Traduzido do Inglês para o Português - www.onlinedoctranslator.

com

Artigo

O monitoramento do clima SAF de radiação de onda

longa de saída de AVHRR
Nicolas Clerbaux * EU IRIA , Tom Akkermans EU IRIA , Edward Baudrez, Almudena Velazquez Blazquez,
William Moutier, Johan Moreels e Christine Aebi
Instituto Real de Meteorologia da Bélgica, B-1180 Bruxelas, Bélgica; tom.akkermans@meteo.be (TA);
edward.baudrez@meteo.be (EB); almudena.velazquez@meteo.be (AVB); william.moutier@meteo.be (WM);
johan.moreels@meteo.be (JM); christine.aebi@meteo.be (CA)
* Correspondência: nicolas.clerbaux@meteo.be ; Tel .: + 32- (0) 2-3730610
---- -
Recebido: 31 de janeiro de 2020; Aceito: 10 de março de 2020; Publicado: 13 de março de 2020 ---

Resumo: Os dados do Advanced Very High Resolution Radiometer (AVHRR) foram usados para
criar vários registros de dados de longa duração de variáveis geofísicas que descrevem a
atmosfera e as superfícies terrestres e aquáticas. No projeto Climate Monitoring Satellite
Application Facility (CM SAF), os dados AVHRR são usados para derivar os registros de dados
climáticos de Nuvem, Albedo e Radiação (CLARA) de componentes de radiação (ia, albedo de
superfície) e propriedades de nuvem (ia, cobertura de nuvem) . Este trabalho descreve a
metodologia implementada para a estimativa adicional da Radiação de Onda Longa de Saída
(ROL), um importante componente do balanço de radiação da Terra, que é consistente com as
demais variáveis CLARA. Uma primeira etapa é a estimativa do ROL instantâneo a partir das
observações do AVHRR.µm) e 5 (12 µm) e o OLR dos instrumentos do Sistema de Energia Radiante
das Nuvens e da Terra (CERES). Investigamos a aplicabilidade deste método para a primeira
geração do instrumento AVHRR (AVHRR / 1) para o qual nenhuma observação do Canal 5 está
disponível. Uma segunda etapa diz respeito à estimativa do ROL diário e mensal a partir dos
viadutos AVHRR instantâneos. Esta etapa é especialmente importante dadas as mudanças na hora
local das observações devido à deriva orbital dos satélites NOAA. Investigamos o uso de OLR na
reanálise ERA5 para estimar a variação diurna. A abordagem desenvolvida prova ser valiosa para
modelar a mudança diurna em ROL devido ao aquecimento / resfriamento diurno / noturno em
terreno limpo. Finalmente, o produto AVHRR OLR médio mensal resultante é intercomparado com
o produto médio mensal CERES.-2 em 1◦ × 1◦ resolução. Quantificamos a degradação do produto
OLR quando apenas um instrumento AVHRR está disponível (como é o caso de alguns períodos na
década de 1980) e também a melhoria quando mais instrumentos estão disponíveis (por exemplo,
usando METOP-A, NOAA-15, NOAA- 18 e NOAA-19 em 2012). A degradação do produto OLR dos
instrumentos AVHRR / 1 também é quantificada, o que é feito “mascarando” as observações do
Canal 5.

Palavras-chave: radiação de onda longa de saída; OLR; TOA; banda larga; fluxo; AVHRR; CERES

1. Introdução

O Mecanismo de Aplicação de Satélite de Monitoramento do Clima (CM SAF) [1] foi estabelecido para
fornecer uma contribuição importante para o monitoramento do clima global. Um dos principais sucessos
deste projeto é a geração do conjunto de dados Cloud, Albedo e Radiation (CLARA) com base nas observações
globais do Advanced Very High Resolution Radiometer (AVHRR) [2] a bordo dos satélites NOAA e METOP. Uma
primeira edição do conjunto de dados CLARA [3] foi lançado em 2013, e um segundo seguido em 2017 [4] A CM
SAF está atualmente desenvolvendo uma terceira edição, CLARA-A3, com um planejamento

Remote Sens. 2020, 12, 929; doi: 10.3390 / rs12060929 www.mdpi.com/journal/remotesensing

Remote Sens. 2020, 12, 929 2 de 18

lançamento no final de 2021. Tabela 1 detalha os períodos cobertos e o portfólio de produtos para essas três edições
do conjunto de dados.

