Abstrak
Radiasi inframerah gelombang pendek (SWIR) di sekitar pita serapan CO 2 4,3 μm dari penyelidik hiperspektral yang mengorbit kutub memberikan informasi termodinamika yang berguna untuk model prediksi cuaca numerik (NWP). Radiasi tersebut tidak diasimilasi dalam model NWP operasional mana pun karena efek Kesetimbangan Termodinamika Non-Lokal (NLTE) dapat meningkatkan suhu kecerahan lebih dari 10 K. Mengasimilasi langsung radiasi SWIR yang terpengaruh NLTE merupakan tantangan karena dua alasan: (1) model transfer radiasi seperti Community Radiative Transfer Model (CRTM) meremehkan efek NLTE sebesar 0,76 K dari koefisien NLTE CRTM lama dan sebesar 0,46 K dari koefisien NLTE CRTM baru, yang menyebabkan perbedaan siang/malam dalam bias observasi minus latar belakang (OMB); dan (2) CRTM tidak mensimulasikan efek NLTE terkait aurora, yang dapat terjadi pada siang dan malam hari. Dalam studi ini, metodologi dikembangkan untuk mengoreksi bias simulasi CRTM NLTE guna meminimalkan perbedaan siang/malam dalam bias OMB dan untuk mengendalikan kualitas radiasi SWIR yang tidak dapat disimulasikan dengan baik oleh CRTM. Estimasi NLTE dari metode Spectral Correlations to Estimate Non-local Thermal Estilibrium (SCENTE) — yang menunjukkan kesesuaian yang lebih baik antara pengamatan dan latar belakang daripada yang dari simulasi CRTM — digunakan sebagai referensi untuk mengembangkan skema koreksi bias berbasis regresi linier. Evaluasi ekstensif dilakukan untuk memahami kinerja koreksi bias dan skema kendali kualitas. Hasil penelitian menunjukkan bahwa skema tersebut mengurangi perbedaan siang/malam dalam bias OMB hingga kurang dari 0,1 K untuk musim yang berbeda dan 0,14 K untuk sudut zenith satelit yang berbeda. Perbedaan kecil ini membuka potensi untuk mengasimilasi radiasi SWIR siang dan malam secara bersamaan. Selain itu, prosedur kendali kualitas efektif dalam menyaring radiasi SWIR yang dipengaruhi oleh efek NLTE terkait aurora. Persentase data malam hari yang lebih besar tersaring dibandingkan dengan siang hari, yang menggarisbawahi pentingnya menangani asimilasi radiasi SWIR malam hari. Terakhir, bias OMB yang besar di lintang tinggi yang dilaporkan dalam penelitian sebelumnya dihilangkan setelah koreksi bias dan kontrol kualitas.
1. PENDAHULUAN
Pemancar inframerah hiperspektral (Menzel et al . Menzel et al ., 2018 ) memberikan informasi termodinamika yang berguna untuk model prediksi cuaca numerik (NWP) global, terutama saluran pemancaran di sekitar pita serapan CO 2 15 μm . Studi telah menunjukkan bahwa pemancar inframerah hiperspektral memiliki dampak positif terbesar pada prakiraan cuaca dari instrumen tunggal mana pun (Cardinali, 2009 ). Penggunaan pengamatan radiansi inframerah gelombang pendek (SWIR) di sekitar pita serapan CO 2 4,3 μm dari pemancar inframerah hiperspektral telah dibatasi di pusat NWP operasional, meskipun radiansi SWIR memiliki sensitivitas suhu yang lebih tinggi (perubahan persentase radiansi terhadap perubahan persentase suhu yang sesuai) daripada radiansi inframerah gelombang panjang (LWIR) (Menzel, 2001 ) dan kurang terkontaminasi oleh uap air dan penyerapan ozon (Petty, 2006 ). Asimilasi radiasi SWIR menimbulkan lebih banyak tantangan daripada radiasi LWIR sebagian karena rumitnya efek Non-Local Thermodynamic Equilibrium (NLTE). NLTE terjadi ketika laju perubahan energi, karena tumbukan molekul, lebih kecil daripada yang berasal dari proses radiatif (López-Puertas & Taylor, 2001 ). Efek ini dapat meningkatkan suhu kecerahan yang diamati lebih dari 10 K dan sulit disimulasikan secara akurat oleh model transfer radiatif (RTM) (Matricardi et al ., 2018 ; Chen et al ., 2013 ; Desouza-Machado et al . DeSouza-Machado et al ., 2007 ). Dalam studi ini, komponen radiasi NLTE mengacu pada peningkatan suhu kecerahan karena efek NLTE.
Community Radiative Transfer Model (CRTM) telah mengembangkan model transfer radiatif cepat untuk mensimulasikan komponen radiansi NLTE untuk pita CO 2 4,3 μm akibat pemompaan surya siang hari (Chen et al ., 2013 ). Koefisien CRTM resmi yang digunakan untuk mensimulasikan komponen radiansi NLTE akan disebut sebagai koefisien CRTM lama dalam studi ini. Li et al . ( 2020 ) mengidentifikasi dua batasan utama simulasi NLTE CRTM dengan koefisien lama. (1) CRTM meremehkan efek NLTE sekitar 0,76 K, yang menyebabkan perbedaan siang/malam dalam bias observasi minus model background (OMB), yang mengakibatkan variasi diurnal yang kuat dalam berbagai bias OMB kanal. Latar belakang mengacu pada radiansi yang disimulasikan menggunakan model transfer radiatif dengan prakiraan NWP sebagai input. Dan (2) CRTM mengasumsikan bahwa tidak ada efek NLTE malam hari. Di lintang tinggi, di hadapan aktivitas aurora yang kuat, asumsi ini tidak benar (Kumer, 1977 ; López-Puertas & Taylor, 2001 ; Winick et al ., 1987 ). Perbedaan besar dan tidak dapat dijelaskan ditemukan dalam OMB untuk CRTM (Yin, 2016 ), Radiative Transfer untuk TIROS Operational Vertical Sounder (RTTOV) (Matricardi et al ., 2018 ), dan untuk kCompressed Atmospheric Radiative Transfer Algorithm (kCARTA) (Desouza-Machado et al . DeSouza-Machado et al ., 2007 ) di lintang tinggi selama musim dingin, yaitu, lintang serendah 45° LU antara November dan Januari dan 45° LS antara Mei dan Juli. Baru-baru ini, simulasi CRTM NLTE telah ditingkatkan menggunakan kumpulan data temperatur vibrasi yang telah direvisi (Jurado-Navarro et al ., 2015 ; Ma et al ., 2020 ) dan akan disebut sebagai koefisien CRTM baru dalam studi ini. Ma et al . ( 2020 ) menunjukkan bahwa koefisien baru mengurangi perkiraan yang terlalu rendah dari simulasi radiasi NLTE sebesar 0,3 K dibandingkan dengan koefisien lama. Sementara perkiraan yang terlalu rendah dari simulasi radiasi NLTE telah membaik, koefisien baru masih memiliki perkiraan yang terlalu rendah sekitar 0,46 K. Mengingat keterbatasan simulasi NLTE berbasis model transfer radiatif (RTM), hal itu perlu ditangani sebelum dampak positif dari asimilasi radiasi SWIR ke dalam model NWP dapat dicapai.
Komponen radiansi NLTE dapat diperkirakan dari radiansi SWIR dan LWIR yang diamati menggunakan Korelasi Spektral untuk Memperkirakan Ekuilibrium Termal Non-lokal (SCENTE, Li et al ., 2020 ). Ini disebut sebagai estimasi SCENTE NLTE. SCENTE dapat diterapkan pada pita SWIR NLTE pada siang dan malam hari. Sementara evaluasi menunjukkan kesesuaian yang lebih baik antara latar belakang dan pengamatan daripada simulasi CRTM, SCENTE rata-rata melebih-lebihkan radiansi NLTE sekitar 0,70 K. SCENTE menggunakan radiansi yang disimulasikan CRTM untuk pelatihan, sehingga bias radiansi dalam simulasi Ekuilibrium Termodinamika Lokal (LTE) ditransfer ke estimasi NLTE. Bias radiansi dalam estimasi NLTE SCENTE bervariasi secara spektral, spasial, dan temporal. Dalam studi ini, skema koreksi bias dikembangkan untuk mengatasi masalah ini. Karena estimasi SCENTE NLTE hanya menggunakan observasi sebagai input dan hanya pelatihan yang menggunakan simulasi CRTM, koreksi bias sangat meminimalkan ketergantungan estimasi SCENTE NLTE pada CRTM. Jadi, estimasi SCENTE NLTE sebagian besar bersifat objektif dan dapat digunakan untuk membantu meningkatkan simulasi CRTM NLTE.
