Identifying Cloud Droplets Beyond Lidar Attenuation from Vertically Pointing Cloud Radar Observations Using Artificial Neural Networks

• Main Author: Schimmel, Willi
• Other Authors: Universität Leipzig
• Format: Doctoral or Postdoctoral Thesis
• Language: English
• Published: 2022
• Subjects: Fernerkundung; Machinelles Lernen; Mischphasenwolken; Doppler Wolkenradar; Lidar; remote-sensing; machine learning; mixed-phase clouds; Doppler cloud radar; info:eu-repo/classification/ddc/551; ddc:551; Southern Ocean
• Online Access: https://nbn-resolving.org/urn:nbn:de:bsz:15-qucosa2-829314; https://ul.qucosa.de/id/qucosa%3A82931; https://ul.qucosa.de/api/qucosa%3A82931/attachment/ATT-0/

In dieser Arbeit wird der auf maschinellem Lernen basierende Algorithmus zur Erkennung von unterkühlten Flüssigwasserschichten in Mischphasenwolken (MPCs) jenseits der Lidarattenuation VOODOO (reVealing supercOOled liquiD beyOnd lidar attenuatiOn) vorgestellt. Beobachtungen von zwei Langzeitmesskampagnen bilden die Datengrundlage. Für die nördliche Hemisphäre wurden die Daten mittels der mobilen bodengebundenen Fernerkundungsanlage des Leipziger Instituts für Meteorologie (LIM) in Leipzig (Deutschland, 51.3°N, 12. 4°E) erhoben. Für die südliche Hemisphäre wurde ein 9-monatiger Teil der dreijährigen Feldkampagne DACAPO-PESO (Dynamics Aerosol Clouds And Precipitation Observation in the Pristine Environment of the Southern Ocean; Beobachtung von Dynamik, Aerosol, Wolken und Niederschlag in der unverschmutzten Umgebung des Südozeans) aus Punta Arenas (Chile, 53.1°S, 70.9°W) verwendet. Dieser Datensatz wurde mittels des 94GHz Wolkenradars des LIM in Kombination mit LACROS (Leipzig Aerosol and Cloud Remote Observations System; Leipziger Aerosol- und Wolken-Fernerkundungssystem)- Instrumenten erhoben. Datensätze von vertikal ausgerichteten Doppler-Wolkenradaren und Lidarsystemen liefern Erkenntnisse über Wolkeneigenschaften mit hoher zeitlicher und räumlicher Auflösung. Die Identifizierung von flüssigen Wolkentröpfchen ist jedoch aufgrund der Abschwächung des Lidarsignals oft eingeschränkt. Wolkenradare sind andererseits in der Lage, mehrere Flüssigwassersschichten zu durchdringen, und können potenziell eingesetzt werden, um die Identifizierung der thermodynamischen Wolkenphase auf die gesamte vertikale Säule jenseits der Lidar-Signalabschwächungshöhe auszudehnen. Dazu werden morphologische Merkmale in Wolkenradar-Doppler-Spektren extrahiert, um auf das Vorhandensein von Flüssigwasser zu schließen. Das wichtigste Ergebnis dieser Arbeit ist die Implementierung des Open-Source-Retrievals VOODOO. Für beide Langzeitdatensätze zeigt die Wolken- und Flüssigwasseridentifikation von VOODOO hervorragende zeitliche ...