Sea (SeaWiFS) [ Sayer et al. , 2012b] Una característica
importante de C6 es que Deep Blue proporcionará cobertura sobre todas las super cies
terrestres libres de nubes, excepto los píxeles cubiertos de nieve, lo que signi ca que, para
una fracción signi cativa del mundo, estarán disponibles las recuperaciones de Dark Target
y Deep Blue.
[5] Para facilitar el uso de datos e informar mejor a los usuarios sobre la calidad de la
recuperación, el conjunto de datos de Deep Blue también proporcionará una estimación de
la incertidumbre (intervalo de con anza de una desviación estándar) en AOD a 550 nm para
cada recuperación. El propósito de este estudio es actuar como una descripción de cómo se
han calculado estas estimaciones de incertidumbre y proporcionar una indicación del
rendimiento regional y global esperado del algoritmo C6 Deep Blue. La sección 2 analiza los
datos y la metodología de emparejamiento utilizados, la sección 3 proporciona resultados
de validación global y regional, y la sección 4 proporciona un resumen y discusión de los
resultados en el contexto de los registros AOD basados en satélites.
2 conjuntos de datos utilizados

2.1 AERONET
[6] La red robótica de aerosoles (AERONET) de fotómetros solares proporciona un conjunto
de datos de AOD espectral con baja incertidumbre (∼0.01–0.02) y alta resolución temporal
(∼15 min) en condiciones libres de nubes, al observar la extinción de la energía solar directa
radiación a través de la atmósfera cargada de aerosol [ Holben et al. , 1998 ]. Aunque las
longitudes de onda en las que se informa AOD varían para diferentes sitios (y pueden variar
para diferentes períodos en un sitio determinado), casi todos los sitios de AERONET
proporcionan AOD a 440, 500, 675 y 870 nm como mínimo. AERONET representa un recurso
estándar para la validación y corrección de sesgos de conjuntos de datos de AOD satelitales
[por ejemplo, Ichoku et al. , 2002 ; Zhang y Reid , 2006 ;Levy y col. , 2010 ; Kahn y col. , 2010 ;
Hyer y col. , 2011 ; Sayer y col. , 2012b ; Carboni y col. , 2012 ], entre otras aplicaciones, debido
a su alta calidad de datos, la consistencia de los estándares de procesamiento, la amplia
gama global de sitios y el acceso gratuito y simple a los datos. En este estudio, el Nivel 2.0
Versión 2 actual (seleccionado en la nube y con garantía de calidad) [ Smirnov et al. , 2000] se
utiliza el conjunto de datos Direct-Sun, de un total de 60 sitios, elegidos por sus grandes
registros de datos y para proporcionar un conjunto representativo de condiciones
geométricas, atmosféricas y de super cie. Las ubicaciones de estos sitios se muestran en la
Figura 1 .
Figura 1
Abrir en el visor de guras PowerPoint

Límites geográ cos de las regiones utilizadas en este estudio para la agrupación de MODIS y
AERONET AOD. Las ubicaciones de los sitios AERONET utilizados se indican con diamantes
negros. Los nombres de las regiones y las abreviaturas asociadas son Norteamérica del Este
(ENA), Norteamérica del Oeste (WNA), América Central / del Sur (CSA), Eurasia (EUR), África
del Norte / Medio Oriente (NAME), África del Sur (SA), Asia del Nordeste (NEA), Sudeste de
Asia (SEA) y Oceanía (OCE).
2.2 MODIS azul profundo

[7] Inicialmente, descrito por Hsu et al. [ 2004], una descripción actualizada del algoritmo
MODIS Deep Blue (en adelante "MODIS") es dada por Hsu et al. (manuscrito presentado,
2013). Un breve resumen se proporciona aquí. Los datos de aerosol se proporcionan a una
resolución espacial nominal de 10 km × 10 km en el punto del subsatélite, aunque el diseño
de escaneo del sensor signi ca que los píxeles cerca del borde del escaneo son
signi cativamente más grandes que los del centro. El algoritmo determina el AOD espectral
primero a una resolución espacial nominal de 1 km × 1 km para píxeles libres de nieve en
cielo despejado utilizando la re ectancia observada en la parte superior de la atmósfera
(TOA) a 412, 470 y 650 nm (aunque sobre desiertos, los 650 nm la banda solo se usa en
condiciones de carga de aerosol de polvo pesado). Esto se logra al encontrar la mejor
coincidencia entre estas observaciones y las re ectancias precalculadas almacenadas en
una tabla de búsqueda en función de la geometría solar / sensor, AOD,
[8] La re ectancia de la super cie asumida en la recuperación se prescribe dinámicamente a

partir de uno de una variedad de métodos que dependen de la ubicación / tipo de
super cie, el índice de vegetación de diferencia normalizada (NDVI) y la geometría solar /
sensor; Uno de los principios principales del algoritmo es que la re ectancia de la mayoría
de las super cies es baja a 412 nm (y en menor medida a 470 nm), lo que aumenta la
contribución relativa de los aerosoles a la radiación medida en TOA por el sensor de satélite.
La función de fase de aerosol y el albedo de dispersión única (SSA) en cada longitud de onda
se prescriben en función de la ubicación y la estación, a menos que se detecte polvo pesado,
en cuyo caso, se utiliza un método de máxima probabilidad para elegir entre un conjunto de
modelos ópticos de aerosol (y en este caso, el SSA también se informa en base a este
modelo óptimo de aerosol).
[9] Las recuperaciones individuales de 1 km × 1 km se promedian a la escala de 10 km × 10

km "píxel de producto de recuperación" (en adelante "recuperación"). Cada recuperación
tiene un indicador de garantía de calidad (QA) asociado, determinado por pruebas en el
AOD de 1 km × 1 km-pixel dentro de cada recuperación de 10 km × 10 km, con QA = 3 que
indica las recuperaciones de mayor con anza y QA = 2 / QA = 1 con anza cada vez más baja
(debido a factores como la posibilidad de contaminación de la nube o la heterogeneidad de
la escena).
[10] Aunque hay dos sensores MODIS en órbita, este análisis se re ere solo a los montados
en el satélite Aqua; como en este momento, las actualizaciones de calibración radiométrica
para Terra no están nalizadas. Como los sensores son casi idénticos y los algoritmos
aplicados son idénticos, se espera que el rendimiento de Deep Blue sea muy similar para los
dos sensores. Se anticipa que los productos C6 para Aqua se lanzarán antes que los de
Terra, y se realizará un análisis del tipo descrito aquí para determinar la incertidumbre
sobre los datos de Terra C6 Deep Blue, que también se proporcionarán en los productos
MOD04.
2.3 Metodología de emparejamiento