Untuk memungkinkan pengamatan SWIR diasimilasi ke dalam model NWP, perbedaan bias siang/malam yang disebabkan oleh simulasi CRTM NLTE perlu diminimalkan. Tujuan utama dari studi ini adalah untuk mengembangkan metodologi untuk mengatasi masalah dengan simulasi radiansi CRTM NLTE. Minimalisasi bias siang/malam akan menjadi prosedur dua langkah: koreksi bias simulasi CRTM NLTE dan kontrol kualitas radiansi SWIR. Kedua prosedur harus seobjektif mungkin, artinya independen dari latar belakang. Skema koreksi bias akan berlaku untuk koefisien CRTM lama dan baru. Langkah ini hanya akan menghilangkan bias radiansi dalam simulasi CRTM NLTE. Simulasi radiansi CRTM SWIR yang dikoreksi bias akan tetap mengandung kemungkinan bias radiansi residual dalam simulasi LTE. Karena siang dan malam tunduk pada bias radiansi LTE residual yang sama, perbedaan siang/malam dalam bias OMB diharapkan minimal. Bias residual apa pun akan ditangani oleh skema koreksi bias NWP (Dee, 2004 ; Zhu et al ., 2014 ) dalam sistem asimilasi data. Pada langkah kedua, skema kendali mutu radiansi SWIR akan menolak observasi yang disimulasikan dengan buruk oleh CRTM. Simulasi yang buruk dapat terjadi pada siang dan malam. Pada siang hari, meskipun dikoreksi bias, simulasi NLTE CRTM hanya memperhitungkan efek NLTE karena pemompaan surya (Chen et al ., 2013 ). Ada mekanisme lain yang dapat menyebabkan efek NLTE, seperti yang terkait dengan aurora (Li et al ., 2020 ). Pada malam hari, CRTM mengasumsikan tidak ada efek NLTE. Di area dengan efek NLTE malam hari, observasi akan jauh lebih besar daripada latar belakang. Observasi tersebut tidak dapat diasimilasi karena CRTM tidak memiliki kapabilitas untuk mensimulasikan efek NLTE ini. Salah satu sumber NLTE malam hari adalah aurora. Aktivitas aurora sebagian besar terjadi di lintang tinggi tetapi dapat mencapai lintang tengah serendah 45° LU dan 45° LS (Shiokawa et al ., 2005 ). Oleh karena itu, prosedur pengendalian mutu diperlukan untuk menghilangkan radiasi SWIR yang memiliki perbedaan besar dibandingkan dengan latar belakang modelnya.
Makalah ini disusun sebagai berikut. Bagian 2 memperkenalkan data yang digunakan dalam studi ini, termasuk pengamatan Cross track Infrared Sounder Full Spectral Resolution (CrIS-FSR) dan analisis European Centre for Medium-Range Weather Forecast (ECMWF). Bagian 3 menyajikan metodologi koreksi bias dan skema kendali mutu untuk simulasi CRTM NLTE. Evaluasi kinerja koreksi bias dan prosedur kendali mutu disediakan di Bagian 4 , dan diikuti oleh ringkasan dan pembahasan di Bagian 5. Penerapan teknik dan asimilasi akan dibahas dalam studi terpisah.
2 DATA
Satu hari setiap minggu dari catatan data sensor CrIS-FSR, pengamatan dari satelit NOAA-20 dikumpulkan untuk tahun 2020. Ada lebih dari 130 juta bidang pandang (FOV) dalam kumpulan data ini. Jumlah data yang besar ini memungkinkan analisis komprehensif seperti perbandingan siang/malam, ketergantungan pada geolokasi, musim, dan sudut matahari, untuk dilakukan dalam studi ini. Analisis ECMWF untuk periode waktu yang sama juga dikumpulkan. Profil termodinamika atmosfer dan kondisi permukaan diinterpolasi secara spasial dan temporal ke FOV CrIS-FSR. Mereka digunakan sebagai input untuk simulasi CRTM untuk menghasilkan latar belakang atau simulasi radiasi CrIS-FSR dengan dan tanpa efek NLTE. Analisis ECMWF tersedia setiap enam jam. Interpolasi temporal akan menghasilkan kesalahan yang lebih besar untuk profil troposfer bawah karena variasi diurnal yang kuat diharapkan. Namun, dampak ini minimal untuk saluran CrIS-FSR SWIR yang sangat dipengaruhi oleh efek NLTE karena sebagian besarnya tidak sensitif terhadap permukaan.
Ada dua versi koefisien untuk simulasi CRTM NLTE. Versi lama telah tersedia untuk semua versi CRTM (Chen et al ., 2012 ; Chen et al ., 2013 ). Versi baru baru-baru ini dikembangkan oleh Ma et al . ( 2020 ) dengan profil suhu getaran yang direvisi, tetapi belum tersedia dalam versi CRTM resmi kecuali untuk CrIS/NOAA-21. Evaluasi yang dilakukan oleh Ma et al . ( 2020 ) menunjukkan bahwa bias OMB berkurang sebesar 0,3 K dengan koefisien baru jika dibandingkan dengan bias dari koefisien lama. Dalam studi ini, kedua set koefisien digunakan untuk simulasi CRTM. Tujuannya adalah untuk lebih lanjut membandingkan kedua set koefisien dan melakukan analisis komprehensif terhadap bias dalam simulasi CRTM NLTE.
3 METODOLOGI
Seperti disebutkan sebelumnya, salah satu tantangan dalam mengasimilasi radiasi SWIR adalah efek NLTE. Efek NLTE dapat terjadi dengan mekanisme yang berbeda (Kalogerakis et al ., 2016 ; Kumer, 1977 ; López-Puertas & Taylor, 2001 ; López-Puertas et al ., 2004 ; Sharma et al ., 2015 ; Winick et al ., 1987 ). Mekanisme yang paling umum adalah pemompaan surya di stratosfer. Mekanisme ini lebih dipahami daripada yang lain. Efek NLTE karena pemompaan surya dapat disimulasikan oleh RTM komunitas, seperti CRTM dan RTTOV. Studi ini berfokus pada pekerjaan persiapan pada simulasi radiasi SWIR CrIS-FSR sehingga dapat diasimilasi ke dalam model NWP. Persiapan ini memiliki dua langkah utama: (1) skema koreksi bias untuk meminimalkan bias dalam simulasi CRTM NLTE, dan (2) kontrol kualitas untuk menghilangkan radiasi SWIR yang disimulasikan dengan buruk oleh CRTM. Teknik yang dikembangkan dalam penelitian ini dapat diterapkan pada alat pengukur inframerah hiperspektral lainnya seperti Infrared Atmospheric Sounding Interferometer, Atmospheric Infrared Sounder, dan Hyperspectral Infrared Atmospheric Sounder, yang semuanya memiliki pita SWIR dan LWIR.
Untuk melakukan koreksi bias pada simulasi CRTM NLTE, diperlukan data referensi yang bebas bias atau dengan bias minimal. Estimasi SCENTE NLTE yang telah dikoreksi bias akan digunakan sebagai referensi untuk mengembangkan skema koreksi bias untuk simulasi CRTM NLTE siang hari. Simulasi CRTM NLTE yang telah dikoreksi bias akan dibandingkan dengan estimasi SCENTE NLTE yang telah dikoreksi bias dan perbedaan antara keduanya akan digunakan dalam skema kendali mutu. Perbedaan yang besar mengindikasikan simulasi CRTM yang buruk atau estimasi SCENTE NLTE yang telah dikoreksi bias yang buruk. Dalam kedua kasus tersebut, radiansi SWIR akan dikecualikan dari asimilasi. Penting untuk dicatat bahwa kemungkinan keduanya disimulasikan dengan buruk dan saling meniadakan adalah kecil, karena semua saluran NLTE akan digunakan untuk kendali mutu. Evaluasi simulasi radiansi SWIR CRTM yang telah dikoreksi bias dan dikendalikan mutunya terhadap pengamatan akan memberikan wawasan apakah radiansi SWIR berpotensi dapat diasimilasi menggunakan CRTM. Perlu dicatat bahwa fokus dari penelitian ini adalah untuk mengembangkan metodologi koreksi bias dan skema kontrol kualitas. Evaluasi dilakukan berdasarkan OMB, di mana latar belakang model disimulasikan dari analisis ECMWF.
3.1 Estimasi SCENTE NLTE
Karena baik saluran SWIR maupun LWIR CO2 merasakan atmosfer yang sama, keduanya sangat berkorelasi. Radiasi LWIR dapat digunakan untuk memprediksi radiasi SWIR. SWIR sensitif terhadap efek NLTE sedangkan LWIR tidak. Jadi, radiasi SWIR yang diprediksi hanya mencerminkan kontribusi LTE, sedangkan yang diamati mungkin mengandung komponen LTE dan NLTE. Perbedaan antara pengamatan dan prediksi merupakan indikator yang baik dari komponen radiasi NLTE. Evaluasi oleh Li et al . ( 2020 ) menunjukkan kesesuaian yang lebih baik antara pengamatan dan latar belakang, dengan bias rata-rata dan deviasi standar (STD) yang lebih kecil. SCENTE diterapkan pada satu set 149 saluran stratosfer CrIS SWIR. Saluran-saluran ini dipilih untuk menghindari potensi kontaminasi awan. Untuk detail lebih lanjut tentang metodologi SCENTE, rujuk Li et al . ( 2020 ).
