De imágenes a productos

Presentación del tema: "De imágenes a productos"— Transcripción de la presentación:

1 De imágenes a productos
Marianne König, EUMETSAT Esta presentación le enseñará a crear “productos” a partir de las imágenes satelitales. En este sentido, el término “producto” se refiere a parámetros meteorológicos que tienen un valor definido y una unidad física. Esta lección va dirigida a los principiantes en este campo. El concepto de “De imágenes a productos” se demuestra a través de dos ejemplos, la derivación de vectores de vientos y de una máscara de nubes. Al final, presentaremos un panorama de los conceptos de derivación de productos más avanzados, por ejemplo, a partir de los instrumentos de sondeo. WMO

2 La presentadora… Me llamo Marianne König y trabajo como científica meteoróloga en EUMETSAT en el campo de derivación de productos meteorológicos a partir de datos satelitales. Notas

3 Un vistazo a una imagen IR…
Esta imagen muestra parte de una imagen IR tomada por Meteosat-8 sobre África Occidental. Si ampliamos el área del Lago Victoria (el recuadro color magenta), podemos ver que la imagen se compone de muchos pequeños elementos cuadrados individuales, los píxeles de la imagen.

4 Un vistazo a una imagen VIS…
Esta imagen, que muestra la misma área, fue tomada con el canal VIS de Meteosat-8. Aquí también podemos ampliar la imagen y ver los píxeles individuales. En la próxima diapositiva ampliaremos la zona del recuadro color naranja.

5 Datos de píxeles: inspección de los píxeles
IR VIS Posición 1:24:17 S / 33:56:32 E Valor sin procesar 436 Radiancia 78,94 mW/m2/sr/cm-1 Temperatura K Posición 1:24:17 S / 33.56:32 E Valor sin procesar 452 Radiancia 11,72 mW/m2/sr/cm-1 Posición 1:47:42 S / 33.01:08 E Valor sin procesar 633 Radiancia 119,33 mW/m2/sr/cm-1 Temperatura 304,21 K Posición 1:47:42 S / 33.01:08 E Valor sin procesar 185 Radiancia 3,91 mW/m2/sr/cm-1 Estas dos imágenes representan la ampliación de la pequeña área sobre la costa del Lago Victoria: la imagen IR a la izquierda y la imagen VIS a la derecha. Vamos a considerar los dos píxeles indicados por las flechas: para cada uno, el texto indica la ubicación exacta del píxel y ciertos datos sobre la intensidad de la radiación proveniente de ese píxel que incide en el radiómetro del satélite. En las próximas diapositivas explicaremos el significado de estas unidades de intensidad.

6 El satélite es un instrumento de percepción remota
Trasfondo teórico El satélite es un instrumento de percepción remota La información llega por medio de ondas electromagnéticas El espectro electromagnético Visible Long. de onda (metros) Longitud de onda (m) Más larga Frecuencia (Hz) Más baja Parte visible del espectro: ¡los colores son distintas longitudes de onda! Cada píxel representa la cantidad de energía proveniente de la Tierra, desde ese lugar en particular, en la región de longitud de onda dada. La región de longitud de onda está definida por un filtro incorporado en el instrumento. Normalmente, el espectro electromagnético se caracteriza por la longitud de onda o la frecuencia de la onda electromagnética. Los rayos X son un ejemplo de longitud de onda muy pequeña, mientras que la luz que puede detectar el ojo humano es de longitud algo mayor, seguida de la radiación infrarroja, las microondas y las ondas radio. El ojo humano es, en definitiva, igual al satélite: ¡también es un instrumento de percepción remota! Más corta Más alta

7 Un poco más de teoría Para obtener información significativa de las imágenes del satélite, el campo de radiación analizado debe interactuar de alguna forma con un parámetro atmosférico o de superficie. Aunque el primer párrafo de esta diapositiva puede parecer obvio, se trata de un concepto realmente importante: si asignamos al instrumento de percepción remota una longitud de onda en la cual la Tierra y la atmósfera no aportan nada al campo de radiación, las mediciones no generarán información alguna, sería una situación análoga a la de una persona en un cuarto muy oscuro donde no puede ver nada quien, por tanto, no puede descubrir (con los ojos) lo que tiene a su alrededor. Sigue un ejemplo de esto para un canal solar. Normalmente resulta muy fácil comprender e interpretar este tipo de imágenes , ya que por su semejanza a lo que percibe el ojo humano son muy intuitivas. Cabe observar que lo que vemos en las imágenes VIS como ésta no es sólo el reflejo de la superficie y las nubes, sino que incluye también la (pequeña) contribución de los procesos de dispersión internos de la atmósfera, un ejemplo de lo cual es el cielo azul que vemos si volvemos la vista hacia arriba y miramos el cielo con los ojos, desde la superficie del planeta. Pronto volveremos a los conceptos de absorción, reflexión y dispersión.

8 Un poco más de teoría Para obtener información significativa de las imágenes del satélite, el campo de radiación analizado debe interactuar de alguna forma con un parámetro atmosférico o de superficie. Para los canales de una longitud de onda solar (VIS), dicha interacción es el reflejo de la superficie y la dispersión dentro de la atmósfera y las nubes, algo similar a lo que ve el ojo humano. Importantes procesos radiativos: absorción, reflexión, dispersión. Poca reflexión de la superficie oscura del mar, poca dispersión atmosférica. Aunque el primer párrafo de esta diapositiva puede parecer obvio, se trata de un concepto realmente importante: si asignamos al instrumento de percepción remota una longitud de onda en la cual la Tierra y la atmósfera no aportan nada al campo de radiación, las mediciones no generarán información alguna, sería una situación análoga a la de una persona en un cuarto muy oscuro donde no puede ver nada quien, por tanto, no puede descubrir (con los ojos) lo que tiene a su alrededor. Sigue un ejemplo de esto para un canal solar. Normalmente resulta muy fácil comprender e interpretar este tipo de imágenes, ya que por su semejanza a lo que percibe el ojo humano son muy intuitivas. Cabe observar que lo que vemos en las imágenes VIS como ésta no es sólo el reflejo de la superficie y las nubes, sino que incluye también la (pequeña) contribución de los procesos de dispersión internos de la atmósfera, un ejemplo de lo cual es el cielo azul que vemos si volvemos la vista hacia arriba y miramos el cielo con los ojos, desde la superficie del planeta. Mayor reflexión del suelo, especialmente de las nubes.

9 ¿Qué pasa con las longitudes de onda infrarrojas?
En el caso de los canales de las longitudes de onda infrarrojas, la radiación es realmente el resultado de las emisiones de la Tierra, la atmósfera y las nubes mismas debido a la temperatura. Procesos radiativos importantes: emisión y absorción Temperaturas razonablemente altas de la superficie cálida del mar Esta diapositiva bastante cualitativa explica un típico canal infrarrojo, pero sin entrar en detalles acerca de la emisión y absorción de gases. Exploraremos ese aspecto en las próximas diapositivas. Temperaturas muy bajas de las nubes altas

10 Teoría de la radiación La ley física fundamental que rige los procesos de radiación es la Ley de Planck. Esta ley relaciona la radiación térmica emitida máxima posible con la temperatura T y la longitud de onda . Si consideramos las curvas de Planck, se vuelve obvio que a medida que la temperatura aumenta el máximo de energía se desplaza hacia longitudes de onda más cortas: el Sol, que es un cuerpo muy cálido, alcanza su máxima a longitudes de onda VIS. h es la constante de Planck, kB es la constante de Boltzmann, c es la velocidad de la luz) B (W / m2 / sr / μm-1 ) Introducción a la Ley de Planck. Este ley describe la radiación emitida por un cuerpo negro, algo que en realidad no existe en la naturaleza.