[11] Como AERONET proporciona una medición puntual que se repite con frecuencia en el
tiempo, mientras que los satélites proporcionan una instantánea de una región más grande
al mismo tiempo, los ejercicios de validación de este tipo (por ejemplo, referencias citadas
anteriormente) generalmente se realizan tomando un promedio temporal de datos de
AERONET alrededor del tiempo del paso elevado del satélite, y un promedio espacial de los
datos del satélite sobre el sitio terrestre. Esto mitiga el efecto de la variabilidad en el campo
de aerosol subyacente. En este caso, los datos de AERONET promediados dentro de los 30
minutos del paso elevado MODIS se extraen y se comparan con los datos de MODIS
promediados dentro de un radio de 25 km del sitio AERONET. Como AERONET no realiza
mediciones a 550 nm, los datos se interpolan a 550 nm utilizando el exponente α de
Ångström estándar , de nido
(1)
donde τ 1 , τ 2 son los AOD en longitudes de onda λ 1 , λ 2 . Se utiliza el par de longitudes
de onda limitantes más cercano disponible de AERONET (normalmente 675 nm y 440 o 500
nm), junto con el α apropiado . La incertidumbre insigni cante se introduce a través de esta
interpolación espectral. En lo sucesivo, los datos de MODIS y AERONET AOD coincidentes
temporalmente se denominan τ M y τ A , respectivamente. Todas las referencias a "AOD"
indican 550 nm, a menos que se indique lo contrario, por lo que los subíndices de longitud
de onda se descartarán por concisión.
3 Resultados de validación
3.1 Grá cos de dispersión global
[12] La Figura 2 compara AERONET y MODIS AOD y α para el conjunto de datos coincidente
resultante. Tenga en cuenta que el AERONET α utilizado se de ne utilizando los pares de
longitud de onda 440/675 nm; MODIS proporciona 412/470 nm o 470/650 nm (dependiendo
de AOD y la super cie subyacente) (Hsu et al., Manuscrito presentado, 2013). El AOD está
bien correlacionado entre los dos conjuntos de datos ( R = 0,92), con una mayor dispersión
para altas cargas de aerosol. La correlación y la dispersión en otras longitudes de onda
informadas por AERONET y MODIS (no mostradas; 470 y 650 nm, junto con 412 nm para
algunos sitios) son similares. La mayoría de los datos (75.4%) son para bajas cargas de
aerosol ( τ A <0.3).
Figura 2

Histogramas de densidad de dispersión que comparan AERONET y MODIS (a) AOD a 550 nm,
(b) α y (c) α solo para aquellos puntos donde τ A > 0.3. Solo se utilizan QA = 3 datos MODIS.
[13] En contraste, y como se esperaba del contenido de información conocido de tales

sensores y tipos de algoritmos [por ejemplo, Wagner y Silva , 2008 ; Levy y col. , 2010 ; Sayer y
col. , 2012b ], la comparación con α muestra una dispersión signi cativa. Esto es algo
mejorado para aquellos casos donde τ A > 0.3. Tenga en cuenta que en condiciones de baja
AOD, la incertidumbre sobre AERONET α en sí misma no puede ser despreciable [ Wagner y
Silva , 2008 ]; La Figura 2 C muestra que la eliminación de los casos bajo AOD también
elimina muchos de los valores extremos de αdel registro de AERONET. Debido a la falta de
información sobre el parámetro y para evitar la recuperación de valores no físicos, el
algoritmo Deep Blue permite la recuperación de 0≤ α ≤1.8 y, en condiciones de baja AOD, ja
α = 1.5 sobre super cies con vegetación y limita a α ≤1 sobre super cies brillantes (Hsu et
al., Manuscrito presentado, 2013). Esto conduce a los artefactos observados en la Figura 2 .
Se requieren mediciones multiangulares e, idealmente, polarimétricas para inferir
cantidades relacionadas con aerosoles que no sean AOD de manera con able sobre la
tierra, particularmente en condiciones de baja AOD [ Hasekamp y Landgraf , 2007 ;
Kokhanovsky y col. , 2010 ]. Por estas razones, α no será considerado más aquí.
[14] Si la ventana de tiempo se reduce a 15 min, y la ventana espacial se restringe para

considerar solo la recuperación MODIS en cuya huella se encuentra el sitio AERONET, el
volumen de datos disminuye en un factor de aproximadamente 2, mientras que otros
resultados cambian solo de manera insigni cante. Esto indica que la mayor parte del
desacuerdo entre MODIS y AERONET probablemente se deba a factores tales como
incertidumbres sistemáticas en las propiedades del aerosol / super cie para una ubicación y
tiempo dados, en lugar del ruido radiométrico o la variabilidad espacio-temporal verdadera
(aunque estos pueden permanecer como factores). Por lo tanto, para aumentar el volumen
de datos, solo se considera la comparación de 25 km / 30 min a continuación.
3.2 Cálculo de estimaciones de incertidumbre de AOD

[15] En condiciones de baja AOD, la radiación re ejada TOA observada por sensores como
MODIS surge en gran medida de la re ectancia de la super cie y (particularmente en
longitudes de onda visibles más cortas) la dispersión de Rayleigh, mientras que la
contribución del aerosol es pequeña. A medida que AOD aumenta, también lo hace, en
general, la contribución a la luminosidad de TOA (aunque quedan algunas condiciones en
las que la radiancia de TOA es insensible a AOD) [por ejemplo, Seidel y Popp , 2012 ]. Por
estas razones, las incertidumbres absolutas citadas en los productos de AOD por satélite a
menudo tienen la forma a + b τ A , donde a y b son las constantes que se determinarán. El
tamaño de unestá vinculado a factores como las incertidumbres en el modelado de la
re ectancia de la super cie, mientras que b está más asociado con suposiciones sobre las
propiedades microfísicas de los aerosoles realizadas en la recuperación (aunque esta es una
separación simplista de primer orden).
[16] El objetivo es determinar una y b de tal manera que el sobre con anza resultante
contiene una desviación estándar (1 σ , es decir, ~68%) de MODIS / AERONET
enfrentamientos. Si esto se toma como una verdadera medida de incertidumbre gaussiana,

la envolvente 2 σ correspondiente debería contener ∼95% de los enfrentamientos, y la
envolvente 0.5 σ ∼38%. Aunque no se publicó ningún ejercicio de validación integral para C5,
la experiencia con los datos sugirió 0.05 + 0.2 τ A como el nivel típico de incertidumbre.
[17] Para el conjunto de datos C6 Deep Blue, el enfoque es sutilmente diferente: las
estimaciones de la incertidumbre se de nen en términos de τ M en lugar de τ A . Esto se debe
a que solo τ M está disponible para calcular estas estimaciones de incertidumbre para su
inclusión en el producto de datos, por lo que el ejercicio de validación debe enmarcarse de
manera coherente. Un modelo de incertidumbre "pronóstico" (en oposición al "diagnóstico")
de este tipo es más útil para aplicaciones como la asimilación de datos [ Shi et al. , 2013 ].
[18] Las Figuras 2 y 3 muestran que el error absoluto en la AOD recuperada es