Li et al . ( 2020 ) menunjukkan bahwa satu set koefisien statis berlaku untuk semua musim untuk SCENTE. Namun, koefisien statis hanya berasal dari data delapan hari (dua hari untuk setiap musim). Untuk memastikan penerapan yang lebih luas, koefisien statis diperbarui dalam studi ini dengan data dari satu hari setiap minggu untuk tahun 2020 (total 52 hari). Gambar 1 menunjukkan contoh radian NLTE yang diperkirakan SCENTE bersama dengan simulasi CRTM. Gambar 1a menunjukkan pola radian NLTE seperti yang dicirikan oleh perbedaan antara radian SWIR yang diamati (2336,25 cm −1 ) dan LWIR (667,5 cm −1 ). Perhatikan bahwa kedua saluran ini mencapai puncak di sekitar ketinggian yang sama, tetapi keduanya tidak identik, jadi perbedaannya terutama mencerminkan pola dan bukan nilai sebenarnya dari radian NLTE di saluran SWIR. Terlihat bahwa efek NLTE tidak hanya terjadi pada siang hari saja. Daerah kutub utara pada malam hari juga memiliki beberapa efek NLTE. Di sisi lain, simulasi CRTM tidak memiliki radiansi NLTE malam hari. Koefisien baru tampaknya memiliki efek NLTE yang lebih kuat daripada koefisien lama. Li et al . ( 2020 ) menunjukkan bahwa koefisien lama meremehkan efek NLTE dengan rata-rata spektral 0,76 K berdasarkan data delapan hari yang dipilih. Ma et al . ( 2020 ) menunjukkan bahwa koefisien baru mengurangi perkiraan yang terlalu rendah sebesar 0,3 K. Bahkan dengan koefisien baru, CRTM masih meremehkan efek NLTE siang hari. Estimasi NLTE SCENTE tampaknya memiliki efek NLTE yang lebih kuat daripada simulasi CRTM. Ini juga menunjukkan efek NLTE malam hari di daerah kutub utara, yang konsisten dengan pola NLTE pada Gambar 1a . Li et al . ( 2020 ) menunjukkan bahwa SCENTE melebih-lebihkan efek NLTE dengan rata-rata spektral sekitar 0,7 K. Hal ini disebabkan oleh proses pelatihan SCENTE karena bias LTE CRTM. Meskipun kesesuaian keseluruhan antara observasi dan latar belakang lebih baik, bias tersebut perlu diperbaiki sebelum estimasi NLTE SCENTE dapat digunakan untuk membantu asimilasi radiasi SWIR.
3.2 Koreksi bias pada estimasi SCENTE NLTE
Koreksi bias estimasi SCENTE NLTE berfokus pada penghapusan bias yang disebabkan oleh kesalahan dalam CRTM LTE selama pelatihan. Cara paling mudah untuk melakukan koreksi bias estimasi SCENTE NLTE adalah dengan menghapus bias rata-rata sepanjang waktu. Namun, Li et al ., 2020 menunjukkan bahwa bias dalam estimasi SCENTE NLTE memiliki variasi musiman, yang menunjukkan kemungkinan ketergantungan pemandangan. Suhu kecerahan pemandangan dapat berubah baik secara temporal maupun spasial. Untuk menghilangkan bias dalam estimasi SCENTE NLTE dengan lebih baik, skema koreksi bias perlu memperhitungkan ketergantungan pemandangan tersebut. Ketersediaan kumpulan data besar yang dikumpulkan memungkinkan bias diperkirakan untuk lokasi dan waktu yang berbeda. Lebih khusus lagi, bias akan diperkirakan sehubungan dengan garis lintang yang dikelompokkan pada 5° dalam garis lintang dan waktu yang dikelompokkan pada satu minggu. Data dikelompokkan sehubungan dengan garis lintang, bukan garis bujur karena semua 149 saluran adalah saluran dengan puncak tinggi dan suhu kecerahannya memiliki lebih banyak variasi secara meridional daripada secara zonal. Perhatikan bahwa ketergantungan bias estimasi SCENTE NLTE pada sudut zenith matahari tidak dipertimbangkan secara eksplisit, karena hal itu dijelaskan oleh korelasinya dengan ketergantungan lintang.
Tanpa pengukuran radiansi NLTE independen yang lebih akurat, sulit untuk secara langsung memperkirakan bias dalam estimasi NLTE SCENTE. Namun, diketahui bahwa untuk sebagian besar waktu di malam hari, tidak ada efek NLTE. Jadi, ketika SCENTE diterapkan pada pengamatan malam hari, radiansi NLTE yang diperkirakan harus 0. Setiap penyimpangan sistematis dari 0 menunjukkan kemungkinan bias. Gambar 2 menunjukkan contoh histogram estimasi NLTE SCENTE malam hari untuk saluran CrIS yang dipilih secara acak pada 2320,625 cm −1 . Untuk periode waktu dan wilayah khusus ini, tidak ada efek NLTE malam hari yang jelas. Histogram yang dihaluskan tampak Gaussian. Ekor kanan yang panjang dalam histogram akan menjadi indikasi efek NLTE malam hari. Idealnya bias yang disimpulkan dari histogram harus paling sedikit terpengaruh oleh efek NLTE sehingga mencerminkan bias sebenarnya dalam estimasi NLTE SCENTE. Beberapa strategi diterapkan untuk memungkinkan hal itu. Pertama, bias dalam estimasi SCENTE NLTE diidentifikasi menggunakan modus atau nilai yang paling sering (0,71 K), yang merupakan lokasi puncak histogram. Nilai modus digunakan sebagai ganti nilai rata-rata karena histogram dapat memiliki ekor kanan yang panjang jika ada efek NLTE malam hari. Jika histogram adalah Gaussian, nilai rata-rata dan nilai modus akan sama. Namun, ditemukan bahwa bias sangat bervariasi secara temporal dan latitudinal. Hal ini tampaknya disebabkan oleh variasi temporal dan latitudinal yang tinggi dari aktivitas aurora. Untuk mengurangi hal itu, strategi kedua berfokus pada penghalusan temporal dan latitudinal. Hal ini diwujudkan dengan menggunakan rentang latitudinal yang lebih luas sebesar 25° dan periode waktu yang lebih lama selama lima minggu untuk membuat histogram. Misalnya, bias mode sebesar 0,71 K dari Gambar 2 akan ditetapkan sebagai bias untuk garis lintang dari 90° S hingga 85° S untuk periode waktu dari 6 hingga 13 Oktober 2020. Prosedur yang sama diterapkan ke semua lokasi, semua periode waktu, dan semua 149 saluran SWIR.
Sebagian besar bias berada di antara 0 dan 1,5 K pada Gambar 3a . Nilai positif yang besar terjadi di lintang tinggi dan kemungkinan besar karena kontaminasi efek NLTE malam hari. Misalnya, pada bulan Mei/Juni/Juli (minggu ke-22 hingga ke-32), kutub selatan berada di musim dingin dan dengan demikian tanpa dampak sinar matahari langsung. Namun, ada bias positif yang besar, kemungkinan besar disebabkan oleh efek NLTE malam hari yang kuat. Di kutub utara pada bulan November/Desember/Januari, biasnya juga besar, meskipun tidak sebesar yang berasal dari musim dingin kutub selatan. Karena bias positif yang besar ini sebagian besar disebabkan oleh efek NLTE dalam pengamatan, bias tersebut tidak dapat digunakan untuk mengkarakterisasi bias estimasi SCENTE, dan bias tersebut harus disaring. Ada data yang hilang di wilayah kutub karena musim panas kutub.
Prosedur penyaringan sederhana diterapkan untuk menyaring bias positif besar terkait NLTE malam hari. Ini adalah strategi ketiga yang diterapkan untuk mengurangi dampak efek NLTE malam hari. Bias rata-rata dihitung sebagai nilai rata-rata semua bias pada Gambar 3a . Kemudian, nilai ini dihilangkan dari semua nilai bias. Jika nilai absolut dari nilai residual apa pun lebih besar dari 2,5 kali STD, maka nilai ini dianggap sebagai outlier. Gambar 3b menunjukkan hasil setelah penghilangan outlier. Gambar ini dengan jelas menunjukkan bahwa bias dalam estimasi NLTE SCENTE memiliki variasi temporal dan meridional. Meskipun tidak sempurna, pola pada Gambar 3b tampak agak simetris sekitar minggu ke-26, yang secara fisik masuk akal karena disebabkan oleh iterasi musim. Gambar 3b menunjukkan bahwa sebagian besar radiasi SWIR malam hari di lintang tinggi tidak cocok untuk asimilasi karena efek NLTE.
Bias yang sama persis dihilangkan dari estimasi SCENTE NLTE siang hari. Bias tersebut dapat langsung diterapkan pada siang hari karena ada sedikit perbedaan dalam suhu kecerahan LTE antara siang hari dan malam hari (ini diverifikasi dengan membandingkan pengamatan LWIR yang memuncak pada ketinggian yang sama dan simulasi SWIR LTE). Estimasi SCENTE NLTE yang dikoreksi bias siang hari dianggap objektif, yang berarti bahwa estimasi tersebut independen dari atau bergantung lemah pada latar belakang karena dihitung dari pengamatan radiansi LWIR dan SWIR CrIS-FSR yang diamati. Ketergantungan pada CRTM dalam proses pelatihan menghasilkan estimasi SCENTE NLTE yang terlalu tinggi. Ketergantungan pada CRTM seharusnya minimal setelah estimasi yang terlalu tinggi dihilangkan. Oleh karena itu, estimasi SCENTE NLTE yang dikoreksi bias dapat digunakan sebagai referensi untuk koreksi bias simulasi CRTM NLTE.