Tabela 1. Resumo da edição CM SAF CLARA.

Liberar Período coberto Variáveis

CLARA-A1 [3] 1982–2009 Produtos de nuvem: cobertura de nuvem fracionária, nível superior da nuvem,
espessura óptica da nuvem, raio efetivo da nuvem, fase da nuvem, caminho da
água líquida e gelada, histograma da nuvem conjunta.
Produtos de radiação: irradiância solar de superfície, albedo de superfície,
rede de superfície de onda curta / longa, afundamento de superfície / onda
longa de saída, balanço de radiação de superfície, efeito radiativo de nuvem.
CLARA-A2 [4] 1982–2015 idem como para CLARA-A1.
CLARA-A3 1979–2020 idem como para CLARA-A1 / A2, complementado por:
* (Superfície) céu negro e albedo de céu branco,
* (Parte superior da atmosfera) Fluxo Solar Refletido (RSF),
* (Parte superior da atmosfera) Radiação de onda longa de saída (ROL).

CLARA-A3 fornecerá mais de 40 anos de dados. Figura1 mostra o Equator Crossing Time (ECT) para
os diferentes satélites polares NOAA e METOP usados no Climate Data Record (CDR). Os produtos
(Tabela1) estão relacionadas à descrição do ciclo de energia no sistema climático. O Fluxo Solar Refletido
(RSF) da Parte Superior da Atmosfera (TOA) e a Radiação de Onda Longa de Saída (OLR) são novos
produtos que serão incluídos em CLARA-A3. Eles se baseiam na nuvem CLARA histórica e nos produtos de
radiação para fornecer uma representação consistente dos fluxos radiativos do sistema terrestre. As
observações do AVHRR são pré-processadas usando uma ferramenta dedicada (PyGAC) descrita em
detalhes por Devasthale et al. [5] Esta ferramenta realiza em particular a calibração e homogeneização
das observações, que é uma etapa necessária para a geração de um CDR.

Figura 1. Equator Crossing Time (ECT) para os diferentes satélites NOAA e METOP usados em
CLARA-A3. Figura retirada de [6]

A conversão de banda estreita para banda larga necessária para o novo produto RSF baseado em AVHRR
em CLARA-A3 foi discutida em Akkermans e Clerbaux [7] O documento complementar atual descreve a
metodologia desenvolvida para estimar o novo produto OLR e mostra alguns resultados de validação
preliminares. Além disso, o presente artigo discute algumas questões importantes relacionadas à estimativa
de OLR de AVHRR, como a possibilidade de incorporar instrumentos AVHRR iniciais sem Canal 5
Remote Sens. 2020, 12, 929 3 de 18

