Identifying Cloud Droplets Beyond Lidar Attenuation from Vertically Pointing Cloud Radar Observations Using Artificial Neural Networks
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 Langzeitmesska...
Main Author: | |
---|---|
Other Authors: | |
Format: | Doctoral or Postdoctoral Thesis |
Language: | English |
Published: |
2022
|
Subjects: | |
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/ |
id |
ftunivleipzig:oai:qucosa:de:qucosa:82931 |
---|---|
record_format |
openpolar |
spelling |
ftunivleipzig:oai:qucosa:de:qucosa:82931 2023-09-05T13:23:31+02:00 Identifying Cloud Droplets Beyond Lidar Attenuation from Vertically Pointing Cloud Radar Observations Using Artificial Neural Networks Schimmel, Willi Universität Leipzig 2022-10-20 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/ eng eng 10.5194/amt-15-5343-2022 urn:nbn:de:bsz:15-qucosa2-829314 https://ul.qucosa.de/id/qucosa%3A82931 https://ul.qucosa.de/api/qucosa%3A82931/attachment/ATT-0/ info:eu-repo/semantics/openAccess 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 info:eu-repo/semantics/acceptedVersion doc-type:doctoralThesis info:eu-repo/semantics/doctoralThesis doc-type:Text 2022 ftunivleipzig 2023-08-11T13:58:52Z 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 ... Doctoral or Postdoctoral Thesis Southern Ocean Universität Leipzig: Qucosa Southern Ocean |
institution |
Open Polar |
collection |
Universität Leipzig: Qucosa |
op_collection_id |
ftunivleipzig |
language |
English |
topic |
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 |
spellingShingle |
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 Schimmel, Willi Identifying Cloud Droplets Beyond Lidar Attenuation from Vertically Pointing Cloud Radar Observations Using Artificial Neural Networks |
topic_facet |
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 |
description |
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 ... |
author2 |
Universität Leipzig |
format |
Doctoral or Postdoctoral Thesis |
author |
Schimmel, Willi |
author_facet |
Schimmel, Willi |
author_sort |
Schimmel, Willi |
title |
Identifying Cloud Droplets Beyond Lidar Attenuation from Vertically Pointing Cloud Radar Observations Using Artificial Neural Networks |
title_short |
Identifying Cloud Droplets Beyond Lidar Attenuation from Vertically Pointing Cloud Radar Observations Using Artificial Neural Networks |
title_full |
Identifying Cloud Droplets Beyond Lidar Attenuation from Vertically Pointing Cloud Radar Observations Using Artificial Neural Networks |
title_fullStr |
Identifying Cloud Droplets Beyond Lidar Attenuation from Vertically Pointing Cloud Radar Observations Using Artificial Neural Networks |
title_full_unstemmed |
Identifying Cloud Droplets Beyond Lidar Attenuation from Vertically Pointing Cloud Radar Observations Using Artificial Neural Networks |
title_sort |
identifying cloud droplets beyond lidar attenuation from vertically pointing cloud radar observations using artificial neural networks |
publishDate |
2022 |
url |
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/ |
geographic |
Southern Ocean |
geographic_facet |
Southern Ocean |
genre |
Southern Ocean |
genre_facet |
Southern Ocean |
op_relation |
10.5194/amt-15-5343-2022 urn:nbn:de:bsz:15-qucosa2-829314 https://ul.qucosa.de/id/qucosa%3A82931 https://ul.qucosa.de/api/qucosa%3A82931/attachment/ATT-0/ |
op_rights |
info:eu-repo/semantics/openAccess |
_version_ |
1776204110118256640 |