3.3 Koreksi bias simulasi CRTM NLTE
Simulasi CRTM NLTE meremehkan efek NLTE sebesar 0,76 K (Li et al ., 2020 ) yang merupakan rata-rata spektral selama delapan hari yang dipilih dari empat musim. Seperti yang ditunjukkan pada bagian sebelumnya, bias CRTM NLTE menunjukkan variasi spektral, spasial, dan temporal, yang menunjukkan kinerja yang tidak memuaskan dalam simulasi NLTE. Skema koreksi bias variasional (VarBC) saat ini (Dee, 2004 ) yang digunakan dalam sistem asimilasi data adalah model berbasis statistik. Sementara VarBC dapat menangani bias dengan variasi spektral, spasial, dan temporal, menggunakan estimasi SCENTE NLTE sebagai referensi memungkinkan skema koreksi bias dibatasi dengan lebih baik, dengan lebih efektif menghilangkan jenis bias spesifik ini sebelum VarBC diterapkan.
Skema koreksi bias untuk simulasi CRTM NLTE dapat diwujudkan menggunakan teknik regresi linier:
di mana predictand y adalah vektor baris simulasi CRTM NLTE yang dikoreksi bias, x adalah vektor baris prediktor, dan K adalah matriks koefisien regresi. Dalam pelatihan, estimasi SCENTE NLTE yang dikoreksi bias digunakan sebagai predictand. Prediktor yang disertakan adalah komponen NLTE yang disimulasikan oleh CRTM (selisih antara NLTE yang dihidupkan dan dimatikan), simulasi CRTM LTE, sudut zenith matahari, dan sudut zenith lokal satelit. Simulasi CRTM NLTE adalah prediktor yang paling penting, dan juga merupakan variabel yang akan dikoreksi. Ini membantu melinearisasi masalah koreksi bias, yang bermanfaat bagi proses regresi. Simulasi CRTM LTE disertakan karena efek NLTE terkait dengan suhu lokal (Chen et al ., 2013 ; Matricardi et al ., 2018 ). Profil analisis ECMWF menyediakan input untuk simulasi CRTM LTE dan NLTE. Perhitungan dilakukan pada dua sudut yang berbeda untuk memperhitungkan dampak geometri. Koefisien regresi diturunkan menggunakan
Evaluasi koreksi bias untuk simulasi CRTM NLTE difokuskan pada penyesuaian antara observasi dan latar belakang model, yang disediakan oleh analisis ECMWF. Gambar 4 menunjukkan bias STD dan rata-rata OMB sebelum dan sesudah koreksi bias. Terlepas dari set koefisien CRTM yang digunakan, Gambar 4 menunjukkan bahwa koreksi bias CRTM NLTE secara signifikan meningkatkan penyesuaian. Gambar 4a menunjukkan bahwa STD rata-rata OMB berkurang dari 0,70 menjadi 0,62 K dengan koefisien CRTM lama. Koefisien lama memiliki nilai STD yang lebih besar dibandingkan dengan yang baru sebelum koreksi bias, yang menunjukkan bahwa koefisien baru meningkatkan simulasi CRTM NLTE. Yang lebih penting, koreksi bias menghasilkan STD yang sama (nilai rata-rata 0,62 K) untuk bias yang dikoreksi untuk kedua set koefisien CRTM, yang menunjukkan kekokohan skema koreksi bias. Bias rata-rata OMB yang dikoreksi bias NLTE pada Gambar 4b menunjukkan hasil yang serupa. Bias OMB rata-rata dari koefisien CRTM baru secara signifikan lebih kecil daripada bias dari koefisien lama sebelum koreksi bias. Bias OMB rata-rata menggunakan koefisien CRTM baru hanya 0,98 K, jauh lebih kecil daripada 1,40 K dari koefisien CRTM lama. Sekali lagi, ini menunjukkan koefisien baru meningkatkan simulasi CRTM NLTE. Dan skema koreksi bias sekali lagi sama efektifnya untuk mengoreksi simulasi CRTM NLTE sehingga bias OMB residual saling tumpang tindih. Perhatikan bahwa skema koreksi bias ini hanya mengoreksi bias dalam simulasi CRTM NLTE. Akibatnya, bias OMB residual pada Gambar 4b tidak 0. Rata-rata spektral adalah 0,78 K. Ini adalah bias OMB residual yang disebabkan oleh bias dalam simulasi CRTM LTE. Hasil ini menunjukkan bahwa CRTM meremehkan radiansi LTE sebesar 0,78 K, konsisten dengan temuan sebelumnya yang hanya menggunakan data delapan hari (Li et al ., 2020 ). Bias sisa dalam simulasi CRTM akan ditangani oleh VarBC selama asimilasi.
Skema koreksi bias untuk simulasi CRTM NLTE berdasarkan Persamaan ( 2 ) bergantung pada model prakiraan NWP yang digunakan dalam proses tersebut. Kontribusinya berasal dari penggunaan estimasi SCENTE NLTE sebagai referensi atau prediktan dalam pelatihan dan simulasi CRTM LTE dalam pelatihan SCENTE. Namun, hal itu hanya bergantung secara lemah. Li et al . ( 2020 ) menunjukkan bahwa ketergantungan latar belakang SCENTE disebabkan oleh perkiraan yang terlalu rendah dalam simulasi CRTM LTE di wilayah SWIR. Akibatnya, SCENTE melebih-lebihkan efek NLTE. Koreksi bias yang diperkenalkan di Bagian 3.2 menghilangkan perkiraan yang terlalu tinggi dan meminimalkan ketergantungan pada latar belakang, sehingga membuat estimasi SCENTE NLTE lebih objektif.
Simulasi CRTM LTE dan NLTE digunakan sebagai prediktor dalam skema koreksi bias. Ketidakpastian di latar belakang, seperti profil temperatur model, menimbulkan ketidakpastian dalam radiasi LTE dan NLTE yang disimulasikan CRTM. Ini dapat terjadi ketika skema koreksi bias diimplementasikan dalam sistem asimilasi data di mana model NWP yang sesuai memberikan profil temperatur prakiraan, bukan analisis ECMWF. Ketidakpastian ini akan menyebar ke simulasi CRTM NLTE yang dikoreksi bias melalui Persamaan ( 1 ). Untuk mengukur ketergantungan koreksi bias simulasi CRTM NLTE, studi sensitivitas dilakukan. Profil temperatur atmosfer standar AS 1976 terganggu dari 1 hingga 5 K di semua level. Gambar 5 menunjukkan galat yang muncul dalam koreksi bias dengan ketidakpastian yang berbeda dalam profil temperatur. Galat didefinisikan sebagai perubahan dalam koreksi bias, yang merupakan selisih antara radiasi CRTM NLTE yang dikoreksi bias dan radiasi CRTM NLTE asli. Ketidakpastian 1 K dalam profil suhu menyebabkan kesalahan rata-rata -0,04 K. Sementara kesalahan rata-rata hanya -0,18 K pada ketidakpastian 5 K, beberapa saluran memiliki kesalahan lebih dari -0,25 K. Hasil ini menunjukkan bahwa kesalahan dalam koreksi bias simulasi CRTM NLTE, karena ketidakpastian profil suhu yang kecil, adalah kecil. Namun, ketidakpastian profil suhu yang besar dapat menimbulkan kesalahan substansial dalam koreksi bias.
3.4 Kontrol kualitas
Simulasi NLTE CRTM tidak memperhitungkan semua sumber efek NLTE. Misalnya, CRTM mengasumsikan tidak ada efek NLTE malam hari, yaitu yang terkait dengan aurora. Pada siang hari, CRTM hanya mensimulasikan efek NLTE yang disebabkan oleh pemompaan tenaga surya. Namun, efek NLTE terkait aurora dapat terjadi baik siang maupun malam. Setiap pengamatan radiasi SWIR yang dipengaruhi oleh efek NLTE terkait aurora tidak dapat disimulasikan secara akurat oleh CRTM. Meskipun persentase pengamatan yang terkontaminasi aurora mungkin kecil, mengasimilasinya dapat membahayakan analisis dan perkiraan dampak. Skema kendali mutu diperkenalkan di bagian ini untuk menyaring pengukuran tersebut.
Dalam asimilasi radian, prosedur kontrol kualitas berdasarkan perbandingan antara pengamatan dan latar belakang digunakan untuk menghilangkan pengamatan dengan OMB besar. Teknik ini sangat bergantung pada keakuratan latar belakang dan RTM, sehingga radian yang disimulasikan dengan buruk mungkin tidak dapat dihilangkan secara efektif. Dalam studi ini, skema kontrol kualitas komplementer dikembangkan berdasarkan perbandingan simulasi CRTM NLTE yang dikoreksi bias dan estimasi SCENTE NLTE yang dikoreksi bias. Jika perbedaannya besar, keduanya harus ditolak. Karena simulasi CRTM NLTE yang dikoreksi bias dan estimasi SCENTE NLTE yang dikoreksi bias bergantung lemah pada latar belakang, skema kontrol kualitas ini hanya bergantung lemah pada latar belakang juga. Skema kontrol kualitas ini juga berfungsi untuk malam hari. Pada malam hari, simulasi CRTM NLTE yang dikoreksi bias pada dasarnya nol. Satu-satunya istilah yang penting adalah estimasi SCENTE NLTE yang dikoreksi bias. Jika mendekati nol, pengamatan malam hari dapat diasimilasi.