observações. O uso de reanálise de última geração também é discutido para modelar o ciclo diurno da radiação, uma
etapa necessária para estimar os produtos climáticos médios diários e mensais.
Os usuários dos registros de dados CLARA são principalmente cientistas que realizam estudos climáticos, mas
também existem muitas outras aplicações. As liberações anteriores CLARA-A1 e CLARA-A2 foram usadas em estudos
científicos para vários fins, por exemplo, (Ant) estudos de albedo / fluxo de superfície ártica, avaliação de modelo
climático global / regional, monitoramento climático global / regional, avaliação de climatologias de radiação de
superfície e redes, estudos de tendências climáticas, incluindo intercomparação de dados de satélite com outras
observações, estudos de processos físicos (por exemplo, fluxos e evapotranspiração), novos métodos de validação e
desenvolvimento de algoritmos, etc.
As principais desvantagens dos CDRs de OLR atualmente existentes com base em medições de radiância de
banda larga são a cobertura temporal e geográfica: as nuvens de última geração e o Sistema de Energia Radiante da
Terra (CERES [8]) produtos só começam em 2000, enquanto o Orçamento de Radiação da Terra Geoestacionária (GERB
[9]) os produtos estão limitados ao campo de visão do Meteosat (longitude 0◦) A necessidade de um conjunto de dados
OLR global de longo prazo que atendesse às necessidades da comunidade de monitoramento e modelagem climática
desencadeou muitas tentativas de superar essas desvantagens, contando com registros de dados de banda estreita
de instrumento único que datam de várias décadas. Vale a pena notar aqui os 2,5◦-resolução CDR OLR baseado em
AVHRR desenvolvido na NOAA [10,11] e o 1◦- resolução de CDR com base no Sounder de radiação infravermelho de
alta resolução (HIRS) desenvolvido na Universidade de Maryland [12] O produto CLARA-A3 OLR visa melhorar esses
conjuntos de dados em termos de (i) resolução espacial,
ou seja, resolução sem precedentes de 0,25◦, (ii) complementaridade com outros CDRs, por exemplo, máscara de nuvem
CLARA-A3, e (iii) desempenho, por exemplo, polarização e RMSE em relação a CERES.
O restante do artigo está organizado em três seções principais e uma discussão final. Seção2
apresenta e discute a estimativa do fluxo instantâneo de banda larga OLR a partir das temperaturas
de brilho nos canais térmicos AVHRR. Ausência do Canal 5 (12µm) para os primeiros instrumentos AVHRR
é quantificado. O efeito da emissividade da superfície, uma importante fonte de incerteza na estimativa
de ROL, também é discutido.
Seção 3 apresenta e discute a estimativa dos valores de fluxo médio diário e mensal a partir dos
valores instantâneos de ROL. Isso requer uma modelagem do ciclo diurno da radiação OLR, que é
especialmente crítica dada a deriva ECT dos satélites NOAA (Figura1) Este trabalho mostra que resultados
precisos podem ser obtidos usando reanálises atmosféricas de última geração.
Seção 4 é dedicado à validação geral dos produtos OLR médios mensais em relação à média
mensal CERES [8] produtos.

2. Estimativa de OLR instantânea

2.1. Declaração do Problema

Os instrumentos AVHRR fornecem observações espectrais em três canais térmicos centrados em

3,74 µm (Canal 3), 10,8 µm (Canal 4) e 12 µm (Canal 5). Como no trabalho anterior (por exemplo, NOAA
OLR [10,11]), O Canal 3 não é considerado para estimativa de OLR devido à forte contaminação deste
canal pela radiação solar refletida durante o dia. Por este motivo, o Canal 3 geralmente não é usado
durante o dia e, portanto, é substituído por observações em 1.6µm para alguns instrumentos. Canal 4
fornece medição da energia que sai do TOA na janela de transmissão atmosférica (8-12µm), que é o
principal impulsionador da variabilidade de ROL. O Canal 5 fornece uma medição adicional na borda da
janela atmosférica, que é, quando combinada com o Canal 4, muito informativa sobre a presença de
nuvens de alto nível semitransparentes (cirrus).
A estimativa instantânea de OLR combina dois desafios: (i) a extrapolação espectral necessária para
estimar a radiação não filtrada de banda larga (ou seja, a radiação total emitida termicamente, seja qual for o
comprimento de onda) de canais espectrais estreitos e (ii) a extrapolação angular necessária para estimar o
radiativo hemisférico fluxo das medições AVHRR direcionais.
Remote Sens. 2020, 12, 929 4 de 18