generalmente mayor para los casos de alta AOD que para las condiciones de limpieza. La
Figura 3 también revela el hecho de que, tanto para condiciones de AOD baja como de AOD
alta, la incertidumbre absoluta es mayor y su distribución más amplia, para recuperaciones
más cercanas a geometrías de retrodispersión (ángulos de dispersión cercanos a 180 °).
Dichas geometrías son generalmente menos favorables para la determinación de la carga
de aerosoles porque la menor longitud del camino atmosférico cerca de la retrodispersión
signi ca que la contribución atmosférica a la radiación TOA es menor que en vistas más
oblicuas, y además, porque la función de distribución de re ectancia bidireccional de
muchas super cies tiende a mostrar un "punto de acceso" en estas geometrías [por
ejemplo,Wanner y col. , 1995 ], disminuyendo aún más la contribución atmosférica relativa a
la señal. MODIS encuentra estas geometrías de retrodispersión cercana con mayor
frecuencia en los trópicos que en latitudes altas. Tenga en cuenta que esta dependencia
angular también se observa en otros conjuntos de datos [por ejemplo, Levy et al. , 2010 ;
Hyer y col. , 2011 ]. Por estos motivos, aquí se de ne la envolvente de con anza del error
esperado absoluto (EE)
(2)
donde 1 / μ 0 + 1 / μ , la suma de los cosenos recíprocos de los ángulos solares y de visión
cenital, es el factor geométrico de masa de aire (AMF). El AMF mínimo posible es 2 para una
observación de observación de nadir con sol en la parte superior, y el máximo encontrado
por MODIS ∼5.2; la media sobre los datos MODIS / AERONET coincidentes utilizados en este
estudio es ∼2.8. La Figura 4 muestra la relación entre τ M y los percentiles 38, 68 y 95 de
error absoluto multiplicado por AMF, para QA = 3 puntos, con datos agrupados en bins por
MODIS AOD ascendente (en bins de 500 enfrentamientos). Los percentiles 68 muestran una
fuerte relación lineal, cuya ecuación de regresión de mínimos cuadrados da EE = (0.086 +
0.56 τ M ) / (1 /μ 0 + 1 / μ ). La ecuación de ajuste lineal correspondiente para QA = 2 puntos

es (0.10 + 0.60 τ M ) / (1 / μ 0 + 1 / μ ), y para QA = 1 puntos es (0.083 + 0.83 τ M ) / (1 / μ 0 + 1 /
μ ). Estas ecuaciones se utilizan para de nir las estimaciones de incertidumbre
proporcionadas con los datos C6 Deep Blue.
gura 3

Error absoluto en MODIS (Aqua) Deep Blue AOD a 550 nm en comparación con AERONET,
para (a) τ A <0.3 y (b) τ A > 0.3, en función del ángulo de dispersión (180 ° indica la dirección de
retrodispersión), en 5 ° contenedores. Dentro de cada contenedor, la línea roja indica el error
absoluto medio, la línea negra la mediana, el negro punteado el 68% central de los datos y el
gris sombreado el 95% central de los datos. Las líneas discontinuas verticales indican el 68%
central de los ángulos de dispersión MODIS para los datos coincidentes. Solo se utilizan QA =
3 datos MODIS.
Figura 4

Los percentiles 38 (cuadrados), 68 (triángulos) y 95 (diamantes) de error absoluto en MODIS
(Aqua) Deep Blue AOD a 550 nm escalados por AMF geométrico, en función de MODIS AOD.
La línea roja es el ajuste lineal de mínimos cuadrados de los percentiles 68, la línea azul la
mitad de este ajuste lineal y la línea verde dos veces este ajuste lineal. Solo se utilizan QA = 3
datos MODIS.
[19] Tomar dos veces este sobre da como resultado una línea que subestima ligeramente el
percentil 95 de la distribución de errores (Figura 4), lo que indica que esta métrica no
proporciona una estimación gaussiana verdadera de la incertidumbre. Sin embargo, las
desviaciones de esta relación, particularmente para condiciones de AOD baja y moderada,
son en su mayoría pequeñas. Para el bin MODIS AOD más alto, el percentil 95 se encuentra
signi cativamente por encima de la línea esperada; Esto se debe a un pequeño número de
casos en los que se asigna QA = 3 a una recuperación con contaminación severa de la nube
o subestimación de la re ectancia de la super cie cerca de un sitio AERONET y el AOD
verdadero es bajo. Tomar la mitad de la línea del percentil 68 da un acuerdo muy cercano al
percentil 38, lo que con rma la validez de la relación para la mayor parte de los datos.
[20] Además, la Figura 5 muestra histogramas de la relación del error de recuperación real a
EE, es decir, ( τ M - τ A ) / EE, y el error de AOD en sí ( τ M - τ A ). Estos se comparan con
distribuciones gaussianas idealizadas, es decir, aquellas con una media de cero y una
varianza de uno en el primer caso, es decir , o una media de cero y una varianza del
error de AOD, es decir , en el último caso. Para los datos coincidentes
aquí, Var ( τ M - τ A ) = 0.014 (es decir, la desviación estándar de τ M - τ Aes de

aproximadamente 0,12). Los tamaños de los contenedores son 0.1 para el histograma EE y
0.02 para el histograma AOD; en el primer caso, los datos también se dividen en tres rangos
de AMF con poblaciones totales aproximadamente iguales. El sesgo negativo leve y la cola
negativa más larga que la positiva se observan en ambos casos, aunque enmarcar el error
en términos de EE resulta en una correspondencia mucho más cercana con la distribución
teórica de Gauss, para los tres grupos de AMF. Esto muestra además la validez básica de la
ecuación 2 para este conjunto de datos, aunque proporciona un recordatorio de que esta
formulación simple es imperfecta. Aunque el histograma que se muestra en términos de τ M
- τ A también aparece aproximadamente gaussiano, es algo más estrecho que la distribución
formada al tomar sugeriría, debido a la presencia de valores atípicos
de gran error de casos de AOD alta (de acuerdo con las Figuras 2 y 3 ).
Figura 5

Comparación entre las distribuciones de error de AOD observadas y las distribuciones
teóricas de Gauss, para (a) el EE, dividido en diferentes rangos de AMF, y (b) el error de AOD
sin procesar. La línea vertical discontinua indica error cero. Solo se utilizan QA = 3 datos
MODIS.
[21] Las formulaciones lineales mencionadas anteriormente para EE para cada valor de QA
muestran que los datos de QA = 3 tienen las incertidumbres absolutas más bajas, aunque
los resultados para QA = 2 son numéricamente similares. Por lo tanto, generalmente se
recomienda, para la mayoría de las aplicaciones, que solo se utilicen las recuperaciones QA
= 2 y QA = 3. Parte de la justi cación para proporcionar tales estimaciones de incertidumbre
en el nivel de recuperación es ayudar a los usuarios a tomar decisiones sobre la usabilidad
de los datos para su aplicación particular. QA = 1 las incertidumbres son mayores. Además,
una de las principales razones para la asignación de QA = 1 es la sospecha de contaminación
residual de la nube. El verdadero alcance de esto puede ser subestimado por este tipo de
comparación de AERONET, porque para un emparejamiento válido, tanto los datos de
AERONET como los de MODIS deben marcarse como libres de nubes (por lo que los datos,
en cierto sentido, están doblemente protegidos por la nube). Por lo tanto, El riesgo de
contaminación de la nube puede ser mayor “en la naturaleza” que en el subconjunto de
datos MODIS / AERONET coincidentes. Por esta razón, solo las recuperaciones de QA ≥ 2
Deep Blue se propagan a través de productos de Nivel 3 (compuestos diarios / mensuales)
en C6, y los datos de QA = 1 generalmente no se recomiendan para su uso.
3.3 Desempeño global y regional