11 Concepto of temperatura de brillo
La función de filtro de un satélite es tal que una medición es la energía integral entre los límites de la longitud de onda multiplicada con el filtro espectral. -1 B (W / m2 / sr / μm-1 )  1 2 Si la cantidad de energía medida por un píxel del satélite alcanza el nivel indicado por la barra colos naranja a 10 μm, por ejemplo, podemos ver que esta barra cae dentro de la curva de Planck de 250 K y en ese caso diríamos que hemos medido una temperatura de brillo de 250 K. En primer lugar, explicaremos la función de filtro, que básicamente está determinada por el “hardware” del satélite: el filtro asegura que sólo la radiación entre las longitudes de onda indicadas incida en el sensor. En este ejemplo, la mayor parte de la radiación corresponde a la longitud de onda 0, menos radiación proviene de las longitudes de onda cerca de 1 y 2. Esta radiación integral, multiplicada con la función de filtro, es nuestra medición final en una unidad de intensidad física que suele ser W/(m2 sr μm-1). Esta intensidad física se puede “insertar” en la función de Planck y, si resolvemos la función de Planck para T, obtenemos la temperatura “de brillo”. En nuestro ejemplo, esta lectura de temperatura viene siendo 250 K. No obstante, ésta no es necesariamente la “verdadera” temperatura del cuerpo observado, ya que la Ley de Planck sólo describe la radiación de cuerpo negro.

12 Navegación y calibración del satélite
Volviendo a nuestro ejemplo anterior en el que consideramos píxeles individuales en una imagen IR: Para saber la ubicación exacta de un píxel, tenemos que navegar por la imagen (georreferenciarla). Para transformar las mediciones reales (los valores sin procesar) en unidades físicas, es preciso calibrar el instrumento. ¡La navegación y la calibración son requisitos previos importantes para obtener productos de buena calidad! Posición 1:24:17 S / 33.56:32 E Valor sin procesar 436 Radiancia 78,94 mW/m2/sr/cm-1 Temperatura 278,21 K Posición 1:47:42 S / 33.01:08 E Valor sin procesar 633 Radiancia 119,33 mW/m2/sr/cm-1 Temperatura 304,21 K Esta diapositiva trata de la importancia de la buena navegación y calibración del instrumento: la navegación, es decir, una georreferencia adecuada de cada píxel, es importante porque de otra forma no sabríamos “dónde” se halla el producto derivado, un dato importante para la gran mayoría de los productos. Calibración significa transformar la medición original del satélite, que normalmente es la representación digital de una corriente eléctrica, en una unidad física. La calibración es un aspecto importante, ya que de otra forma no tendríamos idea acerca del valor físico real y esta incertidumbre se vería reflejada en una incertidumbre del producto. A veces es difícil lograr la calibración y la navegación; como este aspecto realmente se merece una presentación aparte, no vamos a tratar el asunto más allá de lo que acabamos de explicar. De todas maneras, este ejemplo de una imagen IR debería dejar claro que la calibración sólo transforma el “valor sin procesar” en “radiancia”; para pasar de la radiancia a la temperatura de brillo utilizamos la función de Planck para la región de longitud de onda dada.

13 Posible contenido de información de las imágenes de satélite (VIS)
NIEVE RADIANCIA SOLAR FUERA DE LA ATMÓSFERA RADIANCIA SOLAR DIRECTA AL NIVEL DEL MAR MASA DE AIRE – 1,5 VAPOR DE AGUA = 2,0 cm OZONO = 0,34 cm ’ aerosol 550 nm = 0,126 Ǻ exponente = 0,56 BANDAS MODIS RADIANCIA SOLAR ESPECTRAL (Wm-2 µm-1) REFLECTANCIA PASTO SUELO LONGITUD DE ONDA () EN NANÓMETROS LONGITUD DE ONDA () EN NANÓMETROS Vamos a considerar más en detalle el contenido de información de los canales solares: a la izquierda vemos el espectro de radiancia solar en la cima de la atmósfera (línea azul); la forma de esta curva está determinada exclusivamente por procesos físicos que ocurren en el Sol. En la superficie recibimos el espectro naranja: éste es considerablemente menor porque la atmósfera ya absorbió y reflejó parte de la radiación entrante. Observe las regiones de absorción de gases debida a vapor de agua, oxígeno y otros gases a ciertas longitudes de onda. Ahora este espectro disponible (línea naranja) se ve reflejado por la superficie, donde la reflexión depende del tipo de superficie. A la derecha podemos ver un panorama general: la nieve, por ejemplo, refleja mucho a longitudes de onda cortas (por eso la percibimos como “blanca”), pero mucho menos a longitudes de onda más largas (que el ojo humano no puede percibir). Cuando esta radiación reflejada vuelve a atravesar la atmósfera, es objeto otra vez de los efectos de absorción y dispersión de la atmósfera antes de alcanzar el satélite. Esto significa que la imagen satelital final es un resumen de varios procesos complejos. Esto describe una atmósfera “sin nubes” o despejada. Las nubes, con sus procesos de absorción y dispersión muy específicos, agregan aún más complejidad. Contenido de información de los canales VIS/solares: los diferentes tipos de superficie terrestre reflejan la radiancia solar directa de forma distinta, ¡y esto significa que los canales VIS pueden brindarnos información sobre los tipos de superficie! Figura cortesía de P. Menzel

14 Posible contenido de información de las imágenes de satélite (IR)
ABSORCIÓN (%) LONGITUD DE ONDA (µm) EMISIVIDAD (%) LONGITUD DE ONDA (µm) Vamos a considerar más en detalle el contenido de información de los canales térmicos: el panel inferior muestra cómo las diferentes superficies emiten la radiación. La emisividad describe el porcentaje de radiación de cuerpo negro de Planck emitida (el 100 % sería un cuerpo negro perfecto). A continuación, esta radiación sube por la atmósfera y en algunas longitudes de onda es absorbida por un gas específico de la atmósfera. El panel superior muestra estas regiones de absorción. Si examinamos la longitud de onda de 6 μm, por ejemplo, vemos que la radiación emitida por la superficie es absorbida completamente por la atmósfera, lo cual significa que ninguna parte de la radiación de 6 μm proveniente de la superficie alcanza la cima de la atmósfera. Esta radiación proviene de la atmósfera en si, que vuelve a emitir la radiación absorbida a su propia temperatura (normalmente más baja). Si ahora consideramos las longitudes de onda alrededor de μm, podemos ver que aquí la absorción es muy escasa, de modo que la radiación emitida por la superficie puede alcanzar la cima de la atmósfera sin sufrir demasiada atenuación. Estas regiones “transparentes” del espectro suelen denominarse “ventanas atmosféricas”. Dependiendo de la longitud de onda, lo que alcanza el satélite es la suma de varios procesos bastante complejos. La presencia de nubes complica aún más el panorama. Contenido de información de los canales IR/térmicos: el panel inferior muestra las propiedades de emisión de distintas superficies. Esta radiación emitida sube por la atmósfera y, dependiendo de la longitud de onda, está sometida a los procesos de absorción de gases en la atmósfera; el panel superior muestra la ubicación de las principales regiones de absorción. Imagen cortesía de P. Menzel

