Retrieval of microphysical properties of desert dust and volcanic ash aerosols from ground-based remote sensing [Elektronische Ressource] / Josef Konrad Gasteiger. Betreuer: Bernhard Mayer

Josef Konrad Gasteiger

Sujets

• Physik

Informations

• Publié par: ludwig-maximilians-universitat_munchen
• Publié le: 01 janvier 2011
• Nombre de lectures: 35
• Poids de l'ouvrage: 6 Mo

Extrait

Retrieval of microphysical properties of
desert dust and volcanic ash aerosols
from ground-based remote sensing
Josef Konrad Gasteiger
Munchen 2011Retrieval of microphysical properties of
desert dust and volcanic ash aerosols
from ground-based remote sensing
Josef Konrad Gasteiger
Dissertation
an der Fakult at fur Physik
der Ludwig{Maximilians{Universit at
Munc hen
vorgelegt von
Josef Konrad Gasteiger
aus Rosenheim
Munc hen, den 30. September 2011Erstgutachter: Prof. Dr. Bernhard Mayer
Zweitgutachter: apl. Prof. Dr. Ulrich Schumann
Tag der mundlic hen Prufung: 6. Dezember 2011Contents
Abstract ix
1. Introduction 1
1.1. Volcanic ash aerosols . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Desert dust aerosols . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3. Retrieval of microphysical properties . . . . . . . . . . . . . . . . . . . . . 3
1.4. Objectives and outline . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2. Aerosol properties: de nitions, modeling, remote sensing 9
2.1. Microphysical properties of single particles . . . . . . . . . . . . . . . . . . 9
2.1.1. Particle shape . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.1.2. P size . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.1.3. Refractive index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2. Optical properties of single particles . . . . . . . . . . . . . . . . . . . . . . 12
2.2.1. Light as an electromagnetic wave . . . . . . . . . . . . . . . . . . . 12
2.2.2. Extinction, scattering, absorption . . . . . . . . . . . . . . . . . . . 14
2.2.3. Angular-dependent scattering . . . . . . . . . . . . . . . . . . . . . 15
2.2.4. Backscattering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3. Modeling optical properties of single particles . . . . . . . . . . . . . . . . 17
2.3.1. Mie theory . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.3.2. T-matrix method (TMM) . . . . . . . . . . . . . . . . . . . . . . . 18
2.3.3. Geometric optics method (GOM) . . . . . . . . . . . . . . . . . . . 18
2.3.4. Discrete dipole approximation (DDA) . . . . . . . . . . . . . . . . . 20
2.4. Optical properties of particle ensembles . . . . . . . . . . . . . . . . . . . . 23
2.4.1. Extinction, scattering, absorption . . . . . . . . . . . . . . . . . . . 25
2.4.2. Angular-dependent scattering . . . . . . . . . . . . . . . . . . . . . 26
2.4.3. Backscattering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.5. Radiative transfer modeling . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.6. Remote sensing techniques . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.6.1. Lidar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.6.2. Sun photometer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3. Methods for retrieval of microphysical properties 35
3.1. Bayesian formulation of retrieval problems . . . . . . . . . . . . . . . . . . 35
3.1.1. Determination of model space and priors . . . . . . . . . . . . . . . 36vi Contents
3.1.2. Monte Carlo sampling . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.2. Prerequisite: Optical data sets . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.2.1. Data set for spheroids . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.2.2. Data set for irregularly-shaped particles . . . . . . . . . . . . . . . 40
3.3. Sensitivity of observed parameters . . . . . . . . . . . . . . . . . . . . . . . 41
3.3.1. Optical properties of single particles . . . . . . . . . . . . . . . . . . 41
3.3.2. properties of particle ensembles . . . . . . . . . . . . . . . . 50
3.3.3. Summary of sensitivity studies . . . . . . . . . . . . . . . . . . . . . 61
3.4. Types of retrievals . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
3.4.1. Bayesian retrieval from lidar observations . . . . . . . . . . . . . . . 62
3.4.2. Retrieval from photometer observations . . . . . . . . . . . . . . . . 67
3.4.3. Combined retrieval from lidar and photometer observations . . . . . 70
4. Results 73
4.1. Ash properties from lidar retrieval . . . . . . . . . . . . . . . . . . . . . . . 73
4.2. Ash properties from photometer retrieval . . . . . . . . . . . . . . . . . . . 77
4.3. Dust properties from combined lidar and photometer retrieval . . . . . . . 81
4.3.1. 19 May 2006 (SAMUM-1) . . . . . . . . . . . . . . . . . . . . . . . 81
4.3.2. 4 June 2006 . . . . . . . . . . . . . . . . . . . . . . . . 85