[22] Los mapas de estadísticas de validación para QA = 3 se muestran en la Figura 6 , y las
estadísticas globales y regionales (usando las regiones de nidas en Sayer et al. [ 2012b ] con
los límites mostrados en la Figura 1 ) se dan en la Tabla 1 . Como referencia, estos también
presentan la fracción de puntos que caen dentro de la incertidumbre aproximada de C5 de
0.05 + 0.2 τ A, para dar una métrica adicional quizás más familiar para los usuarios. Estos
revelan que, a nivel mundial, el sesgo medio entre los datos de Deep Blue y AERONET es
pequeño (−0.012 para QA = 3), y a medida que disminuye el QA asignado, el sesgo se vuelve
más grande y positivo (0.03) y los datos se vuelven menos bien correlacionado (de R = 0.92
para QA = 3 a R = 0.88 para QA = 1), aunque el nivel de correspondencia sigue siendo alto.
Los sesgos en los sitios individuales son típicamente pequeños (magnitud 0.025 o menos en
la mayoría de los sitios) y es más probable que sean negativos que positivos.
Tabla 1. Estadísticas globales y regionales de comparación entre MODIS Deep Blue y

AERONET AOD a 550 nm a
Número Número Mediana Fracción Fracción

de dentro
Región de sitios Partidos R Parcialidad Dentro 0.05 + 0.2

de EE τA
Número Número Mediana Fracción Fracción

de dentro
Región
Global, QA = 3 de
60 sitios
60 Partidos
41297 R0,92 Parcialidad
−0.012 Dentro
0,68 0.05
0,80 + 0.2
de EE τA
Global, QA = 2 60 60 18200 0,90 0.0049 0,67 0,69
Global, QA = 1 60 60 38275 0,88 0,030 0,68 0,63
Este de América del Norte (ENA) 77 4155 0,86 0.0094 0,82 0,89
Oeste de América del Norte (WNA) 55 4101 0,78 −0.0076 0,70 0,84
América Central / del Sur (CSA) 66 3032 0,96 −0.016 0,69 0,85
Eurasia (EUR) 10 8025 0,89 −0.013 0,75 0,89
Norte de África / Medio Oriente 12 9938 0,90 −0.036 0,58 0,67

(NOMBRE)
a Res el coe ciente de correlación lineal de Pearson. El sesgo es el desplazamiento medio entre los conjuntos de datos,
de nido de tal manera que los valores positivos indican que MODIS AOD es mayor. Las estadísticas regionales se
muestran solo para datos de QA = 3, para las regiones como se muestra en la Figura1.
Figura 6

Variabilidad global de las estadísticas de validación para AOD a 550 nm. Se muestran, para
cada sitio, (a) el AOD AETONET medio a 550 nm, (b) el coe ciente de correlación lineal de
Pearson entre los datos de MODIS y AERONET coincidentes, (c y d) la fracción de
emparejamientos dentro del EE y 0.05 + 20% de AERONET, respectivamente, (e) el sesgo
medio (MODIS-AERONET) y (f) la diferencia de RMS con respecto a AERONET. Solo se utilizan
QA = 3 datos MODIS.
[23] Existe una variación regional en el rendimiento de recuperación, probablemente debido

a las diferentes incertidumbres regionales en la supuesta re ectancia de la super cie, las
propiedades microfísicas de los aerosoles y el rendimiento de las pruebas de detección de
nubes. Algunas regiones (especialmente el este de América del Norte y Eurasia) tienen
signi cativamente más del 68% de las recuperaciones dentro del límite de con anza
esperado, mientras que las regiones del este de Asia y el norte de África tienen menos. Los
datos en estas últimas regiones permanecen bien correlacionados, lo que indica que Deep
Blue rastrea la variabilidad espacio-temporal en el pozo AOD, pero con un sesgo bajo, lo que
quizás empuja la recuperación fuera del límite de con anza con más frecuencia de lo
esperado.
[24] El sitio de Saada (Marruecos) contribuye en gran medida al desempeño

comparativamente pobre en general en la región de África del Norte / Medio Oriente, ya que
contiene una gran cantidad de enfrentamientos pero muestra un sesgo negativo contra
AERONET. Los sesgos negativos podrían indicar una absorción insu ciente en las
propiedades de los aerosoles asumidas en estas regiones, sobrestima la re ectancia de la
super cie, o quizás problemas asociados con la heterogeneidad subretrieval o el marcado
de nubes excesivamente celosas de algunas plumas. Este sitio en particular también se
encuentra en terreno horizontal y verticalmente heterogéneo. Igualmente importante es
tener en cuenta que no todos los sitios en estas regiones tienen un desempeño pobre: por
ejemplo, Banizoumbou y Mongu en África tienen un rendimiento superior a las expectativas.
[25] Oceanía muestra la correlación más baja entre los dos conjuntos de datos, aunque aquí
el AOD típico y su variabilidad son bajos, cercanos a la magnitud de la incertidumbre de
Deep Blue, lo que disminuirá la correlación incluso si los datos a menudo coinciden dentro
de EE.
[26] La variabilidad en el rendimiento entre las regiones indica focos potenciales para
futuros desarrollos algorítmicos, o el desarrollo de un modelo de error más avanzado.
Desafortunadamente, esto no fue posible dentro del tiempo disponible para el
reprocesamiento de C6, que es un esfuerzo extenso y multidisciplinario. Vale la pena señalar
que en las regiones de África y Asia oriental de bajo rendimiento, la incertidumbre de la guía
C5 (68% dentro de 0.05 + 0.2 τ A) se cumple o se supera aproximadamente. Se recomienda
cierta precaución al interpretar estos resultados, ya que algunas regiones contienen solo
unos pocos sitios (ambos debido a las limitaciones en el procesamiento de datos de prueba
alrededor de los sitios de AERONET y la cobertura espacial limitada de los sitios de AERONET
en algunas regiones), y como tales resultados pueden no ser representante de todos los
regímenes encontrados en una región. Estos aspectos pueden evaluarse con más detalle
una vez que el conjunto de datos C6 completo esté disponible, y mediante el análisis de
campañas de campo pasadas, actuales y futuras.
3.4 Rendimiento relativo a los datos de C5