15 Ejemplo de diferentes imágenes IR en diferentes regiones de absorción
4 canales (Meteosat-8), misma vista: temperaturas de brillo muy distintas Éste es un ejemplo del efecto dramático de la absorción de gases atmosféricos en los canales infrarrojos. Las imágenes de este ejemplo fueron tomadas por Meteosat-8, pero el mismo concepto rige para todos los instrumentos de generación de imágenes infrarrojas. En la izquierda superior vemos el canal IR10.8 (10,8 μm es la longitud de onda central): como aquí la absorción atmosférica es muy tenue, la radiación de la superficie sólo sufre cambios menores debido a la atmósfera y, por tanto, la imagen muestra características de superficie. Sólo las nubes “obstruyen” la vista de la superficie. La temperatura indicada es la temperatura de brillo de un píxel sin nubes sobre el Océano Índico, muy cercana a la verdadera temperatura de la superficie del mar. En la derecha superior vemos el canal IR9.7: el ozono atmosférico absorbe un poco de radiación en esta región de longitud de onda. La absorción es bastante débil, de modo que aún podemos “ver” las características de superficie en esta imagen. No obstante, la lectura de temperatura del mismo píxel ya es mucho más baja en IR10.8, lo cual es una consecuencia de la absorción del ozono. En la izquierda inferior vemos el canal WV6.2: éste es un canal de muy fuerte absorción de vapor de agua centrado en la longitud de onda de 6,2 μm. El grado de absorción es tal que es imposible ver la superficie, y en su lugar el canal mide una señal proveniente de una altura entre 300 y 500 hPa (la altura es menor cuando la humedad es menor, es decir, las lecturas de temperatura se volverían más cálidas; más frías en una atmósfera muy húmeda). Sólo las cimas de las nubes más altas destacan arriba de esta capa de fuerte absorción y se observan como estructuras blancas. Por tanto, la lectura de temperatura indicada es fría y proviene de la troposfera superior. En la derecha inferior vemos el canal WV7.3: éste también es un canal de absorción de vapor de agua, pero con una absorción algo más débil que WV6.2. Aquí también las características de superficie son casi invisibles y la radiación observada proviene de una capa atmosférica entre 500 y 800 hPa, aproximadamente, y aquí también depende del contenido de humedad real. Por lo tanto, observamos una lectura de temperatura más cálida que en el canal WV6.2, pero aún más fría que en IR10.8.

16 Examinaremos algunos ejemplos de este mecanismo más adelante.
Importante herramienta de interpretación: modelo de transferencia radiativa Los modelos de transferencia radiativa son herramientas importantes para la interpretación de las imágenes satelitales. Dichos modelos pueden simular los procesos de radiación dentro de la atmósfera. Esto permite calcular el campo de radiación en la cima de la atmósfera y compararlo con las mediciones del satélite. Esta comparación puede revelar aspectos importantes del estado actual de la atmósfera, es decir, constituye un primer paso hacia la elaboración de un “producto”. Examinaremos algunos ejemplos de este mecanismo más adelante. El texto de esta diapositiva casi se explica por si solo. Se introduce el concepto de modelo de transferencia radiativa que, como veremos más adelante, es una herramienta muy importante para la extracción de productos cuantitativos.

17 Importante herramienta de interpretación: modelo de transferencia radiativa
Los modelos de transferencia radiativa necesitan como datos de entrada la información sobre la superficie, el perfil atmosférico, la presencia de gases en la atmósfera, las propiedades de la nube, etc. Con estos datos de entrada, la ecuación que rige los procesos de radiación (ecuación de transferencia radiativa) se resuelve en forma numérica. Existen varios esquemas numéricos que aumentan o reducen la precisión de estos modelos y la potencia de procesamiento informático necesaria para ejecutarlos. Normalmente, estos modelos suponen algunas simplificaciones (p. ej., capa atmosféricas y nubes paralelas al plano). El texto de esta diapositiva casi se explica por si solo. Se explican los modelos de transferencia radiativa un poco más en detalle.

18 Productos satelitales: ejemplo de derivación de vectores del viento
Para un satélite geoestacionario, las imágenes consecutivas muestran muy bien el movimiento de las nubes p. ej.: en imágenes VIS o IR10.8). Este ejemplo contiene 3 imágenes consecutivas de IR10.8 tomadas a intervalos de 15 minutos. ¡Observe la característica nubosa en el círculo naranja! Ésta es la diapositiva de introducción de nuestro primer ejemplo de un producto: derivación de vientos. La forma más sencilla de hacerlo consiste en usar un satélite geoestacionario que permita seguir el movimiento de las nubes en imágenes consecutivas. Esta diapositiva emplea tres imágenes consecutivas en las cuales hemos elegido una cierta característica nubosa para fines de ilustración (círculo naranja).

19 Derivación de vectores del viento: paso de seguimiento
Diapositiva 1 de 4: Esta secuencia de cuatro diapositivas muestra el proceso de selección de un blanco adecuado en la primera imagen, indicado por el rectángulo rojo. Conviene seleccionar como blancos áreas de alto contraste. En la próxima imagen, esta área de blanco inicial se muestra otra vez como un rectángulo rojo, la característica nubosa, pero mientras tanto se ha desplazado hacia el noreste. Una extracción automática del viento desplaza el blanco dentro de ciertos límites alrededor de su ubicación original hasta que encuentre una buena correspondencia, es decir, una buena correlación entre el rectángulo inicial en la imagen 1 y la nueva posición en la imagen 2. Esto se muestra con el rectángulo blanco en la cuarta diapositiva de esta secuencia. De la imagen 1 a la imagen 2: se identifica cierto patrón significativo en la imagen 1 (= área de alto contraste). En la imagen 2, esta área se desplaza en varias direcciones para hallar la mejor “correspondencia” con la imagen 1.

20 Derivación de vectores del viento: paso de seguimiento
Diapositiva 2 de 4: Esta secuencia de cuatro diapositivas muestra el proceso de selección de un blanco adecuado en la primera imagen, indicado por el rectángulo rojo. Conviene seleccionar como blancos áreas de alto contraste. En la próxima imagen, esta área de blanco inicial se muestra otra vez como un rectángulo rojo, la característica nubosa, pero mientras tanto se ha desplazado hacia el noreste. Una extracción automática del viento desplaza el blanco dentro de ciertos límites alrededor de su ubicación original hasta que encuentre una buena correspondencia, es decir, una buena correlación entre el rectángulo inicial en la imagen 1 y la nueva posición. Esto se muestra con el rectángulo blanco en la cuarta diapositiva de esta secuencia. De la imagen 1 a la imagen 2: se identifica cierto patrón significativo en la imagen 1 (= área de alto contraste). En la imagen 2, esta área se desplaza en varias direcciones para hallar la mejor “correspondencia” con la imagen 1.

