Documentos de Académico
Documentos de Profesional
Documentos de Cultura
03 Art Esp TR 2013
03 Art Esp TR 2013
Advertisement
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…
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
https://agupubs.onlinelibrary.wiley.com/doi/10.1002/jgrd.50600 2/24
28/4/2020 Validación y estimaciones de incertidumbre para los datos del aerosol MODIS Collection 6 "Deep Blue" - Sayer - 2013 - Journal of G…
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.
https://agupubs.onlinelibrary.wiley.com/doi/10.1002/jgrd.50600 3/24
28/4/2020 Validación y estimaciones de incertidumbre para los datos del aerosol MODIS Collection 6 "Deep Blue" - Sayer - 2013 - Journal of G…
Figura 1
https://agupubs.onlinelibrary.wiley.com/doi/10.1002/jgrd.50600 4/24
28/4/2020 Validación y estimaciones de incertidumbre para los datos del aerosol MODIS Collection 6 "Deep Blue" - Sayer - 2013 - Journal of G…
[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.
https://agupubs.onlinelibrary.wiley.com/doi/10.1002/jgrd.50600 5/24
28/4/2020 Validación y estimaciones de incertidumbre para los datos del aerosol MODIS Collection 6 "Deep Blue" - Sayer - 2013 - Journal of G…
(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
https://agupubs.onlinelibrary.wiley.com/doi/10.1002/jgrd.50600 6/24
28/4/2020 Validación y estimaciones de incertidumbre para los datos del aerosol MODIS Collection 6 "Deep Blue" - Sayer - 2013 - Journal of G…
[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
https://agupubs.onlinelibrary.wiley.com/doi/10.1002/jgrd.50600 7/24
28/4/2020 Validación y estimaciones de incertidumbre para los datos del aerosol MODIS Collection 6 "Deep Blue" - Sayer - 2013 - Journal of G…
[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 ].
(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 +
https://agupubs.onlinelibrary.wiley.com/doi/10.1002/jgrd.50600 8/24
28/4/2020 Validación y estimaciones de incertidumbre para los datos del aerosol MODIS Collection 6 "Deep Blue" - Sayer - 2013 - Journal of G…
gura 3
https://agupubs.onlinelibrary.wiley.com/doi/10.1002/jgrd.50600 9/24
28/4/2020 Validación y estimaciones de incertidumbre para los datos del aerosol MODIS Collection 6 "Deep Blue" - Sayer - 2013 - Journal of G…
Figura 4
[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
https://agupubs.onlinelibrary.wiley.com/doi/10.1002/jgrd.50600 10/24
28/4/2020 Validación y estimaciones de incertidumbre para los datos del aerosol MODIS Collection 6 "Deep Blue" - Sayer - 2013 - Journal of G…
Figura 5
https://agupubs.onlinelibrary.wiley.com/doi/10.1002/jgrd.50600 11/24
28/4/2020 Validación y estimaciones de incertidumbre para los datos del aerosol MODIS Collection 6 "Deep Blue" - Sayer - 2013 - Journal of G…
[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.
https://agupubs.onlinelibrary.wiley.com/doi/10.1002/jgrd.50600 12/24
28/4/2020 Validación y estimaciones de incertidumbre para los datos del aerosol MODIS Collection 6 "Deep Blue" - Sayer - 2013 - Journal of G…
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
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
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
https://agupubs.onlinelibrary.wiley.com/doi/10.1002/jgrd.50600 13/24
28/4/2020 Validación y estimaciones de incertidumbre para los datos del aerosol MODIS Collection 6 "Deep Blue" - Sayer - 2013 - Journal of G…
[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
https://agupubs.onlinelibrary.wiley.com/doi/10.1002/jgrd.50600 14/24
28/4/2020 Validación y estimaciones de incertidumbre para los datos del aerosol MODIS Collection 6 "Deep Blue" - Sayer - 2013 - Journal of G…
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.