[27] La comparación de las estadísticas de validación global de C5 y C6 no es directamente
una medida útil del cambio en el rendimiento del algoritmo, ya que la cobertura espacial de
las recuperaciones de Deep Blue es signi cativamente mayor en C6, porque solo las
super cies brillantes fueron procesadas por la versión C5 del algoritmo [ Hsu et al. , 2004 ,
2006 ]. Por esta razón, el rendimiento se compara utilizando una selección de sitios
AERONET con grandes volúmenes de datos en los conjuntos de datos C5 y C6, que cubren
una variedad de condiciones de aerosol / super cie. Las estadísticas de la comparación en
estos sitios se presentan en la Tabla 2; Los datos de C5 se colocaron con AERONET de la
misma manera que C6 para esta comparación. Estrictamente, los productos C5 utilizados
aquí pertenecen a la Colección 5.1, que fue un reprocesamiento intermedio de C5 con
actualizaciones menores y correcciones de errores, aunque el término C5 se usa por
simplicidad.
Tabla 2. Evaluación comparativa del rendimiento en azul profundo de C5 y C6 para sitios

AERONET seleccionados a
Número de Fracción Fracción dentro
Partidos R Dentro de EE 0.05 + 0.2 τ A
QA
Valor C5 C6 C5 C6 C5 C6 C5 C6
Agoufou, Mali (15.35 ° N, 1.48 ° W)
3 681 934 0,87 0,92 0,58 0,66 0.62 0,74
2 889 409 0,84 0,90 0.62 0,73 0,61 0,69
1 917 679 0,83 0,87 0,68 0,80 0,54 0,69
Banizoumbou, Níger (13.54 ° N, 2.66 ° E)
Número de Fracción Fracción dentro
Partidos R Dentro de EE 0.05 + 0.2 τ A
QA
3 447 1282 0,93 0,94 0,72 0,71 0,76 0,75
Valor C5 C6 C5 C6 C5 C6 C5 C6
2 954 536 0,88 0,91 0,65 0,76 0.62 0,69
a Res el coe ciente de correlación lineal de Pearson.
[28] En Agoufou, Beijing, Kanpur, Mongu y Solar Village, el rendimiento para C6 es mejor
para todas las estadísticas que para C5. El volumen de datos también aumenta
signi cativamente para Beijing y Mongu, que, junto con Kanpur, muestran mejoras muy
importantes en el rendimiento de recuperación. En Banizoumbou, Boulder, Fresno, Hamim
y Tinga Tingana, el rendimiento de C6 es similar al C5 para algunas estadísticas y mejor para
otros; Además, en los primeros tres de estos sitios, el volumen de datos aumenta en un
factor de 2.6–4.2. Para aquellos casos donde una métrica estadística es más pobre para C6,
la diferencia es típicamente pequeña, y la métrica es a menudo el coe ciente de correlación.
El AERONET AOD típico a 550 nm es ∼0.15 o menos para Boulder y Fresno, y <0.1 para Tinga
Tingana, y la variabilidad en estos sitios es similar a la incertidumbre de Deep Blue.
[29] Si solo se consideran los puntos de datos de AERONET en los que tanto C5 como C6
proporcionan QA = 3, se consideran recuperaciones, el rendimiento relativo es similar. Esto
muestra que la mejora general en C6 en comparación con C5 no se debe solo a esos puntos
de datos adicionales de AERONET para los cuales C6 proporciona una recuperación QA = 3,
sino que también está presente para aquellas situaciones en las que se recuperó el
algoritmo C5.
[30] El hilo común entre estos sitios es que la versión C6 de Deep Blue proporciona un
mayor número de comparaciones con datos de QA = 3 que C5 y que la correspondencia con
AERONET (en términos de la coincidencia de la fracción de puntos dentro de una envolvente
de con anza de incertidumbre) es aproximadamente igual o mejor. Esto muestra que el
algoritmo C6 proporciona una mejora sobre C5 tanto en términos de volumen de datos
como de calidad de recuperación. Estas mejoras se observan para todos los valores del
indicador de control de calidad, lo que sugiere que son el resultado de actualizaciones
algorítmicas y de calibración en lugar de una asignación de control de calidad más
inteligente. Las estadísticas para las recuperaciones de QA = 3 generalmente muestran un
acuerdo más cercano con AERONET que para QA = 2 o QA = 1, tanto para C5 como para C6,
lo que con rma que los indicadores de QA proporcionan información relevante para el
desempeño de las recuperaciones.
3.5 Efecto de las actualizaciones de calibración radiométrica
[31] Además de los cambios algorítmicos, el producto C6 Deep Blue incorpora mejoras a la
calibración radiométrica de MODIS desde C5. Los esfuerzos del equipo de soporte de
caracterización MODIS se han centrado en mantener una calibración de alta calidad y
temporalmente estable de los sensores MODIS. Aquí, los efectos de las actualizaciones de
calibración en el conjunto de datos Deep Blue se examinan tomando radiaciones calibradas
C5 y C6 (los llamados datos de Nivel 1b) y aplicando el algoritmo C6 de forma idéntica a
ambos. La comparación de las estadísticas de validación con AERONET de los años 2002 a
2012 proporciona información sobre cómo se propagan estos cambios en el conjunto de
datos de Deep Blue.
[32] Este ejercicio está restringido a un puñado de sitios de AERONET con una larga serie de
tiempo (Alta Floresta, Banizoumbou, Beijing, GSFC, MD Science Center, Minsk, Moldova,
Mongu, Moscú y Solar Village); el protocolo de validación es como se describió
anteriormente, con la restricción añadida de que solo se consideran los emparejamientos
donde los coe cientes de calibración C5 y C6 proporcionan un emparejamiento válido QA =
3. Estas restricciones ayudan a garantizar que el rendimiento esperado a través de la misión
sea bastante homogéneo (ya que los mismos sitios AERONET se utilizan para el período) y
que los enfrentamientos resultantes son directamente comparables (ya que cada punto de
datos AERONET contiene datos Deep Blue con cada uno de los C5 y calibraciones
radiométricas C6 aplicadas). Un punto importante a tener en cuenta es que el
procesamiento de nivel 2 de AERONET se ejecuta generalmente de varios meses a un año o
dos en tiempo real, dependiendo de los cronogramas de mantenimiento para el sitio
individual en cuestión, por lo que los registros de 2011 y 2012 están incompletos en la
actualidad. Además, 2002 está menos bien muestreado porque fue un año incompleto tanto
para Aqua como para algunos de los sitios de AERONET.
[33] Las estadísticas de la comparación resultante (9316 puntos en total) se presentan en la

Figura 7. Las diferencias entre los dos conjuntos de recuperaciones no son grandes (en
general, la calibración C6 proporciona <1% más de AERONET coincidente dentro de EE, y una
diferencia de AOD absoluta media más pequeña en <0.01) y se mani esta más fuertemente
en los últimos años (2008 en adelante). Curiosamente, ambos conjuntos muestran una
tendencia al sesgo negativo en los primeros años de la misión Aqua y al sesgo positivo en el
último (con el cambio en el sesgo AOD durante la década ∼0.03), aunque los errores
estándar en la mediana son grandes en relación con el sesgos observados, lo que limita la
fuerza de las conclusiones que deben extraerse. La tendencia similar en el sesgo observado
entre ambas calibraciones sugiere que puede estar relacionado con cambios en la
composición del aerosol o en la re ectancia de la super cie que no son capturados por la
recuperación, o podría ser un factor coincidente relacionado con diferentes distribuciones
de AOD en diferentes años. El principal resultado de este análisis es mostrar que el uso de la
calibración C6 proporciona mejores recuperaciones de AOD en comparación con la
calibración C5, aunque el efecto de los cambios algorítmicos, investigado ensección 3.4 , es
más grande. Se espera que el efecto de los cambios de calibración en Terra sea mayor que
para Aqua.
Figura 7