21 Derivación de vectores del viento: paso de seguimiento
Diapositiva 3 de 4: Esta secuencia de cuatro diapositivas muestra el proceso de selección de un blanco adecuado en la primera imagen, indicado por el rectángulo rojo. Conviene seleccionar como blancos áreas de alto contraste. En la próxima imagen, esta área de blanco inicial se muestra otra vez como un rectángulo rojo, la característica nubosa, pero mientras tanto se ha desplazado hacia el noreste. Una extracción automática del viento desplaza el blanco dentro de ciertos límites alrededor de su ubicación original hasta que encuentre una buena correspondencia, es decir, una buena correlación entre el rectángulo inicial en la imagen 1 y la nueva posición. Esto se muestra con el rectángulo blanco en la cuarta diapositiva de esta secuencia. De la imagen 1 a la imagen 2: se identifica cierto patrón significativo en la imagen 1 (= área de alto contraste). En la imagen 2, esta área se desplaza en varias direcciones para hallar la mejor “correspondencia” con la imagen 1.

22 Derivación de vectores del viento: paso de seguimiento
Good match! Diapositiva 4 de 4: Esta secuencia de cuatro diapositivas muestra el proceso de selección de un blanco adecuado en la primera imagen, indicado por el rectángulo rojo. Conviene seleccionar como blancos áreas de alto contraste. En la próxima imagen, esta área de blanco inicial se muestra otra vez como un rectángulo rojo, la característica nubosa, pero mientras tanto se ha desplazado hacia el noreste. Una extracción automática del viento desplaza el blanco dentro de ciertos límites alrededor de su ubicación original hasta que encuentre una buena correspondencia, es decir, una buena correlación entre el rectángulo inicial en la imagen 1 y la nueva posición. Esto se muestra con el rectángulo blanco en esta diapositiva. De la imagen 1 a la imagen 2: se identifica cierto patrón significativo en la imagen 1 (= área de alto contraste). En la imagen 2, esta área se desplaza en varias direcciones para hallar la mejor “correspondencia” con la imagen 1.

23 Derivación de vectores del viento: paso de seguimiento
Good match! Este proceso se repite entre las imágenes 2 y 3 y se promedian los vectores individuales. El proceso se puede repetir entre la imagen 2 y la imagen 3

24 Calidad de los vectores del viento
Campo vectorial final: posibilidad de control de calidad (coherencia espacial) Vector final de dos parejas de imágenes: posibilidad de control de calidad (coherencia temporal) A la izquierda se muestran ejemplos de los dos vectores individuales en color naranja: en el ejemplo de arriba, los dos vectores color naranja coinciden muy bien en términos de velocidad y dirección, lo cual produce un vector del viento final que es confiable (en rojo). En el ejemplo de abajo vemos que los resultados individuales son bastante contradictorios, de modo que en este caso se asignará al vector final un grado de calidad mucho menor. A la derecha, el campo de vientos final obtenido de esta forma pasa por otro control de calidad, enfocado en la coherencia espacial. El vector rojo de este ejemplo es obviamente un valor atípico y, por tanto, se le asigna un grado bajo de calidad.

25 Seguimiento del viento: ¿calibración y navegación?
El seguimiento del viento es uno de los pocos ejemplos que podemos dar sin calibración: lo único que necesitamos es un poco de contraste en la imagen, de modo que el seguimiento puede funcionar muy bien, por ejemplo, con los “valores sin procesar”. La buena navegación es esencial: Veamos lo que puede ocurrir… Esta diapositiva se explica por si sola.

26 Navegación de imágenes para seguimiento del viento: ejemplo
Con una navegación pobre, ¡el esquema de vientos “sigue” el litoral! En este ejemplo, se supone un error de navegación de 0,5 grados en latitud y longitud. Este ejemplo de dos imágenes consecutivas parece mostrar un ejemplo de deriva continental, pero no es más que un problema de navegación. Se supone un error de navegación de 0,5 grados en latitud y longitud (se trata de un error bastante grande, pero es sólo para ilustrar el problema). En este caso, las áreas de buen contraste son las características costeras de España y África del norte y ¡se haría el seguimiento de ellas!

27 Navegación de imágenes para seguimiento del viento: otro ejemplo
Vector del viento correcto Ésta es la misma secuencia de las imágenes 2 y 3 que vimos antes, con el vector del viento correcto a la izquierda. Ahora se supone que la imagen 3 tenga un error de navegación de 0,5 grados en latitud y longitud: por supuesto que el vector del viento ha cambiado por completo y ahora refleja principalmente el error de navegación. Otro ejemplo de navegación pobre y de cómo influye en el seguimiento del viento: aquí se supone un error de navegación de 0,5 grados en latitud y longitud para la imagen 2 (derecha). El seguimiento hallaría un vector del viento con la velocidad y dirección completamente incorrectas en comparación con el ejemplo navegado correctamente que vimos antes.

28 Extracción del blanco: ejemplo de Meteosat sobre Europa Occidental
Cada cruz marca un posible blanco identificado para la extracción de vientos, tomado del procedimiento automático que encuentra las áreas de alto contraste. ¡No todos los blancos son muy adecuados para el seguimiento! Éste es un ejemplo real del software Meteosat para los vientos: las cruces marcan las áreas que han sido identificadas como posibles blancos de seguimiento, es decir, áreas de alto contraste. Observe también que en un comienzo las costas se consideran como blancos adecuados en este paso meramente de comparación de contraste.

29 Campo de vientos final de un satélite geoestacionario
Ejemplo tomado de Meteosat-8: los colores hacen referencia a canales diferentes que se usaron dentro del seguimiento. Se ha logrado una buena cobertura de datos del viento. Esta diapositiva se explica por si sola.

30 Datos de vientos desde órbitas polares
Cobertura global de satélite geoestacionario La frecuencia de visita está garantizada para los satélites geoestacionarios. La frecuencia de visita para las órbitas polares es muy alta cerca de los polos. Esta parte del ejemplo sobre vientos va a tratar del hecho de que es posible realizar la extracción de vientos incluso con los datos de los satélites en órbitas polares, cerca de los polos, lo cual complementa muy bien los campos de vientos derivados de un satélite geoestacionario en otras latitudes.

31 Ejemplo real de órbita polar: imágenes de vapor de agua de MODIS
Este ejemplo muestra que hay bastante superposición entre órbitas consecutivas (~1,5 horas de diferencia temporal). Éste es un ejemplo real de las pasadas de MODIS sobre el Ártico. Se muestran imágenes del canal de vapor de agua y pese al intervalo de tiempo bastante largo de ~1,5 horas entre dos órbitas sucesivas, podemos seguir fácilmente el movimiento de la estructura de vapor de agua a simple vista. Este ejemplo ilustra también que el esquema de seguimiento no necesita necesariamente nubes, ya que también funciona con radiancias de vapor de agua, donde a menudo el contraste proviene de masas de aire secas y húmedas. Por lo tanto, los vientos en vapor de agua no dependen tanto de la presencia de nubes. Estos datos de vientos de “cielos despejados” también se extraen rutinariamente de los canales de vapor de agua de los satélites geoestacionarios.

32 Representación compuesta del campo de vientos polares
Una representación compuesta diaria de todos los vientos derivados de las pasadas de MODIS: ¡la cobertura de vientos es muy extensa!