Evaluasi skema kendali mutu didasarkan pada analisis OMB, di mana analisis ECMWF menyediakan latar belakang model. Gambar 6 menunjukkan histogram OMB yang dinormalisasi dengan kendali mutu untuk siang hari dan malam hari serta simulasi CRTM NLTE untuk siang hari sebelum koreksi bias. Kendali mutu dilakukan setelah koreksi bias. Untuk kanal dengan bilangan gelombang 2320,625 cm −1 , OMB siang hari sebelum koreksi bias memiliki bias rata-rata 1,49 K dan bias mode adalah 1,50 K ketika koefisien CRTM lama digunakan. Koefisien CRTM yang baru secara substansial mengurangi bias rata-rata menjadi 1,08 K dan bias mode menjadi 1,07 K. Fakta bahwa perbedaan antara bias rata-rata dan mode kurang dari 0,01 K menunjukkan bahwa histogramnya cukup Gaussian. Seperti ditunjukkan dalam Bagian 3.3 , koreksi bias simulasi CRTM NLTE sama efektifnya untuk kedua set koefisien CRTM. Hasil dari satu set koefisien CRTM dengan kontrol kualitas akan disajikan.
Prosedur kontrol kualitas diuji dengan nilai ambang batas yang berbeda. Gambar 6 menunjukkan bahwa siang hari dan malam hari memiliki bias OMB yang serupa. Terlepas dari nilai ambang batas yang digunakan, siang hari memiliki bias rata-rata sekitar 0,79 K, dan malam hari sebanding pada sekitar 0,81 ˜ 0,83 K. Bias mode adalah 0,78 K untuk siang hari dan 0,75 ˜ 0,77 K untuk malam hari. Perbedaan kecil antara siang hari dan malam hari menunjukkan bahwa perbedaan siang/malam dalam bias OMB kecil. Sementara ambang batas memiliki sedikit dampak pada bias, mereka memiliki pengaruh yang lebih besar pada STD dan berdampak signifikan pada jumlah pengamatan yang lolos kontrol kualitas. Dengan ambang batas ±0,5 K, 75,2% data siang hari lolos, sementara hanya 48,7% data malam hari lolos kontrol kualitas. STD OMB hanya 0,43 K untuk siang hari dan 0,50 K untuk malam hari. Bila nilai ambang batas yang lebih besar digunakan, lebih banyak data yang lolos kontrol kualitas, tetapi STD OMB meningkat secara substansial, dan histogram menjadi lebih lebar. Dari Gambar 6 , tampak bahwa hasil pada malam hari lebih kecil daripada pada siang hari. Sebagian alasannya adalah bahwa radian pada malam hari lebih kecil, yang berbanding terbalik dengan kebisingan suhu kecerahan. Nilai ambang batas yang tetap akan menolak lebih banyak pengamatan pada malam hari karena memiliki kebisingan yang lebih tinggi. Oleh karena itu, penting untuk menggunakan kontrol kualitas yang bergantung pada pemandangan. Hal ini diwujudkan dengan menggunakan ambang batas
, Di mana
adalah suatu konstanta, dan
adalah suhu diferensial ekivalen derau untuk saluran i . Suatu pengamatan akan lolos kontrol kualitas ini jika perbedaan antara simulasi NLTE CRTM yang dikoreksi bias dan estimasi NLTE SCENTE yang dikoreksi bias lebih kecil dari ambang batas.
Hasil yang lebih komprehensif dengan semua saluran spektral dipertimbangkan ditunjukkan pada Gambar 7. Untuk semua 149 saluran SWIR, dampak dari ambang batas yang berbeda pada bias rata-rata dan bias mode kecil. Spektrum bias rata-rata tumpang tindih satu sama lain, dan rata-rata bias rata-rata di seluruh spektrum adalah sekitar 0,73–0,74 K. Seperti disebutkan sebelumnya, ini adalah bias residual antara pengamatan dan latar belakang, yang akan ditangani oleh skema koreksi bias NWP selama asimilasi. Spektrum bias mode juga tumpang tindih satu sama lain, dan rata-rata bias mode di seluruh spektrum adalah 0,73 K. Perbedaan kecil antara bias rata-rata dan mode menunjukkan histogram OMB adalah Gaussian. Dampak dari ambang batas yang berbeda pada jumlah pengamatan yang lolos kontrol kualitas adalah signifikan. Ketika ambang batas ditingkatkan dari dua menjadi tiga kali NEdT, jumlah pengamatan meningkat dari 42,3% menjadi 89,2%. Ambang batas yang lebih besar yaitu lima kali NEdT meningkatkan jumlah pengamatan menjadi 99,1%. Dampak dari ambang batas yang berbeda pada STD OMB cukup besar. Ambang batas yang lebih besar menyebabkan STD yang lebih besar. Rata-rata STD di seluruh spektrum meningkat dari 0,58 menjadi 0,64 K ketika ambang batas ditingkatkan dari dua menjadi lima kali NEdT.
Sangat menarik bahwa ambang batas yang berbeda memiliki dampak kecil pada bias rata-rata dan mode. Seperti disebutkan, baik siang maupun malam tunduk pada efek NLTE terkait aurora, yang meningkatkan radiasi SWIR yang diamati. Efek NLTE tersebut tidak dapat disimulasikan oleh CRTM, sehingga menghasilkan simulasi yang lebih kecil daripada pengamatan. Oleh karena itu, bias OMB yang jauh lebih besar harus diharapkan ketika ambang batas yang lebih besar digunakan. Untuk membantu memahami hal ini, Tabel 1 menunjukkan statistik untuk pengamatan yang telah ditolak karena kontrol kualitas. Ketika ambang batas terbesar 5 * NEdT digunakan, rata-rata bias rata-rata di seluruh spektrum adalah 1,10 K untuk siang hari bersama dengan 0,9% yang ditolak. Ketika ambang batas semakin kecil, lebih banyak data yang ditolak dan rata-rata spektral bias rata-rata semakin kecil. Tren ini lebih mendalam untuk malam hari, di mana bias rata-rata berkurang dari 1,45 K menjadi 0,71 K ketika ambang batas dikurangi dari lima menjadi dua kali NEdT. Hasil ini menunjukkan bahwa kontrol kualitas efektif dalam menolak radiansi yang dipengaruhi oleh efek NLTE terkait aurora. Observasi yang dipengaruhi oleh efek NLTE terkait aurora dengan OMB besar hanya mewakili persentase kecil dari total observasi. Oleh karena itu, penolakan observasi ini oleh prosedur kontrol kualitas memiliki dampak kecil pada bias rata-rata dan mode. Bias mode menunjukkan tren yang serupa.
| Bias rata-rata (K) | Bias modus (K) | Penyakit Menular Seksual (K) | Menghasilkan (%) | |||||
|---|---|---|---|---|---|---|---|---|
| Ambang batas | Hari | Malam | Hari | Malam | Hari | Malam | Hari | Malam |
| 2 * Timur Tengah | 0,75 | 0.71 | 0.74 | 0.71 | 0.69 | 1.01 | 57.7 | 98.5 |
| 3 * Timur Tengah | 0.81 | 0,80 | 0,77 | 0.74 | 0.83 | 1.05 | 10.8 | 37.9 |
| 4 * Timur Laut | 0,93 | 1.09 | 0.82 | 0,80 | 0,97 | 1.21 | 2.6 | 7.2 |
| 5 * Timur Tengah | 1.10 | 1.45 | 0,89 | 0.92 | 1.10 | 1.41 | 0.9 | 2.1 |
Catatan : 149 saluran inframerah gelombang pendek (SWIR) dari 2290 hingga 2382,5 cm −1 digunakan. Koreksi bias diterapkan pada radiansi Kesetimbangan Termodinamika Non-Lokal (NLTE) yang disimulasikan Community Radiative Transfer Model (CRTM) dengan metode yang diperkenalkan di Bagian 3.3 . Kontrol kualitas mengikuti metode yang diperkenalkan di Bagian 3.4 dengan ambang batas yang berbeda. Data dari tahun 2020 digunakan.
Tabel 1 juga menunjukkan bahwa pengamatan SWIR malam hari mungkin lebih rentan terhadap efek NLTE terkait aurora. Ketika ambang batas terbesar 5 * NEdT digunakan, 2,1% pengamatan malam hari ditolak, jauh lebih banyak daripada 0,9% dari siang hari. Selain itu, rata-rata bias rata-rata di seluruh spektrum adalah 1,45 K untuk malam hari, jauh lebih besar daripada 1,10 K untuk siang hari. Ambang batas yang lebih kecil menyebabkan lebih banyak pengamatan yang ditolak, tetapi tetap benar bahwa persentase pengamatan yang ditolak lebih besar pada malam hari daripada siang hari. Ini konsisten dengan prakiraan aurora oleh Pusat Prediksi Cuaca Antariksa NOAA yang menunjukkan bahwa malam hari lebih rentan terhadap aktivitas aurora daripada siang hari ( https://www.swpc.noaa.gov/products/aurora-30-minute-forecast ).