Variabilidad temporal (2002–2012) de estadísticas de validación para AOD a 550 nm, para
sitios AERONET a largo plazo. En cada panel, los asteriscos negros indican coe cientes de
calibración radiométrica C5 y diamantes rojos C6. (a) La fracción de emparejamientos de
acuerdo con el error esperado, (b) el sesgo medio (las líneas verticales indican el error
estándar en la mediana) y (c) la diferencia media absoluta MODIS-AERONET. Solo se utilizan
QA = 3 datos MODIS.
4 Resumen y conclusiones
[34] El algoritmo Deep Blue ha experimentado varios re namientos para el próximo
conjunto de datos MODIS Collection 6, aunque los principios generales del algoritmo [ Hsu et
al. , 2004 , 2006 ] siguen siendo los mismos. La actualización principal es la extensión de la
cobertura para incluir super cies con vegetación, pero también ha habido modi caciones en
la calibración radiométrica, modelos de aerosol / super cie, detección de nubes y banderas

de calidad.
[35] La validación contra AERONET sugiere que, a nivel mundial, la envolvente de con anza
EE en Deep Blue C6 AOD a 550 nm de MODIS Aqua se puede establecer como ± (0.086 +
0.56 τ M ) / (1 / μ 0 + 1 / μ ) para recuperaciones con el indicador de mayor calidad (QA = 3).
Con un AMF típico de 2.8, esto se reduce a ± (0.03 + 0.2 τ M ), lo cual es comparable a las
incertidumbres declaradas en otros conjuntos de datos de última generación bien utilizados
como MODIS C5 / C6 Dark Target (0.05 + 0.15 τ A ) [ Levy y col. , 2010 , 2013 ] o MISR (mayor
de 0.05 o 0.2 τ A ) [ Kahn et al. ,2010 ] productos en aerosol bajo cargas de aerosol típicas
(AOD mediovisible .050.05–0.5). Es una mejora en la aplicación previa de Deep Blue en
MODIS C5 y SeaWiFS (incertidumbre 0.05 + 0.2 τ A ) [ Sayer et al. , 2012b] Las recuperaciones
asignadas QA = 2 tienen solo una incertidumbre ligeramente mayor y, por lo tanto, también
deberían ser adecuadas para su uso en la mayoría de las aplicaciones. Las comparaciones
con los datos C5 Deep Blue en sitios seleccionados revelan un aumento tanto en el volumen
de datos de las recuperaciones con el indicador de garantía de calidad más alto, como
también en el nivel de acuerdo con los datos de AERONET. En general, el rendimiento
parece mejor en regiones con vegetación y peor en entornos más complicados (en términos
de cubierta de super cie heterogénea, nubosidad y composición de aerosoles) como se
encuentra en África y Asia oriental, aunque hay una escasez de datos de validación para
partes de estas regiones . En estas últimas regiones, parece que la estimación de
incertidumbre C5 mencionada anteriormente puede ser una métrica apropiada. Mirando
hacia el futuro, actividades de validación adicionales, campañas de campo,
[36] Las estimaciones de incertidumbre derivadas en este documento se proporcionan

sobre una base de recuperación individual en el conjunto de datos de la Colección 6 Deep
Blue, en un campo de datos llamado
Deep_Blue_Aerosol_Optical_Depth_550_Land_Estimated_Uncertainty. Se espera que las
estimaciones de incertidumbre para MODIS Terra sean similares, se determinarán utilizando
el mismo método una vez que los datos de origen requeridos estén disponibles, y se
proporcionarán dentro de los productos de datos de Terra correspondientes.
[37] El registro C6 Deep Blue continuará llenando huecos en el conjunto de datos Dark
Target MODIS AOD sobre super cies re ectantes brillantes como desiertos, proporcionando
datos AOD cuantitativamente útiles en estas regiones. Ahora también proporcionará un
segundo conjunto de datos complementario en aquellas regiones terrestres donde Dark
Target recupera AOD. Los únicos "agujeros" restantes sobre super cies libres de nubes en
los productos MxD04 / MxD08 son, por lo tanto, áreas cubiertas de nieve, en las cuales
ninguno de los algoritmos realiza una recuperación. La aplicación actual de los sensores
SeaWiFS y MODIS a bordo de las plataformas Terra y Aqua proporciona un conjunto de
datos multisensor continuo de Deep Blue desde nales de 1997 en adelante. La posible
aplicación futura a las mediciones del conjunto de radiómetros de imágenes visibles e
infrarrojas (VIIRS) a bordo del satélite Suomi-National Polar-orbiting Partnership (NPP)

