Wolkenverfolgung in geostationären Satellitendaten: Vergleich von zwei Wolken-Verknüpfungsmethoden

Die Verfolgung von Wolken in geostationären Satellitendaten findet mehrere Anwendungen. Sie kann sowohl für kurzfristige Wetter-Voraussagen genutzt werden als auch für langfristige Wetter- und Klimaanalysen. Unser Ziel ist es Wolkenlebenszyklen unter verschiedenen Bedingungen zu untersuchen: in marinen oder kontinentalen Gebieten, über Wüsten oder in Gebieten mit einem hohen Anteil an anthropogenen Aerosolen. Dies ist ein wichtiger Aspekt um das Verständnis von Wolkenstrahlungseffekten und den menschlichen Einfluss auf Wolkenlebenszyklen auszubauen.

Um Wolkentrajektorien zu identifizieren nutzen wir einen Algorithmus zur Geschwindigkeitsmessung aus der Fluiddynamik (Particle Image Velocimetry). Der Algorithmus nutzt die Wolkenmaske von CLAAS2 (Cloud property dataset using SEVIRI v2) von EUMETSAT (2014 Stengel et al, “CLAAS: the CM SAF cloud property dataset using SEVIRI”). Die Wolkenmaske wird mit einem Multi-Kanal-Ansatz aus den Satellitenmessungen von SEVIRI (ein Instrument an Bord des Satelliten Meteostat Second Generation) errechnet.

Die Wolken im Datensatz werden identifiziert und der Algorithmus berechnet ein Geschwindigkeitsfeld zum nächsten Zeitschritt. Dieses Feld wird auf die einzelnen Wolken-Zentren interpoliert und dann werden die virtuellen Positionen (alte Position kombiniert mit Geschwindigkeit) mit den Wolkenpositionen aus dem nächsten Zeitschritt verglichen und verknüpft. Bisher wurde nur die Distanz der Wolken-Zentren als Kriterium für diese Verknüpfung genutzt. Nun wird für große Wolken mit einer Fläche über 200 km² die Überlappung der Wolken genutzt. Dies ermöglicht es große Wolken deutlich besser zu verfolgen als bisher, denn diese verzeichnen häufig große Sprünge ihres Zentrums aufgrund einer Änderung ihrer Form.

In den Ergebnissen betonen wir zwei Aspekte. Erstens präsentieren wir Wolkentrajektorien aus beiden Methoden in einem direkten Vergleich um ein tieferes Verständnis für das Verfahren und die Neuerung aufzubauen. Zweitens betrachten wir die Verteilungen der Wolkengrößen, Trajektorienlängen und anderer Daten der Wolkenlebenszyklen um die Verbesserung durch das aktualisierte Verknüpfungs-Kriterium darzustellen.