33 Asignación de altura a los vientos
Mientras la velocidad y dirección de los vientos se identifican bien en el paso de seguimiento, aún queda por solucionar el asunto de la altura: vamos a considerar el ejemplo del canal IR10.8 en el que se hizo el seguimiento de una nube. ¿Qué mide el satélite? nube delgada semitransparente nube opaca gruesa Esta diapositiva introduce el concepto de asignación de altura a las nubes: para el canal IR10.8, que hemos elegido porque brinda un ejemplo bastante claro, cabe distinguir dos casos independientes. A la izquierda: la nube es muy gruesa, es decir, una nube tipo Cb. La radiación detectada por el satélite proviene exclusivamente de la cima de la nube o de capas cerca de la cima de la nube. Podemos decir que las nubes como ésta son “opacas”. A la derecha: la nube es muy delgada, por ejemplo, una nube tipo Ci. La radiación detectada por el satélite es una mezcla de la radiación emitida por la nube y la radiación emitida por la superficie que luego se transmite a través de la nube. Estas nubes se conocen como “semitransparentes”.

34 Ejemplo tomado de una imagen real
En la imagen del canal IR10.8 vemos varias nubes opacas en el centro y más nubes semitransparentes en el sur. Las lecturas de temperatura de algunos píxeles muestran el efecto dramático de la semitransparencia, aunque la diferencia de altura real entre estas nubes no es muy grande. En este ejemplo podemos ver nubes de convección altas en una imagen del canal IR10.8 de Meteosat-8: estas nubes son muy opacas y muestran temperaturas máximas de 200 K o menos. El campo de cirros en el sur está probablemente cerca de la misma altura, pero presenta temperaturas mucho más altas debido a la contribución más alta de la superficie. ¿Cómo sabemos que éstas son realmente nubes altas? Visualmente estas nubes dan la impresión de una estructura tipo cirros, pero lo que es más importante es que otros canales a bordo de Meteosat-8 indican que se trata de nubes de hielo, y a una temperatura de 260 K esto es imposible. La única explicación posible es la semitransparencia.

35 Asignación de altura a nubes opacas
Se compara la temperatura de brillo IR del píxel de la nube con el perfil de temperatura pronosticado a nivel local y se coloca la nube en la altura donde los dos perfiles coinciden. Perfeccionamiento: la absorción de vapor de agua arriba de la nube se modela mediante un modelo de transferencia radiativa. Problema: inversiones La asignación de altura para las nubes opacas es algo relativamente sencillo: simplemente se compara la temperatura medida del canal IR10.8 con el perfil de temperatura pronosticado y se coloca la cima de la nube en el punto donde las temperaturas coinciden. Es posible aumentar la precisión utilizando un modelo de transferencia radiativa, con el perfil de temperatura y humedad como datos de entrada, y computar la temperatura IR que se espera en teoría para nubes a distintas alturas; la altura final corresponde al mayor grado de coincidencia. Las inversiones representan un posible problema, tal como se observa en el ejemplo: una temperatura aproximada de -55 °C coincide con el nivel de 200 hPa, pero también con la altura cerca de 160 hPa: es difícil evaluar la verdadera altura en situaciones como éstas. Un problema general consiste en decidir si una nube es opaca o no: normalmente podemos usar una combinación de varios canales infrarrojos (a diferentes longitudes de onda) para aliviar este problema. Si esta información no está disponible, tendrá que trabajar con suposiciones que probablemente tenderán a degradar la calidad del producto: obviamente, con menos información la calidad es más pobre.

36 Asignación de altura a nubes semitransparentes (1)
Uno de los muchos métodos de corrección de semitransparencia emplea las mediciones de los canales IR10.8 y de vapor de agua (normalmente WV6.2). Como paso inicial, se computa una relación teórica entre las radiancias infrarroja y de vapor de agua para las nubes opacas a diferentes alturas. Esto se hace otra vez con un modelo de transferencia radiativa. Curva de nube opaca Existen muchos esquemas de corrección para la corrección de semitransparencia. Todos los métodos usan un canal de ventana IR junto con algún canal de absorción, que puede ser el canal de absorción de vapor de agua o de CO2. A modo de ejemplo, mostraremos el método de intercepción de IR y vapor de agua, que se usa con frecuencia: en primer lugar, se establece una relación teórica entre las radiancias IR y de vapor de agua para una determinado perfil atmosférico. Se utiliza un modelo de transferencia radiativa en el cual las nubes se colocan en varios niveles de la atmósfera y se calculan las radiancias de IR y vapor de agua correspondientes. Aquí se muestra un trazado típico. Los pequeños números azules dan la altura de la nube correspondiente en hPa. Observe que el canal de vapor de agua (eje y) se vuelve progresivamente menos sensible a las nubes a medida que son más bajas, lo cual es exactamente lo que vemos en las imágenes: ninguna contribución de la superficie o de las nubes más bajas. Radiación IR

37 Asignación de altura a nubes semitransparentes (2)
Curvas de escenas de nubes individuales y nubes semistransparentes Las radiancias de IR y vapor de agua observadas para varios píxeles de nube adyacentes se comparan luego con la curva teórica: mientras una nube opaca caería en la curva, las mediciones de curvas semitransparentes caen algo debajo de la curva. La altura real de la nube de todos estos píxeles es el punto de intercepción con la curva teórica. El paso siguiente consiste en comparar la radiancias de IR y vapor de agua observadas para varios píxeles de determinada nube con esta relación teórica. Aquí también se muestra un típico trazado, junto con la línea teórica (los colores de los puntos del gráfico de dispersión no importan para nuestra consideración). Para una radiancia de vapor de agua dada, las radiancias de IR son mucho más altas de lo que esperamos teóricamente, y esto se debe a la contribución adicional de la superficie debido a la semitransparencia. En el caso ideal, los puntos siguen una líneas bastante recta y el punto de intercepción entre la recta y la curva teórica viene siendo la altura de todos estos píxeles nubosos. La suposición subyacente es que los píxeles pertenecen a una nube de semitransparencia variable con una contribución común de la superficie. Es este caso, la altura calculada vuelve a ser 220 hPa, pero desgraciadamente no todos los casos son tan ideales, de modo que la asignación de altura de los vientos sigue siendo una de las principales causas de incertidumbre en todo el proceso de derivación de vientos. Radiación IR 220 hPa

38 Productos satelitales: ejemplo de derivación de una máscara de nubes
Habla la intuición: la detección de nubes es algo sencillo, son las características frías en las imágenes IR (izquierda) y las características brillantes en las imágenes VIS (derecha). Dejemos el ejemplo de vientos para considerar un ejemplo de otro tipo de producto satelital: la máscara de nubes. Normalmente, éste es el primer paso de cualquier interpretación y tiene por objetivo separar los píxeles nubosos de los que están libres de nubes. Parece sencillo, ¿verdad?

39 Pero al mirar los detalles…
Zona ampliada de una imagen IR: puede resultar muy difícil decidir si los píxeles individuales son nubosos o no. Áreas problemáticas: bordes de la nube, píxeles parcialmente llenos, nubes multinivel, superficies frías o brillantes… Cuando realmente comenzamos a mirar al nivel de píxel, queda claro que la detección de nubes es un asunto bastante complicado: este ejemplo muestra una ampliación de una imagen de la ventana IR donde podemos ver la nube grande y fría en la parte inferior de la imagen. Sin embargo, resulta bastante difícil decidir si los píxeles individuales en el borde de la nube son nube o no. La diapositiva llama la atención a algunas de las áreas problemáticas, y mostraremos ejemplos en las próximas diapositivas.