(lanzado a nes de 2011),
Expresiones de gratitud
[38] Los autores agradecen al equipo de AERONET y a los PI del sitio (N. Al ‐ Abbadi, P.
Artaxo, F. Baret, CJ Bruegge, M. Caughey, A. Chaikovsky, B. Chatenet, H.‐B. Chen, N.
Chubarova , S. Corradini, E. Cuevas ‐ Agullo, PCS Devara, B. Duchemin, MLC Fernández, P.
Goloub, B. Gross, BN Holben, J. Huang, YJ Kim, K.‐N. Liou, B. McArthur, D. Meyer, R. Mitchell,
J.‐P. Morel, B. Mougenot, NT O'Neill, M. Panchenko, MR Perrone, S. Piketh, RT Pinker, S.
Pugnaghi, JL Rajot, AM Silva, RP Singh , D. Tanré, SN Tripathi, JR Vande Castle, P. Wang, X. Xia
y W. Zhang) para la creación y administración de los registros de datos del fotómetro solar.
Se agradece al equipo del equipo de soporte de caracterización de MODIS por sus amplios
esfuerzos para mantener la alta calidad radiométrica de los datos de MODIS.
Referencias 
Banks, J. R., and H. E. Brindley (2013), Evaluation of MSG‐EVIRI mineral dust retrieval products over
North Africa and the Middle East, Remote Sens. Environ., 128, 58– 73,
doi:10.1016/j.rse.2012.07.017 .
Crossref | ADS | Web of Science® | Google Scholar
Brindley, H. E., and J. E. Russell (2009), An assessment of Saharan dust loading and the
corresponding cloud‐free longwave direct radiative e ect from geostationary satellite
observations, J. Geophys. Res., 114, D23201, doi:10.1029/2008JD011635 .
Wiley Online Library | ADS | Web of Science® | Google Scholar
Carboni, E., et al. (2012), Intercomparison of desert dust optical depth from satellite
measurements, Atmos. Meas. Tech., 5, 1973– 2002, doi:10.5194/amt‐5‐1973‐2012 .
Crossref | CAS | ADS | Web of Science® | Google Scholar
DeSouza‐Machado, S. G., et al. (2010), Infrared retrievals of dust using AIRS: Comparisons of
optical depths and heights derived for a North African dust storm to other collocated EOS A‐Train
and surface observations, J. Geophys. Res., 115, D15201, doi:10.1029/2009JD012842 .
Draxler, R. R., P. Ginoux, and A. F. Stein (2010), An empirically derived emission algorithm for wind‐
blown dust, J. Geophys. Res., 115, D16212, doi:10.1029/2009JD013167 .
Ginoux, P., J. M. Prospero, T. E. Gill, N. C. Hsu, and M. Zhao (2012), Global‐scale attribution of
anthropogenic and natural dust sources and their emission rates based on MODIS Deep Blue
aerosol products, Rev. Geophys., 50, RG3005, doi:10.1029/2012RG000388 .
Hasekamp, O. P., and J. Landgraf (2007), Retrieval of aerosol properties over land surfaces:
Capabilities of multi‐viewing‐angle intensity and polarization measurements, Appl. Opt., 46(16),
3332– 3344, doi:10.1364/AO.46.003332 .
Crossref | ADS | PubMed | Web of Science® | Google Scholar
Holben, B. N., et al. (1998), AERONET: A federated instrument network and data archive for
aerosol characterization, Remote Sens. Environ., 66, 1– 16, doi:10.1016/S0034‐4257(98)00031‐5 .
Hsu, N. C., S.‐C. Tsay, M. D. King, and J. R. Herman (2004), Aerosol properties over bright‐re ecting
source regions, IEEE Trans. Geosci. Remote Sens., 42(3), 557– 569, doi:10.1109/TGRS.2004.824067 .
Hsu, N. C., S.‐C. Tsay, M. D. King, and J. R. Herman (2006), Deep Blue retrievals of Asian aerosol
properties during ACE‐Asia, IEEE Trans. Geosci. Remote Sens., 44(11), 3180– 3195,
doi:10.1109/TGRS.2006.879540 .
Hyer, E. H., J. S. Reid, and J. Zhang (2011), An over‐land aerosol optical depth dataset for data
assimilation by ltering, correction, and aggregation of MODIS Collection 5 optical depth
retrievals, Atmos. Meas. Tech., 4, 379– 408, doi:10.5194/amt‐4‐379‐2011 .
Ichoku, C., D. A. Chu, S. Mattoo, Y. J. Kaufman, L. A. Remer, D. Tanré, I. Slutsker, and B. N. Holben
(2002), A spatio‐temporal approach for global validation and analysis of MODIS aerosol products,
Geophys. Res. Lett., 29, 12, doi:10.1029/2001GL013206 .
Kahn, R. A., B. J. Gaitley, M. J. Garay, D. J. Diner, T. F. Eck, A. Smirnov, and B. N. Holben(2010),

Multiangle Imaging SpectroRadiometer global aerosol product assessment by comparison with
the Aerosol Robotic Network, J. Geophys. Res., 115, D23209, doi:10.1029/2010JD014601 .
Karimi, N., A. Moridnejad, S. Golian, J. Samani, D. Karimi, and S. Javadi (2012), Comparison of dust
source identi cation techniques over land in the Middle East region using MODIS data, Can. J.
Remote Sensing, 38(5), 586– 599, doi:10.5589/m12‐048 .
Kokhanovsky, A. A., et al. (2010), The determination of spectral aerosol optical thickness from
satellites: An inter‐comparison of algorithms using synthetic backscattered solar light
characteristics, Atmos. Meas. Tech., 3, 909– 932, doi:10.5194/amt‐3‐909‐2010 .
Crossref | Web of Science® | Google Scholar
Laurent, B., I. Tegen, B. Heinold, K. Schepanski, B. Weinzierl, and M. Esselborn (2010), A model
study of Saharan dust emissions and distributions during the SAMUM‐1 campaign, J. Geophys. Res.,
115, D21210, doi:10.1029/2009JD012995 .
Levy, R. C., L. A. Remer, S. Mattoo, E. F. Vermote, and Y. J. Kaufman (2007), Second‐generation

operational algorithm: Retrieval of aerosol properties over land from inversion of Moderate
Resolution Imaging Spectroradiometer spectral re ectance, J. Geophys. Res., 112, D13211,
doi:10.1029/2006JD007811 .
Wiley Online Library | CAS | ADS | Web of Science® | Google Scholar
Levy, R. C., L. A. Remer, R. G. Kleidman, S. Mattoo, C. Ichoku, R. Kahn, and T. F. Eck (2010), Global
evaluation of the Collection 5 MODIS dark‐target aerosol products over land, Atmos. Chem. Phys.,
10, 103,999– 10,420, doi:10.5194/acp‐10‐10399‐2010 .
Levy, R. C., S. Mattoo, L. A. Munchak, L. A. Remer, A. M. Sayer, and N. C. Hsu (2013), The Collection
6 MODIS aerosol products over land and ocean, Atmos. Meas. Tech. Discuss., 6, 159– 259,
doi:10.5194/amtd‐6‐159‐2013 .
Martonchik, J. V., D. J. Diner, R. A. Kahn, T. P. Ackerman, M. M. Verstraete, B. Pinty, and H. R.