Analisis di atas menunjukkan bahwa ambang batas yang kecil meningkatkan kualitas data (STD dan bias yang lebih kecil) tetapi mengurangi persentase pengamatan yang lolos kontrol kualitas. Ambang batas optimal tidak jelas. Sebagai demonstrasi, ambang batas 3,05 * NEdT yang menghasilkan 90% data siang hari dipilih untuk siang dan malam. Penting untuk dicatat bahwa ambang batas bergantung pada pemandangan, dengan pemandangan dingin menggunakan ambang batas yang lebih besar. NEdT dihitung menggunakan turunan Fungsi Planck:
di mana NEdR adalah radiasi delta ekivalen derau, R adalah Fungsi Planck, dan T adalah suhu. Sebagai referensi, NEdT rata-rata adalah 0,57 K (siang) dan 1,09 K (malam) di 149 saluran SWIR.
Masalah utama dalam asimilasi radiansi SWIR adalah perbedaan siang/malam dalam bias OMB yang disebabkan oleh ketidakpastian dalam simulasi NLTE. Gambar 6 menunjukkan bahwa skema koreksi bias dan kendali mutu yang dikembangkan dapat sangat mengurangi perbedaan siang/malam untuk saluran tunggal pada 2320,625 cm −1 . Tabel 2 menunjukkan statistik OMB untuk semua 149 saluran spektral SWIR, yang konsisten dengan Gambar 6 . Untuk bias rata-rata dan mode, perbedaan siang/malam dalam bias OMB, yang dicirikan oleh perbedaan rata-rata di seluruh spektrum dari 2290 hingga 2382,5 cm −1 setelah koreksi bias dan kendali mutu lebih kecil. Tabel 2 juga menunjukkan bahwa hasil malam hari secara signifikan lebih kecil daripada siang hari. Sementara ambang batas 3,05 * NEdT menghasilkan hasil 90,0% pada siang hari, ambang batas yang sama menghasilkan hasil 65,2% pada malam hari. Hasil ini kembali menunjukkan bahwa kontrol kualitas dan koreksi bias simulasi CRTM NLTE efektif untuk mengurangi perbedaan siang/malam dalam bias OMB. Pada Tabel 2 , perbedaan antara bias rata-rata dan bias mode setelah koreksi bias dan kontrol kualitas adalah 0,05 K pada malam hari, jauh lebih besar daripada 0,01 K pada siang hari, yang menunjukkan OMB malam hari kurang Gaussian daripada OMB siang hari. Oleh karena itu, sangat penting untuk lebih berhati-hati dan menggunakan kontrol kualitas yang lebih ketat untuk mengasimilasi radiansi SWIR malam hari.
| Bias rata-rata (K) | Bias modus (K) | Penyakit Menular Seksual (K) | Menghasilkan (%) | |
|---|---|---|---|---|
| Siang hari | 0,93/0,74 | 0,90/0,73 | 0,70/0,62 | 100,0/90,0 |
| Waktu malam | 0,71/0,66 | 0,70/0,71 | 1,01/0,98 | 100,0/65,2 |
Catatan : Angka pertama berada sebelum koreksi bias dan kontrol kualitas, dan angka kedua berada setelahnya. Koreksi bias diterapkan pada radiansi Kesetimbangan Termodinamika Non-Lokal (NLTE) yang disimulasikan Community Radiative Transfer Model (CRTM) dengan metode yang diperkenalkan di Bagian 3.3 . Kontrol kualitas mengikuti metode yang diperkenalkan di Bagian 3.4 dengan ambang batas 3,05 * NEdT. Data dari tahun 2020 digunakan.
4 EVALUASI
Tabel 2 menunjukkan bahwa skema koreksi bias dan kontrol kualitas yang dikembangkan efektif untuk membawa statistik OMB siang hari lebih dekat ke malam hari. Meskipun hal ini menggembirakan, tidak jelas seberapa baik skema ini bekerja dalam situasi yang berbeda. Bagian ini berfokus pada evaluasi lebih lanjut dari skema koreksi bias dan kontrol kualitas di berbagai musim, sudut zenith satelit, dan wilayah.
4.1 Musiman
Tabel 3 menunjukkan statistik untuk empat musim yang berbeda. Musim didefinisikan berdasarkan posisi relatif matahari terhadap bumi, seperti ekuinoks dan titik balik matahari. Setiap musim adalah 1,5 bulan sebelum dan sesudah hari ekuinoks/titik balik matahari. Definisi ini diadopsi karena efek NLTE sangat terkait dengan posisi matahari. Tabel 3 menunjukkan bahwa ada beberapa variasi musiman dalam bias rata-rata dan mode. Untuk siang hari, bias yang lebih kecil terjadi pada musim semi dan musim panas, 0,67 K di musim semi dan 0,71 K di musim panas untuk bias rata-rata dan 0,67 K di musim semi dan 0,74 K di musim panas untuk bias mode. Musim gugur dan musim dingin memiliki bias yang lebih besar, 0,79 K di musim gugur dan 0,78 K di musim dingin untuk bias rata-rata dan 0,79 K di musim gugur dan 0,74 K di musim dingin untuk bias mode. Variasi musiman terbesar (maksimum dikurangi minimum) adalah 0,12 K untuk bias rata-rata dan mode. Malam hari memiliki pola yang sama dengan musim semi dan musim panas yang memiliki bias lebih kecil, dan musim gugur dan musim dingin yang memiliki bias lebih besar. Variasi musiman dalam bias tersebut mungkin terkait dengan variasi musiman dalam profil termodinamika, yang dapat menimbulkan bias LTE yang berbeda di musim yang berbeda.
| Bias rata-rata (K) | Bias modus (K) | Penyakit Menular Seksual (K) | ||||
|---|---|---|---|---|---|---|
| Musim | Hari | Malam | Hari | Malam | Hari | Malam |
| Musim semi | 0.67 | 0.62 | 0.67 | 0.67 | 0,60 | 0,90 |
| Musim panas | 0.71 | 0.63 | 0.74 | 0.68 | 0,59 | 0,97 |
| Jatuh | 0,79 | 0.69 | 0,79 | 0,78 | 0.64 | 0,95 |
| Musim dingin | 0,78 | 0.74 | 0.74 | 0.69 | 0,59 | 0,96 |
Catatan : Koreksi bias diterapkan pada radiansi Community Radiative Transfer Model (CRTM) yang disimulasikan Non-Local Thermodynamic Equilibrium (NLTE) dengan metode yang diperkenalkan di Bagian 3.3 . Kontrol kualitas mengikuti metode yang diperkenalkan di Bagian 3.4 dengan ambang batas 3,05 * NEdT. Data dari tahun 2020 digunakan. Keempat musim ditentukan berdasarkan posisi relatif matahari terhadap bumi, atau ±1,5 bulan di sekitar hari ekuinoks/solstis, yaitu rentang musim semi ±1,5 bulan di sekitar ekuinoks musim semi.
Meskipun terjadi variasi musiman, perbedaan bias siang/malam kecil. Untuk bias rata-rata, perbedaan siang/malam terbesar sebesar 0,10 K (siang dikurangi malam) terjadi pada musim gugur. Bias mode bahkan memiliki perbedaan siang/malam yang lebih kecil. Nilai maksimumnya adalah 0,06 K untuk musim panas. Perbedaan bias siang/malam yang kecil ini menunjukkan bahwa skema koreksi bias dan kontrol kualitas yang dikembangkan dalam studi ini efektif untuk mengurangi perbedaan antara siang dan malam di musim yang berbeda.
4.2 Sudut
Dalam skema koreksi bias yang diperkenalkan di Bagian 3.3 , sudut zenith satelit digunakan sebagai salah satu prediktor untuk memperhitungkan dampak sudut pada efek NLTE. Penting untuk memeriksa seberapa efektif skema koreksi bias menangani dampak sudut. Tabel 4 menunjukkan statistik untuk berbagai sudut zenith satelit. Variasi sudut dalam bias relatif kecil di siang hari. Variasi sudut maksimum (maksimum dikurangi minimum) hanya 0,06 K untuk bias rata-rata, dan 0,07 K untuk bias mode. Malam hari melihat variasi sudut yang lebih besar, tetapi masih relatif kecil. Variasi sudut maksimum adalah 0,17 hingga 0,18 K untuk bias rata-rata dan mode. Membandingkan siang hari dengan malam hari, perbedaan bias cukup kecil. Untuk bias rata-rata, perbedaan siang/malam dalam nilai absolut adalah 0,03 hingga 0,14 K. Untuk bias mode, perbedaan siang/malam dalam nilai absolut adalah 0,03 hingga 0,10 K. Hasil ini menunjukkan bahwa skema koreksi bias dan kontrol kualitas yang dikembangkan efektif untuk mengurangi perbedaan antara siang dan malam untuk sudut zenith satelit yang berbeda.
| Bias rata-rata (K) | Bias modus (K) | Penyakit Menular Seksual (K) | ||||
|---|---|---|---|---|---|---|
| Sudut zenith satelit (°) | Hari | Malam | Hari | Malam | Hari | Malam |
| 0–15 | 0.71 | 0.57 | 0.72 | 0.62 | 0.64 | 0,99 |
| 15–30 | 0,75 | 0.63 | 0,75 | 0.68 | 0.63 | 0,98 |
| 30–45 | 0,77 | 0,70 | 0.76 | 0.73 | 0.61 | 0,96 |
| >45 | 0.71 | 0.74 | 0.69 | 0,78 | 0,59 | 0,95 |
Perhatikan bahwa STD OMB menurun seiring dengan meningkatnya sudut zenith satelit baik untuk siang maupun malam. Hal ini terutama karena saluran SWIR memiliki fungsi pembobotan yang memuncak tinggi di stratosfer. Sudut zenith yang lebih besar semakin meningkatkan tinggi puncak fungsi pembobotan, sehingga menghasilkan suhu kecerahan yang lebih hangat daripada suhu pada sudut zenith yang lebih kecil. Seperti yang disebutkan, suhu kecerahan yang lebih besar memiliki NEdT yang lebih kecil, yang membuat STD OMB lebih kecil.