4.3.3. 29 January 2008 (SAMUM-2) . . . . . . . . . . . . . . . . . . . . . 88
5. Discussion 93
5.1. Ash properties from lidar retrieval . . . . . . . . . . . . . . . . . . . . . . . 93
5.2. Ash properties from photometer retrieval . . . . . . . . . . . . . . . . . . . 94
5.3. Dust properties from combined lidar and photometer retrieval . . . . . . . 96
6. Conclusions 99
6.1. Synopsis of ndings . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
6.2. Outlook . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
A. Optics of very small particles 103
B. Settings of optical modeling codes 105
C. Modeling of spheroids with ADDA 109
D. Publications containing work from this thesis 111
Bibliography 113
Acknowledgements 125Zusammenfassung
Aerosolpartikel sind ein wichtiger Bestandteil der Erdatmosph are. Um die Auswirkun-
gen von Aerosolpartikeln quantitativ bestimmen zu k onnen, mussen deren Verteilung
und Eigenschaften bekannt sein. Ein wichtiges Werkzeug fur die Bereitstellung solcher
Daten ist die Fernerkundung. Die vorliegende Arbeit behandelt vertikal-au osende Fern-
erkundung mittels Lidar und vertikal-integrierende Fernerkundung mittels Photometer und
beruc ksichtigt dabei Wustenstaub-Aerosole , welche fur gr o ere Unsicherheiten bei Kli-
mavorhersagen sorgen, ebenso wie Vulkanasche-Aerosole, welche zus atzlich bedeutend fur
die Flugsicherheit von Dusen ugzeugen sind. Beide Aerosol-Typen bestehen aus Misch-
ungen von Partikeln verschiedener Gr o e, Form und chemischer Zusammensetzung. Die
Ableitung der physikalischen Eigenschaften solcher Mischungen aus Fernerkundungs-Beob-
achtungen soll in dieser Arbeit verbessert werden, insbesondere durch Nutzung Bayesscher
Ans atze und verbesserter Aerosol-Modelle.
Drei Methoden fur die Ableitung der physikalischen Eigenschaften wurden entwickelt.
Die erste Methode ist auf Lidar-Beobachtungen anwendbar, nimmt Sph aroid-Partikelform
an, und basiert auf einem Bayesschen Monte-Carlo-Ansatz. Sie wurde auf Beobachtungen
einer reinen Vulkanasche-Schicht aus Island, welche sich am 17. April 2010 ub er Maisach
(Deutschland) befand, angewendet, um deren Massenkonzentration zu bestimmen. Die
zweite Methode ist auf Photometer-Beobachtungen in der Aureole der Sonne anwendbar,
nutzt einen festgelegten Satz an Mischungen aus unregelm a ig geformten Partikeln und
wurde auf Beobachtungen der gleichen Asche-Schicht angewendet. Beide Methoden haben
3ub ereinstimmend eine maximale Massenkonzentration der Asche von etwa 1.1 mg m
3ub er Maisach abgeleitet, mit einem Unsicherheitsbereich von 0.7 bis 1.5 mg m . Die
dritte Methode sucht Mischungen, die mit Beobachtungen beider Fernerkundungsmetho-
den ub ereinstimmen; sie nutzt einen festgelegten Satz an Mischungen, die von der Aerosol-
Datenbank OPAC abgeleitet wurden, jedoch aus absorbierenden und nichtabsorbierenden
unregelm a ig geformten Partikeln bestehen. Diese Methode wurde erfolgreich auf Sahara-
staub-Beobachtungen, welche im Rahmen der SAMUM-Messkampagnen in Marokko und
auf den Kapverdischen Inseln durchgefuhrt wurden, angewendet.
Es hat sich gezeigt, dass neben der Partikelform auch das Vorhandensein von nichtab-
sorbierenden Bestandteilen deutlichen Ein uss auf die Ruc kstreu-Eigenschaften der Aero-
sole hat. In Gegensatz dazu sind Strahldichten in der Aureole nur in geringem Ma e von
der Partikelform und der chemischen Zusammensetzung abh angig, sodass sich Aureolen-
Strahldichten sehr gut fur die Ableitung der Gr o e von Asche- und Staub-Partikeln eignen.
Es ist zu erwarten, dass sich die Genauigkeit der Methoden fur die Ableitung physika-
lischer Eigenschaften weiter verbessert, wenn alle vom Photometer beobachteten Gr o en
beruc ksichtigt werden.Abstract
Aerosol particles are important constituents of the Earth’s atmosphere. To quantify e ects
of aerosol particles, their distribution and properties need to be known. An important tool
for the provision of such information is remote sensing. This thesis covers vertically-
resolving remote sensing by lidar and vertically-integrating remote sensing by photometer,
and thereby considers desert dust aerosols which cause a major uncertainty in climate
forecasts, as well as volcanic ash aerosols which, in addition, are relevant for the ight
safety of jet-driven aircrafts. Both aerosol types consist of ensembles of particles of varying
size, shape, and chemical composition. This thesis aims to improve the retrieval of the
physical properties of such mixtures from remote sensing observations, in particular by
using Bayesian approaches and improved aerosol models.
Three types of retrievals were developed. The rst retrieval type applies to lidar ob-
servations, assumes spheroidal particle shapes, and is based on a Bayesian Monte-Carlo-
approach. It was applied to