40 Detección de nubes: condiciones difíciles
Canal VIS: nubes brillantes sobre una superficie desértica brillante Debido a que las nubes son buenos reflectores de la luz solar, normalmente aparecen como características brillantes en las imágenes VIS y, por tanto, se detectan fácilmente. La situación cambia cuando la superficie subyacente es también muy brillante, como ocurre, por ejemplo, con la superficie de un desierto.

41 Detección de nubes: condiciones difíciles
Destello solar Canal VIS: las superficies brillantes pueden también existir sobre los océanos (destello solar) Otro ejemplo de una superficie brillante es el área de destello solar sobre el océano. Cualquier esquema automático de detección de nubes debe tener esto en consideración, ya que de lo contrario las mediciones del canal VIS en esta región se interpretarían incorrectamente como nubes.

42 Detección de nubes: condiciones difíciles
Estas características sobre el Atlántico Sur podrían interpretarse fácilmente como nubes (ligeramente más frías que la superficie), pero en realidad se trata de corrientes oceánicas frías. Otra área problemática son las zonas donde se juntan las corrientes oceánicas cálidas y frías. A menudo, la estructura de turbulencia exacta de estos efectos de temperatura oceánica no se reflejan adecuadamente en los análisis de la temperatura de la superficie del mar. Este ejemplo muestra meandros oceánicos en el Atlántico Sur que podrían fácilmente interpretarse incorrectamente como nubes bajas.

43 Generación automática de máscara de nubes: ejemplo de Meteosat-8
El esquema operativo de detección de nubes de EUMETSAT es una técnica denominada “de umbrales” Se comparan los datos de las imágenes tomadas en varios canales IR con las temperaturas de brillo teóricas esperadas calculadas por un modelo de radiación Los datos de entrada al modelo de transferencia radiativa son perfiles pronosticados de temperatura y humedad Si están disponibles, se comparan los datos VIS con el brillo de superficie esperado para un píxel despejado Otros factores determinantes: máscara tierra-mar distancia a la próxima costa información de la imagen anterior (15 minutos antes) desviación estándar local ubicación del destello solar Esta diapositiva resume brevemente el proceso de generación de una máscara de nubes de Meteosat. En teoría, se comparan los datos de la imagen con un valor esperado “sin nube”. Ahora podemos comprender la importancia del modelo de transferencia radiativa. Esta recuperación de máscara de nubes es una técnica clásica de umbrales. Cuando la mayoría de estas comparaciones coinciden en que se trata de una nube, se marca el píxel como “nuboso”. En las próximas diapositivas se dan algunos ejemplos de la importancia de la máscara tierra-mar y la distancia a la próxima costa. Aunque estos ejemplos provienen de Meteosat, muchos otros satélites emplean esquemas de nubes similares y presentan área problemáticas parecidas.

44 Generación de máscara de nubes: requisitos previos importantes
Necesitamos una buena navegación de la imagen, ya que en caso contrario la imagen no “coincidirá” con nuestro modelo de superficie (litorales, etc.). Necesitamos un buen registro entre los canales individuales, ya que en caso contrario la información de los distintos canales puede resultar contradictoria. Y necesitamos una buena calibración, especialmente de los canales IR, para comparar las temperaturas de brillo. Señalamos algunos aspectos importantes de la generación de la máscara de nubes que también son importantes para muchos otros productos satelitales: los dos primeros puntos hablan de navegación y registro entre canales (es decir, el mismo píxel en el canal A coincide geográficamente con la misma ubicación para el canal B y no se ha desplazado). El tercer punto vuelve a hacer referencia a la calidad de calibración: aquí la calibración es extremadamente importante, porque se trata de unidades físicas a lo largo de todo el procesamiento.

45 Problema de detección de nubes cerca de la costa: esquema
Puntos de malla para perfiles de pronóstico Mar Tierra Píxel sobre el mar Imagínese la situación siguiente: un litoral como el que representa la línea azul, con el mar a la izquierda y la tierra firme a la derecha de la línea. Consideramos un píxel sobre el mar (el círculo grande color naranja). Nuestro modelo de pronóstico nos proporciona los perfiles atmosféricos disponibles sobre una malla normal (los puntos azules).

46 Problema de detección de nubes cerca de la costa
Temperatura IR prevista: 309 K 310 K Esperado: ~309 K, pero la medición sólo indica 293 K 308 K 312 K Tierra Mar Durante el día, cuando la superficie de suelo está cálida, el píxel sobre el mar es mucho más frío de lo previsto para los cuatro puntos de malla circundantes, es decir, se marcaría como “nuboso”. Los números dan un ejemplo. Vamos ahora a considerar sólo los cuatro puntos de malla alrededor de nuestro píxel sobre el mar. Supongamos que es de día y que el suelo ya ha alcanzado una temperatura bastante alta. Los cuatro puntos de malla adyacentes van a predecir una radiancia IR teórica bastante alta para nuestro píxel. No obstante, como el píxel se halla sobre el mar, que ahora es más frío que la tierra firme, el píxel se considera “nuboso” porque es demasiado frío. Los números alrededor de los puntos de malla del pronóstico dan un ejemplo de una posible combinación de temperaturas IR pronosticadas: todas alrededor de 309 K. La medición de nuestro píxel sobre el mar es de ~293 K, lo cual es mucho más frío de lo previsto si se lo compara con la previsión de 309 K. En fin, se trata de una clasificación de nube incorrecta.

47 Problema de detección de nubes cerca de la costa
Ejemplo real de este efecto del procesamiento de nubes de Meteosat-8 Podemos ver este efecto en un ejemplo real a lo largo de la costa de Namibia. Podemos incluso ver que la característica nubosa (clasificada incorrectamente) sigue la malla de pronóstico de 1 grado, es decir, muestra la estructura angular de las líneas de la malla. Estos patrones aparecen a menudo cuando los datos del satélite no se usan solos, sino se combinan con los datos de malla, como sucede con la salida de un modelo numérico.

48 Solución: usar un punto distinto de la malla de pronóstico
Mar Tierra Punto de pronóstico relevante para nuestro píxel Aquí se muestra una posible solución para este problema. Existen muchos problems detallados como éste sólo para el esquema de detección de nubes. Tenemos que recordar que algo que a primera vista parece relativamente sencillo puede volverse muy difícil cuando se considera en detalle. El algoritmo de detección automática de nubes debe tomar en cuenta este efecto y usar para los píxeles cercanos a la costa un punto de la malla de pronóstico que corresponda al mismo tipo de superficie.