QA
Valor C5 C6 C5 C6 C5 C6 C5 C6
https://agupubs.onlinelibrary.wiley.com/doi/10.1002/jgrd.50600 15/24
28/4/2020 Validación y estimaciones de incertidumbre para los datos del aerosol MODIS Collection 6 "Deep Blue" - Sayer - 2013 - Journal of G…
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
[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.
https://agupubs.onlinelibrary.wiley.com/doi/10.1002/jgrd.50600 16/24
28/4/2020 Validación y estimaciones de incertidumbre para los datos del aerosol MODIS Collection 6 "Deep Blue" - Sayer - 2013 - Journal of G…
[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.
https://agupubs.onlinelibrary.wiley.com/doi/10.1002/jgrd.50600 17/24
28/4/2020 Validación y estimaciones de incertidumbre para los datos del aerosol MODIS Collection 6 "Deep Blue" - Sayer - 2013 - Journal of G…
más grande. Se espera que el efecto de los cambios de calibración en Terra sea mayor que
para Aqua.
Figura 7
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
https://agupubs.onlinelibrary.wiley.com/doi/10.1002/jgrd.50600 18/24
28/4/2020 Validación y estimaciones de incertidumbre para los datos del aerosol MODIS Collection 6 "Deep Blue" - Sayer - 2013 - Journal of G…
[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,
[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
https://agupubs.onlinelibrary.wiley.com/doi/10.1002/jgrd.50600 19/24
28/4/2020 Validación y estimaciones de incertidumbre para los datos del aerosol MODIS Collection 6 "Deep Blue" - Sayer - 2013 - Journal of G…
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 .
Wiley Online Library | ADS | Web of Science® | Google Scholar
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 .
Wiley Online Library | ADS | Web of Science® | Google Scholar
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 .
Wiley Online Library | ADS | Web of Science® | Google Scholar
https://agupubs.onlinelibrary.wiley.com/doi/10.1002/jgrd.50600 20/24
28/4/2020 Validación y estimaciones de incertidumbre para los datos del aerosol MODIS Collection 6 "Deep Blue" - Sayer - 2013 - Journal of G…
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 .
Crossref | ADS | Web of Science® | Google Scholar
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 .
Crossref | ADS | Web of Science® | Google Scholar
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 .
Crossref | ADS | Web of Science® | Google Scholar
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 .
Crossref | CAS | ADS | Web of Science® | Google Scholar
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 .
Wiley Online Library | ADS | Web of Science® | Google Scholar
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 .
Crossref | ADS | Web of Science® | Google Scholar
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 .
https://agupubs.onlinelibrary.wiley.com/doi/10.1002/jgrd.50600 21/24
28/4/2020 Validación y estimaciones de incertidumbre para los datos del aerosol MODIS Collection 6 "Deep Blue" - Sayer - 2013 - Journal of G…
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 .
Crossref | ADS | Web of Science® | Google Scholar
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 .
Crossref | ADS | 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 .
Wiley Online Library | ADS | Web of Science® | Google Scholar
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.
Crossref | ADS | Web of Science® | Google Scholar
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 .
Crossref | ADS | Web of Science® | Google Scholar
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 .
Crossref | ADS | Web of Science® | Google Scholar
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 .
Crossref | ADS | Web of Science® | Google Scholar
https://agupubs.onlinelibrary.wiley.com/doi/10.1002/jgrd.50600 22/24
28/4/2020 Validación y estimaciones de incertidumbre para los datos del aerosol MODIS Collection 6 "Deep Blue" - Sayer - 2013 - Journal of G…
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 .
Crossref | ADS | Web of Science® | Google Scholar
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.
Crossref | ADS | Web of Science® | Google Scholar
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 .
Crossref | CAS | ADS | Web of Science® | Google Scholar
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 .
Wiley Online Library | ADS | Web of Science® | Google Scholar
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 .
Wiley Online Library | ADS | Web of Science® | Google Scholar
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 .
Wiley Online Library | ADS | Web of Science® | Google Scholar
Citando literatura
Volver arriba
https://agupubs.onlinelibrary.wiley.com/doi/10.1002/jgrd.50600 23/24
28/4/2020 Validación y estimaciones de incertidumbre para los datos del aerosol MODIS Collection 6 "Deep Blue" - Sayer - 2013 - Journal of G…
PUBLICACIONES DE LA AGU
AGU.ORG
MEMBRESÍA AGU
RESOURCES
PUBLICATION INFO
Servicio de asistencia
Contáctenos
Oportunidades
Agentes de suscripción
Anunciantes y socios corporativos
Copyright © 1999-2020 John Wiley & Sons, Inc . Todos los derechos reservados
https://agupubs.onlinelibrary.wiley.com/doi/10.1002/jgrd.50600 24/24