4.3 Meridian
Sudut zenith matahari dan suhu kecerahan LTE juga merupakan prediktor yang digunakan dalam skema koreksi bias di Bagian 3.3 . Kedua prediktor ini disertakan karena efek NLTE terkait erat dengan pemompaan surya dan suhu lokal. Tabel 5 menunjukkan statistik pada lintang yang berbeda. Lintang digunakan untuk klasifikasi, bukan sudut zenith matahari dan suhu kecerahan LTE karena suhu kecerahan LTE menunjukkan gradien yang kuat secara meridional daripada secara zonal. Ada beberapa perbedaan siang/malam untuk lintang yang berbeda. Di lintang tinggi selatan dan utara serta daerah tropis, perbedaan siang/malam berada dalam 0,07 K dalam bias rata-rata dan dalam 0,12 K dalam bias mode. Perbedaan bias siang/malam rata-rata adalah 0,24 dan 0,25 K untuk lintang tengah selatan dan utara. Perbedaan bias mode siang/malam adalah 0,13 dan 0,16 K. Peningkatan perbedaan siang/malam dalam bias rata-rata dan bias mode di kedua lintang tengah disebabkan oleh bias rata-rata/mode yang lebih kecil di malam hari. Pada siang hari, baik bias rata-rata maupun bias mode menunjukkan sedikit variasi meridional. Bias rata-rata siang hari secara konsisten berada di antara 0,72 dan 0,77 K, dan bias mode berada di antara 0,70 dan 0,76 K.
| Bias rata-rata (K) | Bias modus (K) | Penyakit Menular Seksual (K) | ||||
|---|---|---|---|---|---|---|
| Rentang lintang (°) | Hari | Malam | Hari | Malam | Hari | Malam |
| −90 ˜ −60 | 0.72 | 0,65 | 0,70 | 0.63 | 0.68 | 0.62 |
| -60 ˜ -30 | 0.74 | 0,50 | 0.71 | 0,58 | 0.66 | 0,99 |
| -30 ˜ 30 | 0.73 | 0,80 | 0.74 | 0.86 | 0,58 | 0.84 |
| 30 sampai 60 | 0,77 | 0.52 | 0.73 | 0.57 | 0.62 | 0,90 |
| 60 sampai 90 | 0.72 | 0,65 | 0.76 | 0.67 | 0,59 | 1.21 |
Di sisi lain, pada malam hari, bias menunjukkan variasi meridional yang substansial. Daerah tropis memiliki bias rata-rata terbesar sebesar 0,80 K dan bias mode terbesar sebesar 0,86 K. Lintang tengah memiliki bias rata-rata yang jauh lebih kecil sebesar 0,50 K dan 0,52 K untuk belahan bumi selatan dan utara. Bias mode sedikit lebih besar: 0,58 K untuk belahan bumi selatan dan 0,57 K untuk belahan bumi utara. Lintang tinggi memiliki bias rata-rata sedang sebesar 0,65 K untuk kedua belahan bumi. Bias mode serupa. Untuk statistik OMB malam hari, hanya skema kontrol kualitas yang diterapkan, dan tidak ada koreksi bias yang diperlukan untuk simulasi CRTM. Variasi meridional yang ditunjukkan pada Tabel 5 mencerminkan bahwa ada variasi meridional yang substansial antara pengamatan dan simulasi. Tidak jelas apakah variasi tersebut terutama disebabkan oleh pengamatan atau simulasi yang memberikan lebih banyak kehati-hatian saat mengasimilasi radiasi SWIR malam hari. Yang menarik adalah bahwa STD malam hari menunjukkan variasi meridional yang kuat. Hal ini sebagian besar disebabkan oleh gangguan pengamatan yang lebih tinggi. Suhu kecerahan rata-rata yang diamati adalah yang terdingin di antara kelima domain di lintang tinggi utara, dan terhangat di lintang tinggi selatan. Suhu kecerahan yang lebih hangat menghasilkan NEdT yang lebih kecil, yang menjelaskan STD OMB terbesar di lintang tinggi utara, dan STD OMB terkecil di lintang tinggi selatan.
Gambar 8 menunjukkan distribusi geografis dan histogram yang dinormalkan dari perbedaan siang/malam dalam bias rata-rata OMB. Sebelum menerapkan koreksi bias dan prosedur kontrol kualitas, OMB siang hari memiliki bias positif (tidak ditampilkan) karena perkiraan yang terlalu rendah dari radiansi NLTE dari simulasi CRTM, yang menyebabkan perbedaan rata-rata siang/malam sebesar 0,26 K dan mencakup rentang yang luas dari -0,71 hingga 0,94 K. Gambar 8c menunjukkan bahwa sebagian besar perbedaan siang/malam jauh di atas nol sebelum koreksi bias dan kontrol kualitas. Perhatikan bahwa koefisien NLTE CRTM yang baru digunakan untuk menghitung latar belakang. Perbedaan siang/malam akan jauh lebih besar jika koefisien NLTE CRTM yang lama digunakan. Setelah menerapkan koreksi bias dan prosedur kontrol kualitas, perbedaan siang/malam berkurang secara substansial hingga rata-rata 0,09 K dengan rentang yang lebih sempit dari −0,65 hingga 0,65 K. Perbedaan siang/malam yang berkurang dalam OMB akan memungkinkan untuk mengasimilasi radiasi SWIR siang dan malam secara bersamaan. Histogram sebelum dan sesudah koreksi bias dan kontrol kualitas sebagian besar adalah Gaussian, tetapi dengan ekor yang relatif panjang di sisi kiri. Ini terkait dengan empat wilayah dingin di daerah tropis sekitar −105°, −20°, 75°, dan 165°. Analisis menunjukkan bahwa hal itu disebabkan oleh simulasi latar belakang yang terlalu dingin di malam hari di keempat wilayah tersebut. Ini mungkin terkait dengan bias dingin dalam suhu stratosfer dari sistem Prakiraan Terpadu ECMWF (Lawrence et al ., 2022 ). Namun, tidak jelas mengapa bias dingin hanya terjadi di keempat wilayah tersebut dan pada malam hari. Investigasi lebih lanjut diperlukan.
4.4 Masalah di daerah lintang tinggi
Dalam studi sebelumnya, ditemukan ketidaksesuaian besar yang tidak dapat dijelaskan antara observasi siang hari dan latar belakang di lintang tinggi selama musim dingin, di mana sudut zenith matahari besar, yaitu, lebih besar dari 70°. Yin, 2016 menggunakan CRTM menemukan bahwa bias OMB pada sudut zenith matahari besar sekitar 2 K lebih hangat daripada yang ada pada sudut zenith matahari kecil untuk saluran yang sangat dipengaruhi oleh efek NLTE. Desouza-Machado dkk . DeSouza-Machado dkk ., 2007 menggunakan kCARTA dan Matricardi dkk ., 2018 menggunakan RTTOV menemukan bahwa bias OMB pada sudut zenith matahari besar sekitar 1,5 K lebih hangat daripada yang ada pada sudut zenith matahari kecil. Perhatikan bahwa Matricardi et al ., 2018 menggunakan versi terbaru dari algoritma populasi GRANADA NLTE (Funke et al ., 2012 ), yang sama digunakan untuk menghasilkan koefisien CRTM NLTE baru. Bias tambahan yang besar ini pada sudut zenith matahari yang besar kemungkinan disebabkan oleh efek NLTE siang hari yang terkait dengan aktivitas aurora. Efek NLTE terkait aurora siang hari tidak hanya terjadi di musim dingin. Mereka dapat terjadi di musim apa pun. RTM tidak mensimulasikan radiasi SWIR yang terpengaruh ini dengan baik dan mereka harus dideteksi dan dihilangkan dari asimilasi.