49 Algoritmos de recuperación de productos avanzados: impresión visual del contenido de información de las imágenes multiespectrales Los muchos instrumentos de generación de imágenes multiespectrales que están disponibles en la actualidad nos brindan varias opciones para combinar visualmente los canales individuales de acuerdo con combinaciones de distintos colores, cada uno de los cuales resalta una característica distinta. Ya las imágenes multiespectrales nos permiten representar visualmente bastantes fenómenos interesantes y, por supuesto, cuantos más canales a nuestra disposición, tantas más combinaciones serán posibles y con toda probabilidad tantas más características podremos detectar. Éstos son sólo dos ejemplos de muchas posibilidades: detectar la convección severa con combinaciones de canales VIS y detectar tormentas de polvo mediante combinaciones de canales IR. Existen muchos otros ejemplos… Parte más severa de las nubes convectivas en amarillo Tormenta de arena en color magenta

50 Algoritmos de recuperación de productos avanzados: Derivación de la información de las imágenes multiespectrales Con un número mayor de canales, las técnicas tradicionales de umbrales que presentamos antes han alcanzado sus límites. En lugar de hacer cantidades de pruebas de umbral con varios resultados del modelo de transferencia radiativa, es posible hacerlo todo “de una vez” (en forma matemática). Tales métodos suelen denominarse técnicas “de estimación óptima”, lo cual significa que se busca la solución que mejor se ajuste a las mediciones. Existen esquemas matemáticos, basados en teoremas de probabilidad, que pueden llevar a cabo estas tareas. Hemos llegado a un método más “avanzado” para derivar los productos, el método de estimación óptima. Este método es muy eficaz cuando se trata de varios canales, es decir, muchas observaciones. Aunque la técnica de umbral que presentamos antes también trata de encontrar una solución “óptima”, por ejemplo una máscara de nubes confirmada por la mayor cantidad de mediciones de los canales individuales, estas técnicas no suelen considerarse de estimación óptima, ya que el esquema matemático subyacente es diferente. La próxima diapositiva brinda más detalles.

51 Estimación óptima: ejemplo (1)
Miramos el ejemplo de mediciones VIS a diferentes longitudes de onda sobre las nubes. La nube se caracteriza por una serie de propiedades; en este ejemplo se trata de la profundidad óptica , el tamaño de las partículas re, la presión en la cima de las nubes pc y el estado del agua en las nubes f (de hielo, de agua o de mezcla). Concebimos estas propiedades como el “vector nuboso” x. También tenemos el vector de observación y del satélite (varios canales VIS). Observación “y“ del satélite x = t re pc f Rs Mostramos la técnica de estimación óptima con el ejemplo de la recuperación multiespectral de las propiedades de la nube. Las propiedades de la nube en cuestión son su profundidad óptica, el tamaño efectivo de las partículas, la presión en la cima de la nube y la fase o estado del agua de la nube: hielo, agua o una mezcla. En este ejemplo relativo a la radiación solar, la profundidad óptica es una medida de la semitransparencia de la nube. Las flechas amarillas del gráfico muestran esquemáticamente los procesos que contribuyen a la observación “y” del satélite, que también es un vector, ya que contamos con varios canales. Tenemos la radiación solar entrante, su reflejo de vuelta hacia el espacio, su transmisión a través de la nube, el reflejo de la superficie, la absorción dentro de la atmósfera, la dispersión dentro de la nube. Finalmente, todos estos procesos determinan el vector de observación y.

52 Estimación óptima : ejemplo (2)
Podemos “modelar” una nube en un modelo de transferencia radiativa, y para eso necesitamos hacer suposiciones sobre x. Un determinado ciclo de ejecución del modelo arroja la salida ym(x). Nuestra observación y, sin embargo, también depende de x. El objetivo de la “estimación óptima” es encontrar la combinación x que minimice | y(x) - ym(x) | observación satelital y x = t re pc f Rs Mostramos la técnica de estimación óptima con el ejemplo de la recuperación multiespectral de las propiedades de la nube. Las propiedades de la nube en cuestión son su profundidad óptica, el tamaño efectivo de las partículas, la presión en la cima de la nube y la fase o estado del agua de la nube: hielo, agua o una mezcla. En este ejemplo relativo a la radiación solar, la profundidad óptica es una medida de la semitransparencia de la nube. Las flechas amarillas del gráfico muestran esquemáticamente los procesos que contribuyen a la observación del satélite y, que también es un vector, ya que contamos con varios canales. Tenemos la radiación solar entrante, su reflejo de vuelta hacia el espacio, su transmisión a través de la nube, el reflejo de la superficie, la absorción dentro de la atmósfera, la dispersión dentro de la nube. Finalmente, todos estos procesos determinan el vector de observación y. Existen herramientas matemáticas que permiten encontrar el valor x óptimo para minimizar esta differencia.

53 Estimación óptima: teoría del esquema matemático
La ponderación por errores de medición incluida (con las correlaciones) asegura que las mediciones no se utilicren ni de más ni de menos. Cuando hay estimados previos disponibles, el marco teórico los acomoda fácilmente. Mejor ‘AJUSTE’ minimizando la función de costo: ésta es la potencia básica de la estimación óptima, ya que el mejor ajuste toma en cuenta todas las mediciones. Además, el costo final se puede considerar como una estimación de error de la solución. Incluimos estas ecuaciones de aspecto complicado sólo para que la presentación sea completa: estas ecuaciones describen el concepto matemático subyacente de estimación óptima y se derivan de un teorema de probabilidad. El parámetro básico es la función de costo J, una medida de lo bien que funciona este proceso de minimización o reducción (costo alto = solución mala, es decir suposiciones inadecuadas del modelo). La primera ecuación muestra que la función de costo ha sido ponderada con los errores de medición reales Sy, lo cual significa que nuestra solución no puede nunca ser más exacta que las mediciones reales. La segunda ecuación muestra que es posible añadir a la función de costo una “primera aproximación” a la solución; normalmente esto brinda la ventaja de que la solución se halla más rápido. La primera aproximación también está ponderada con su propio error inherente o incertidumbre Sx El texto en el recuadro punteado es muy importante: ¡léalo! En resumen, estos tipos de algoritmos de estimación óptima representan enfoques iterativos para encontrar una “mejor” solución, es decir, una solución que minimice el costo J. Existen varias técnicas matemáticas para llevar a cabo este proceso de minimización. Cabe notar que un “costo” final alto no significa que la solución es incorrecta, sino que simplemente refleja el hecho de que las suposiciones subyacentes del modelo no son adecuadas (para el ejemplo de propiedades de la nube de los canales VIS, las sombras de las nubes pueden provocar un costo elevado). J = costo

54 Estimación óptima: ejemplo de la función de costo
Esta imagen muestra un ejemplo de la función de costo de profundidad óptica y tamaño efectivo de las partículas para un píxel de nube dado. Las flechas azules muestran las soluciones iterativas que finalmente arrojan el costo mínimo. En términos matemáticos, esto se hace minimizando la función de costo, es decir, calculando su derivada y de búsqueda iterativa del vector x donde esta derivada es cero. Este ejemplo fue tomado de la recuperación de nubes pera los canales VIS de Meteosat-8: para un píxel dado, por ejemplo, una determinada combinación de radiancias VIS, se muestran las posibles soluciones de profundidad óptica (eje x) y de tamaño efectivo de las partículas (eje y) en términos de su costo general, que se muestra con las isolíneas y los colores del diagrama. En primer lugar, es importante observar que existe un solo valor mínimo, ¡lo cual no siempre es el caso con las soluciones de estimación óptima! En segundo lugar, el enfoque iterativo elegido encuentra este mínimo en tres pasos, indicados por las flechas azules.