Gordon (1998), Techniques for the retrieval of aerosol properties over land and ocean using
multiangle imaging, IEEE Trans. Geosci. Remote Sens., 36, 4, doi:10.1109/36.701027 .
Crossref | Web of Science® | Google Scholar
North, P. R. J. (2002), Estimation of aerosol opacity and land surface bidirectional re ectance from
ATSR‐2 dual‐angle imagery: Operational method and validation, J. Geophys. Res., 107(D12), 4149,
doi:10.1029/2000JD000207 .
Sayer, A. M., G. E. Thomas, R. G. Grainger, E. Carboni, C. Poulsen, and R. Siddans (2012a), Use of
MODIS‐derived surface re ectance data in the ORAC‐AATSR aerosol retrieval algorithm: Impact of
di erences between sensor spectral response functions, Rem. Sens. Environ., 116, 177.
Sayer, A. M., N. C. Hsu, C. Bettenhausen, M. ‐J. Jeong, B. N. Holben, and J. Zhang (2012b), Global
and regional evaluation of over‐land spectral aerosol optical depth retrievals from SeaWiFS,
Atmos. Meas. Tech., 5, 1761– 1778, doi:10.5194/amt‐5‐1761‐2012 .
Schepanski, K., I. Tegen, and A. Macke (2012), Comparison of satellite based observations of
Saharan dust source areas, Remote Sens. Environ., 123, 90– 97, doi:10.1016/j.rse.2012.03.019 .
Seidel, F. C., and C. Popp (2012), Critical surface albedo and its implications to aerosol remote
sensing, Atmos. Meas. Tech., 5, 1653– 1665, doi:10.5194/amt‐5‐1653‐2012 .
Shi, Y., J. Zhang, J. S. Reid, E. J. Hyer, and N. C. Hsu (2013), Critical evaluation of the MODIS Deep
Blue aerosol optical depth product for data assimilation over North Africa, Atmos. Meas. Tech, 6,
949– 969, doi:10.5194/amt‐6‐949‐2013 .
Smirnov, A., B. N. Holben, T. F. Eck, O. Dubovik, and I. Slutsker (2000), Cloud‐screening and quality
control algorithms for the AERONET database, Remote Sens. Environ., 73(3), 337– 349.
Wagner, F., and A. M. Silva (2008), Some considerations about Ångström exponent distributions,
Atmos. Chem Phys., 8, 481– 489, doi:10.5194/acp‐8‐481‐2008 .
Wagner, S. C., Y. M. Govaerts, and A. Lattanzio (2010), Joint retrieval of surface re ectance and
aerosol optical depth from MSG/SEVIRI observations with an optimal estimation approach: 2.
Implementation and evaluation, J. Geophys. Res., 115, D02204, doi:10.1029/2009JD011780 .
Wang, J., X. Xu, D. K. Henze, J. Zeng, Q. Ji, S. ‐C. Tsay, and J. Huang (2012), Top‐down estimate of
dust emissions through integration of MODIS and MISR aerosol retrievals with the GEOS‐Chem
adjoint model, Geophys. Res. Lett., 39, L08802, doi:10.1029/2012GL051136 .
Wiley Online Library | CAS | ADS | Web of Science® | Google Scholar
Wanner, W., X. Li, and A. H. Strahler (1995), On the derivation of kernels for kernel‐drived models
of bidirectional re ectance, J. Geophys. Res., 100, 21,077– 21,089, doi:10.1029/95JD02371 .
Zhang, J., and J. S. Reid (2006), MODIS aerosol product analysis for data assimilation: Assessment
of over‐ocean level 2 aerosol optical thickness retrievals, J. Geophys. Res., 111, D22207,
doi:10.1029/2005JD006898 .
Citando literatura 
Volver arriba
  
PUBLICACIONES DE LA AGU
AGU.ORG
MEMBRESÍA AGU
RESOURCES 
PUBLICATION INFO 
© 2020 American Geophysical Union
Acerca de la biblioteca en línea de Wiley

Política de privacidad
Términos de Uso
Galletas
Accesibilidad
Servicio de asistencia
Contáctenos
Oportunidades
Agentes de suscripción
Anunciantes y socios corporativos
Conectar con Wiley

La red de Wiley
Sala de prensa de Wiley
Copyright © 1999-2020 John Wiley & Sons, Inc . Todos los derechos reservados

03 Art Esp TR 2013

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

03 Art Esp TR 2013

Cargado por

Copyright:

Formatos disponibles

28/4/2020 Validación y estimaciones de incertidumbre para los datos del aerosol MODIS Collection 6 "Deep Blue" - Sayer - 2013

Sayer - 2013 - Journal of G…

Revista de Investigación Geofísica: Atmósferas / Volume 118, Issue 14

Artículo regular  Acceso Libre

Validación y estimaciones de incertidumbre para los datos del aerosol MODIS

AM Sayer , NC Hsu , C. Bettenhausen , M.‐J. Jeong

Primera publicación:26 de junio de 2013

variabilidad regional del rendimiento de recuperación y las comparaciones con los

2 conjuntos de datos utilizados

Abrir en el visor de guras PowerPoint

2.2 MODIS azul profundo

[8] La re ectancia de la super cie asumida en la recuperación se prescribe dinámicamente a

[9] Las recuperaciones individuales de 1 km × 1 km se promedian a la escala de 10 km × 10

2.3 Metodología de emparejamiento

Abrir en el visor de guras PowerPoint

[13] En contraste, y como se esperaba del contenido de información conocido de tales

[14] Si la ventana de tiempo se reduce a 15 min, y la ventana espacial se restringe para

3.2 Cálculo de estimaciones de incertidumbre de AOD

enfrentamientos. Si esto se toma como una verdadera medida de incertidumbre gaussiana,

[18] Las Figuras 2 y 3 muestran que el error absoluto en la AOD recuperada es

0.56 τ M ) / (1 /μ 0 + 1 / μ ). La ecuación de ajuste lineal correspondiente para QA = 2 puntos

Abrir en el visor de guras PowerPoint

Abrir en el visor de guras PowerPoint

aquí, Var ( τ M - τ A ) = 0.014 (es decir, la desviación estándar de τ M - τ Aes de

Abrir en el visor de guras PowerPoint

3.3 Desempeño global y regional

Tabla 1. Estadísticas globales y regionales de comparación entre MODIS Deep Blue y

Número Número Mediana Fracción Fracción

Región de sitios Partidos R Parcialidad Dentro 0.05 + 0.2

Número Número Mediana Fracción Fracción

Global, QA = 1 60 60 38275 0,88 0,030 0,68 0,63

Eurasia (EUR) 10 8025 0,89 −0.013 0,75 0,89

Norte de África / Medio Oriente 12 9938 0,90 −0.036 0,58 0,67

Abrir en el visor de guras PowerPoint

[23] Existe una variación regional en el rendimiento de recuperación, probablemente debido

[24] El sitio de Saada (Marruecos) contribuye en gran medida al desempeño

3.4 Rendimiento relativo a los datos de C5

Tabla 2. Evaluación comparativa del rendimiento en azul profundo de C5 y C6 para sitios

Número de Fracción Fracción dentro

Partidos R Dentro de EE 0.05 + 0.2 τ A

Agoufou, Mali (15.35 ° N, 1.48 ° W)

3 681 934 0,87 0,92 0,58 0,66 0.62 0,74

2 889 409 0,84 0,90 0.62 0,73 0,61 0,69

1 917 679 0,83 0,87 0,68 0,80 0,54 0,69

Banizoumbou, Níger (13.54 ° N, 2.66 ° E)

Número de Fracción Fracción dentro

Partidos R Dentro de EE 0.05 + 0.2 τ A

a Res el coe ciente de correlación lineal de Pearson.

3.5 Efecto de las actualizaciones de calibración radiométrica

[33] Las estadísticas de la comparación resultante (9316 puntos en total) se presentan en la

Abrir en el visor de guras PowerPoint

la calibración radiométrica, modelos de aerosol / super cie, detección de nubes y banderas

[36] Las estimaciones de incertidumbre derivadas en este documento se proporcionan

infrarrojas (VIIRS) a bordo del satélite Suomi-National Polar-orbiting Partnership (NPP)

Kahn, R. A., B. J. Gaitley, M. J. Garay, D. J. Diner, T. F. Eck, A. Smirnov, and B. N. Holben(2010),

Wiley Online Library | ADS | Web of Science® | Google Scholar

Levy, R. C., L. A. Remer, S. Mattoo, E. F. Vermote, and Y. J. Kaufman (2007), Second‐generation

Martonchik, J. V., D. J. Diner, R. A. Kahn, T. P. Ackerman, M. M. Verstraete, B. Pinty, and H. R.

© 2020 American Geophysical Union

Acerca de la biblioteca en línea de Wiley

Conectar con Wiley

También podría gustarte