Bahasa Indonesia: Setelah menerapkan koreksi bias dan kendali mutu (Gambar 9 ), bias rata-rata OMB sebagian besar antara 0,7 dan 0,8 K untuk sebagian besar lintang. Variasi meridional kecil diamati. Selain itu, lintang tinggi memiliki bias rata-rata yang sebanding dengan lintang rendah. Di dekat kutub, bias rata-rata lebih kecil karena ukuran sampel yang jauh berkurang. Hasil ini menunjukkan bahwa skema koreksi bias dan kendali mutu yang digunakan efektif dalam menghilangkan sebagian besar radian SWIR yang dipengaruhi oleh efek NLTE terkait aurora. Namun, ketika dilihat dalam domain sudut zenith matahari, ada dua puncak di mana bias rata-rata OMB jauh lebih besar daripada pada sudut zenith matahari yang lebih kecil. Di sekitar sudut zenith matahari 60°, bias rata-rata OMB sekitar 0,2 K lebih besar daripada sudut zenith matahari yang lebih kecil tersebut. Antara 78° dan 86°, sekitar 0,25 K lebih hangat. Ada juga satu palung sekitar 74°, di mana bias rata-rata sekitar 0,1 K lebih kecil daripada pada sudut zenith matahari yang lebih kecil. Hasil ini menunjukkan bahwa mungkin ada beberapa radiasi SWIR yang dipengaruhi oleh efek NLTE terkait aurora dan telah lulus kontrol kualitas. Namun, bias tambahan ini secara signifikan lebih kecil daripada yang dilaporkan oleh studi sebelumnya (Desouza-Machado et al . DeSouza-Machado et al ., 2007 ; Yin, 2016 ; Matricardi et al ., 2018 ), sekali lagi menunjukkan efektivitas koreksi bias dan skema kontrol kualitas yang diterapkan. Kontrol kualitas yang lebih ketat mungkin diperlukan dalam studi asimilasi untuk menghilangkan radiasi SWIR yang terpengaruh ini. Perhatikan bahwa hasil pada Gambar 9 adalah untuk sepanjang tahun dan musim individu juga menunjukkan pola yang sama.
Tidak ada variasi yang jelas dalam bias rata-rata OMB berkenaan dengan garis lintang, tetapi variasi substansial berkenaan dengan sudut zenith matahari, terutama pada sudut besar. Ini karena skema koreksi bias untuk estimasi SCENTE NLTE didasarkan pada garis lintang. Akibatnya, koreksi bias simulasi CRTM NLTE juga dioptimalkan berkenaan dengan garis lintang, tidak menunjukkan variasi garis lintang yang jelas sebagai hasilnya. Namun, ini tidak berarti kontaminasi NLTE terkait aurora sepenuhnya dihilangkan. Aurora yang khas memiliki bentuk oval yang berpusat di sekitar kutub geomagnetik selatan atau utara. Ini berarti bahwa untuk garis lintang tertentu, koreksi bias untuk estimasi SCENTE NLTE akan berlebihan di wilayah tanpa aurora dan tidak cukup di wilayah dengan aurora. Oleh karena itu, simulasi CRTM NLTE akan kurang dikoreksi di wilayah aurora dan terlalu dikoreksi di wilayah bebas aurora. Koreksi kurang menghasilkan dua puncak di sekitar 60° dan antara 78° dan 86°, sementara koreksi lebih menghasilkan palung di sekitar 74°. Meskipun bias rata-rata tampak stabil terhadap garis lintang, bias tersebut tidak stabil terhadap sudut zenith matahari. Kehati-hatian lebih harus digunakan untuk asimilasi radiasi SWIR di garis lintang tinggi bahkan setelah koreksi bias dan skema kendali mutu diterapkan dalam studi ini.
5 RINGKASAN
Radiasi SWIR di sekitar pita CO 2 4,3 μm memiliki sensitivitas suhu yang lebih besar daripada radiasi LWIR di sekitar pita CO 2 15 μm , dan kurang terkontaminasi oleh konstituen lain seperti uap air dan ozon. Radiasi ini tersedia dengan mudah dari penyelidik IR hiperspektral seperti CrIS, IASI, dan AIRS pada satelit yang mengorbit kutub. Namun, penggunaan radiasi SWIR dalam model NWP oleh pusat operasional terbatas, terutama karena efek NLTE, yang dapat meningkatkan suhu kecerahan di saluran SWIR lebih dari 10 K. Sementara CRTM dapat mensimulasikan efek NLTE yang disebabkan oleh pemompaan surya, ia memiliki dua keterbatasan utama: (1) CRTM meremehkan efek NLTE sebesar 0,76 K, dan (2) CRTM tidak mensimulasikan efek NLTE malam hari, meskipun efek tersebut dapat terjadi di wilayah dengan aktivitas aurora. CRTM dengan koefisien NLTE baru meningkatkan simulasi NLTE dengan mengurangi perkiraan yang terlalu rendah sebesar 0,3 K, tetapi masih terdapat perbedaan dalam bias OMB antara siang dan malam, yang mempersulit asimilasi simultan radiasi SWIR untuk kedua periode tersebut. Selain itu, perbedaan yang lebih besar yang tidak dapat dijelaskan antara pengamatan dan simulasi telah diamati di lintang tinggi. Untuk mengasimilasi radiasi SWIR secara efektif, keterbatasan dan perbedaan ini harus diatasi. Studi ini berfokus pada sekumpulan 149 saluran SWIR NOAA-20 CrIS/FSR yang sensitif terhadap efek NLTE.
Efek NLTE dapat diestimasi secara akurat menggunakan SCENTE (Li et al ., 2020 ). Namun, SCENTE cenderung melebih-lebihkan efek NLTE, yang menunjukkan bias rata-rata spektral sekitar 0,7 K. Sebuah metodologi telah dikembangkan untuk mengukur overestimasi secara spektral, temporal, dan meridional menggunakan mode berbagai histogram OMB. Setelah dikoreksi bias, estimasi NLTE SCENTE ini berfungsi sebagai data referensi untuk mengoreksi bias simulasi CRTM NLTE. Koreksi bias simulasi CRTM NLTE didasarkan pada regresi linier. Evaluasi menunjukkan bahwa koreksi bias ini secara signifikan mengurangi bias OMB dan STD-nya. Kontrol kualitas setelah koreksi bias bertujuan untuk menghilangkan radiasi SWIR yang tidak dapat disimulasikan dengan baik oleh CRTM, bahkan setelah menerapkan koreksi bias ini pada simulasi CRTM NLTE. Kontrol kualitas didasarkan pada perbandingan antara simulasi CRTM NLTE yang dikoreksi bias dan estimasi NLTE SCENTE yang dikoreksi bias untuk siang hari dan malam hari. Apabila perbedaannya terlalu besar, hal ini menunjukkan bahwa simulasi CRTM buruk atau estimasi SCENTE NLTE tidak akurat, dan radiasi SWIR tersebut tidak boleh diasimilasi.
Evaluasi dilakukan untuk menilai efektivitas skema koreksi bias dan kendali mutu pada kanal SWIR. Sebelum koreksi, pengamatan siang hari menunjukkan bias rata-rata yang signifikan, sebagian besar karena perkiraan yang terlalu rendah terhadap efek NLTE pemompaan surya. Setelah menerapkan koreksi bias dan kendali mutu, pengamatan siang hari dan malam hari menunjukkan bias rata-rata dan mode yang sama untuk kanal 2320,625 cm −1 . Di seluruh 149 kanal SWIR, perbedaan siang/malam dalam bias rata-rata dan mode tetap kecil di seluruh musim dan sudut zenith satelit. Evaluasi lintang mengungkapkan bahwa perbedaan siang/malam dalam bias rata-rata dan mode juga minimal di lintang tengah dan tropis, dengan perbedaan yang sedikit lebih tinggi diamati di lintang tengah karena variasi meridional dalam bias malam hari. Evaluasi juga menyoroti tingkat retensi data yang lebih tinggi untuk pengamatan siang hari, yang menunjukkan potensi perbedaan dalam kualitas data. Hasil ini menekankan pentingnya kendali mutu, khususnya untuk radiansi SWIR malam hari, untuk memastikan data yang andal untuk asimilasi. Skema koreksi bias dan kontrol kualitas yang dikembangkan dalam penelitian ini akan diimplementasikan dalam sistem asimilasi data dan berjalan sesuai prosedur asimilasi data.
Analisis terperinci dilakukan untuk memeriksa bias OMB yang besar di lintang tinggi, seperti yang dilaporkan dalam studi sebelumnya. Bias besar ini kemungkinan besar disebabkan oleh efek NLTE siang hari terkait aurora yang tidak dapat disimulasikan oleh CRTM. Evaluasi menunjukkan bahwa rata-rata spektral bias rata-rata OMB secara konsisten antara 0,7 dan 0,8 K di berbagai lintang, dari rendah hingga tinggi. Oleh karena itu, koreksi bias dan kontrol kualitas efektif dalam mengatasi bias OMB besar yang dilaporkan dalam studi sebelumnya. Namun, ketika dilihat dalam sudut zenith matahari, dua puncak sekitar 60° dan antara 78° dan 86° dan palung sekitar 74° diamati. Puncaknya hanya 0,2–0,25 K lebih hangat daripada pada sudut zenith matahari yang lebih kecil, dan palungnya sekitar 0,1 K lebih dingin. Fitur-fitur kecil ini terkait dengan bentuk oval aurora, di mana tidak ada aurora di bagian dalam dan luar oval. Bentuk ini menyebabkan bias undercorrection di wilayah aurora, yang menyebabkan puncak, dan bias overcorrection di wilayah non-aurora, yang menyebabkan palung. Meskipun bias undercorrection dan overcorrection kecil, kehati-hatian tambahan disarankan saat mengasimilasi radiasi SWIR di lintang tinggi.
