Quantifizierung von Unsicherheiten bei der Erfassung der Landoberflächentemperatur und Emissivität aus thermischen Infrarotdaten von ASTER und MODIS

Daten zur Landoberflächentemperatur und Emissivität (LST&E) sind für eine Vielzahl von Studien zur Wechselwirkung zwischen Oberfläche und Atmosphäre unerlässlich, von der Berechnung der Evapotranspiration der Erdoberfläche bis zur Erfassung des atmosphärischen Wasserdampfs. Die LST&E-Produkte werden aus thermischen Infrarotdaten erzeugt, die von Sensoren wie ASTER und MODIS auf den EOS-Plattformen der NASA erfasst werden. Die NASA hat einen großen Bedarf identifiziert, langfristige, konsistente Produkte zu entwickeln, die über mehrere Missionen hinweg gültig sind, mit gut definierten Unsicherheitsstatistiken, die spezifische Fragen der Erdwissenschaften beantworten. Diese Produkte werden als Earth System Data Records (ESDRs) bezeichnet, und LST&E wurde als wichtiges ESDR identifiziert. Derzeit schränkt ein Mangel an Verständnis für die Unsicherheiten in LST&E deren Nützlichkeit in Modellen der Landoberfläche und des Klimas ein. Um dieses Problem anzugehen, wurde ein LST&E-Unsicherheitsimulator entwickelt, um Unsicherheiten für verschiedene TIR-Sensoren und LST-Algorithmen zu quantifizieren und zu modellieren. Mit dem Simulator wurden die Unsicherheiten für den MODIS- und ASTER-TES-Algorithmus geschätzt, einschließlich der Wasserdampfskalierung (WVS). Diese Unsicherheiten wurden entsprechend dem Betrachtungswinkel und dem geschätzten gesamten Wasserdampfsäule für die Anwendung auf reale Daten parametriert. Der Standard-ASTER-TES-Algorithmus hatte einen RMSE von 3,1 K (1,2 K mit WVS), während der MODIS-TES-Algorithmus einen RMSE von 4,5 K (1,5 K mit WVS) hatte. Die Genauigkeit bei der ermittelten spektroskopischen Emissivität beider Sensoren verschlechterte sich mit höherem atmosphärischem Wassergehalt, jedoch wurden mit WVS die Emissivitätsunsicherheiten auf <0,015 reduziert. Die genaue Quantifizierung von Unsicherheiten in LST&E-Produkten verbessert nicht nur ihre Nützlichkeit und ihr Verständnis, sondern ermöglicht es auch, die Daten in langfristige, gut charakterisierte ESDRs zu fusionieren.