55 Costo de la solución como indicador de calidad: un ejemplo
Este ejemplo muestra la distribución horizontal del costo de la solución final de recuperación de nubes de un campo nuboso observado. Los costos más altos suelen producirse en los bordes de las nubes (amarillo y rojo), lo cual es bastante comprensible, ya que con toda probabilidad estamos frente a una escena mezclada (en este caso, nubes y superficie); esto significa que el modelo de nube aplicado no es plenamente adecuado, algo que se refleja en el costo elevado. Por tanto, el costo se puede considerar como indicador de la calidad de la recuperación final.

56 Generadores de imágenes y más allá…
Hasta ahora hemos considerado los generadores de imágenes típicos, es decir, los instrumentos con una cantidad limitada de bandas. Los instrumentos de sondeo hiperespectrales utilizan un espectro muy fino para analizar el campo de radiación de la Tierra; si consideramos la cantidad equivalente de canales, pueden ser miles. El instrumento IASI de Metop (el satélite polar de EUMETSAT) es un ejemplo (IASI = Infrared Atmospheric Sounding Interferometer, es decir, Interferómetro de Infrarrojos para Sondeos Atmosféricos). El espectro de IASI en negro, los canales anchos del instrumento HIRS en colores. Vamos a considerar brevemente los típicos productos de sondeo. El concepto de una sonda atmosférica, a diferencia de un generador de imágenes, significa prácticamente que vamos a contar con muchos canales que analizan la atmósfera a alturas diferentes, de modo que se pueda recuperar un perfil de temperatura y/o humedad o el perfil de otro componente atmosférico. El instrumento IASI a bordo de Metop es un ejemplo de una sonda atmosférica. El gráfico da una idea de los muchos “canales” del instrumento IASI (la línea negra) que resuelven el espectro en detalle muy fino. En color hemos superpuesto los canales más anchos del instrumento HIRS, que en realidad se considera también una sonda atmosférica.

57 Instrumentos de sondeo: espectros IASI despejados y nublados
Ci As Clear Cloudy Otro ejemplo de la mediciones IASI de alta resolución para condiciones típicas de cielos despejados y condiciones nubladas. Obviamente, la diferencia relativa entre las dos curvas depende de la longitud de onda, de forma que determinadas propiedades de la nube dejan una signatura muy clara en comparación con el caso de cielos despejados. En la próxima vista podemos ver una comparación de una nube de agua tipo altoestratos (rojo) y una nube de hielo tipo cirros (azul).

58 Instrumentos de sondeo: productos de sondeo
Es posible recuperar los parámetros de esta lista de cada espectro IASI mediante una técnica de tipo estimación óptima: Perfil de temperatura en un mínimo de 40 niveles Perfil de humedad en un mínimo de 20 niveles Columnas de ozono en capas profundas (0-6 km, 0-12 km, 0-16 km, total) Temperatura del suelo y de la superficie del mar Emisividad de superficie en 12 posiciones espectrales Cantidad de N2O, CO, CH4, CO2 en columna Cantidad de nubes (hasta tres formaciones nubosas) Temperaturas máximas de las nubes (hasta tres formaciones nubosas) Estado del agua en las nubes La tremenda cantidad de información espectral disponible permite inferir muchísimos productos de cada medición realizada con el instrumento IASI: en la introducción al concepto de estimación óptima presentamos el concepto de vector x de estado que comprende varios parámetros geofísicos. Para IASI, este vector x contiene todos los parámetros de esta lista. Mientras los primeros tres puntos representan verdaderos productos de “sondeo”, es decir parámetros con información acerca de su estructura vertical, los otros hacen referencia a parámetros de la superficie o de la cima de las nubes y a las cantidades de algunos gases atmosféricos presentes en columnas.

59 Instrumentos de sondeo: ejemplo de recuperación (atmósfera en el Ártico)
Éste es un ejemplo de la precisión de recuperación que se puede obtener con IASI: en este caso usamos un perfil atmosférico sobre el Ártico para simular las mediciones IASI. Perturbamos estas mediciones con el error de medición esperado y aplicamos el algoritmo de recuperación planeada a estos datos IASI simulados: podemos ver que hay una coincidencia muy buena, el error de temperatura es inferior a 1 K y se espera que el error de humedad esté dentro del 10 % de humedad relativa. Real Recuperado

60 Instrumentos de sondeo: ejemplo de recuperación de CH4
Éste es un ejemplo de recuperación de CH4 en columna que podemos obtener de IASI (el IMG/ADEOS es un espectrómetro similar). Columna de CH4 de IMG/ADEOS de 1-10 de abril de 1997

61 Típicas etapas de desarrollo de los productos
Estudio de viabilidad: ¿contiene ese instrumento la información que necesitamos extraer? Elección cuidadosa del algoritmo (por ejemplo: modelo de transferencia radiativa adecuado, límites de tiempo de uso de la CPU, etc.) Una vez terminado: validación, validación, validación, validación La validación puede incluir: comparación con la realidad en el terreno, con los modelos numéricos, con productos similares de otro satélite, con un producto similar derivado con otro algoritmo… Esta diapositiva se explica por si misma y muestra el típico ciclo vital de desarrollo de extracción de productos, especialmente para aplicaciones operativas.

62 Por lo general, los datos del satélite brindan información sobre:
Resumen (1) Podemos transformar los datos del satélite en una enorme cantidad de productos meteorológicos si: el campo de radiación analizado se ve influenciado en alguna medida por el parámetro meteorológico; contamos con una buena calibración del instrumento; contamos con una buena posición geográfica del instrumento. Por lo general, los datos del satélite brindan información sobre: nubes (altura, temperatura, estado del agua, microfísica, …) superficie (temperatura, humedad, altura de las olas, …) parámetros de superficie como reflexividad y emisividad perfiles / componentes / aerosoles atmosféricos vientos (de una serie de imágenes) El texto de esta diapositiva se explica por si mismo. Cabe notar que nuestros ejemplos se han limitado principalmente a los canales solares e infrarrojos de los instrumentos de tipo generador de imágenes y sonda atmosférica (satélites meteorológicos); no obstante, puede existir una gama mucho más amplia: existen instrumentos UV, instrumentos de microondas y radares activos, cada uno de los cuales cuenta con sus propias características y que normalmente está diseñado para generar productos muy específicos.

63 Estos productos satelitales son importantes para:
Resumen (2) Estos productos satelitales son importantes para: asimilación en modelos de predicción numérica del tiempo (PNT) apoyo de aplicaciones de pronóstico inmediato apoyo de aplicaciones climáticas apoyo a la monitorización ambiental en general (incendios, calidad del aire, …) Normalmente los productos están disponibles por medio de: distribución directa por satélite SMT, RMDCN* internet archivos centrales El texto de esta diapositiva se explica por si mismo. SMT = sistema mundial de telecomunicaciones de la OMM RMDCN = Regional Meteorological Data Centre Network (red de centros regionales de datos meteorológicos)

64 Resumen: información útil sobre los productos operativos
Y muchos más… Algunos sitios interesantes para examinar distintos productos; obviamente es una lista muy incompleta, pero puede representar un comienzo. El sitio web de EUMETSAT no sólo ofrece un enlace al centro de productos de EUMETSAT, sino también a las instalaciones de aplicaciones satelitales (SAF, Satellite Application Facilities) de EUMETSAT que derivan enormes cantidades de productos de los satélites geoestacionarios y polares.