2.2. Regressões OLR

Neste trabalho, extrapolações espectrais e hemisféricas são realizadas por regressões diretas entre
as temperaturas de brilho do AVHRR nos Canais 4 e 5 e o OLR instantâneo do CERES.
A equação de regressão foi estabelecida selecionando preditores (variáveis de entrada) usando uma técnica
próxima a uma regressão stepwise. Os melhores preditores foram selecionados após realizar uma busca exaustiva
entre várias variáveis e usando um método de mínimos quadrados sobre o erro residual. Para isso, o conjunto de
dados foi primeiro dividido em duas partes iguais: uma para o ajuste do modelo (ou seja, o conjunto de
aprendizagem) e uma para avaliação (ou seja, o conjunto de dados de teste). Isso foi importante para reduzir o risco
de “ajuste excessivo” dos dados. A seleção do melhor modelo foi feita de forma a minimizar o erro residual no
conjunto de dados de teste, mantendo o número de preditores o mais baixo possível.
Tentamos maximizar o uso de dados de satélite observacionais para estimar o ROL. Do AVHRR, os
dois principais preditores foram as temperaturas de brilhoT4 (K) no 10,8 µcanal m e T5 (K) no 12 µcanal m.
Como uma forte autocorrelação existia entre essas duas temperaturas,T5 não foi usado diretamente,
mas foi expresso como sua diferença (T5 - T4) Esta diferença foi um indicador muito bom de nuvens
semitransparentes altas, que teve um forte efeito na anisotropia do campo de radiância de onda longa
TOA [13]
Para melhorar o desempenho do modelo, preditores adicionais foram retirados da reanálise ERA5 [14]
com base em sua relevância para a estimativa de OLR e sua complementaridade com as observações de
AVHRR. Um primeiro preditor ERA5 foi a temperatura da superfície da pele (radiométrica)Tsur f (K). Esta variável
foi importante porque a anisotropia do campo de radiação de onda longa TOA era diretamente dependente da
diferença de temperatura entre a superfície e a atmosfera. Quanto maior for essa diferença, mais anisotrópico
será o campo de radiância no TOA. Este fato foi reconhecido por muitos autores (por exemplo, [15]) e foi
implementado em modelos de dependência angular para radiação LW (por exemplo, [16]). Para reduzir a
correlação comT4, a temperatura da superfície da pele não foi usada diretamente na regressão, mas foi
expressa como sua diferença (T4 - Tsur f ) Um segundo preditor da reanálise ERA5 foi a coluna total de vapor
d'água TCWV (kg m-2) O vapor de água tem um efeito direto na radiação por meio da absorção em uma parte
estendida do espectro infravermelho. As variáveis ERA5Tsur f e TCWV foram espacialmente e temporalmente
interpolados para a pegada AVHRR de seu espaço nativo (0,3◦) e resolução temporal (1 h).

Aerossóis atmosféricos afetam o espectro infravermelho por absorção e espalhamento de radiação,

especialmente em algumas regiões desérticas [17] Usar informações sobre o conteúdo de aerossol (por exemplo, o
produto de profundidade óptica do aerossol do algoritmo de azul profundo aplicado aos dados MODIS) na regressão
não foi possível, pois o AVHRR OLR CDR se estendeu no tempo até a década de 1980, um período em que não havia
aerossol confiável informações sobre a terra estavam disponíveis. No entanto, esperava-se que o efeito de absorção
de aerossóis no OLR fosse amplamente observado no AVHRR 10.8µcanal m (T4)
Como os aerossóis, nuvens cirrus finas afetariam o espectro TOA por absorção de radiação infravermelha.
O efeito das nuvens cirrus é especialmente importante porque a camada de nuvens semitransparentes está
freqüentemente localizada em uma altitude muito fria na troposfera (normalmente 8 a 14 km). Em um extenso
estudo, Lolli et al. [18] quantificou o efeito radiativo da nuvem cirrus (CRE) e, portanto, a diminuição de ROL, em
cerca de 2,5 Wm-2 sobre a terra, que era cerca de 1% do valor médio de ROL. Esperava-se que esta diminuição
de ROL devido à nuvem cirrus fosse amplamente observada emT4. As nuvens cirros não afetam apenas a
magnitude do ROL por meio da absorção, mas também têm um forte efeito na anisotropia do campo de
radiação infravermelho no TOA, o chamado escurecimento do membro infravermelho. O efeito na anisotropia
do campo de radiância é explicado pelo rápido aumento do caminho óptico através da nuvem no aumento do
ângulo de visão do zênite. A diferença na temperatura de brilho entre AVHRR Canais 4 e 5 (T5 - T4), que é um
dos preditores na Equação (1), é um bom indicador da presença de nuvens finas de alto nível, como cirros. A
técnica de janela dividida tem sido usada desde muito tempo para detectar nuvens cirros em imagens AVHRR [
19]
Durante uma busca exaustiva pelo melhor conjunto de preditores, os quatro preditores mencionados
acima foram considerados, ou seja, T4, (T5 - T4), (T4 - Tsur f ), e TCWV, bem como suas segundas ordens e o
Remote Sens. 2020, 12, 929 5 de 18

termos cruzados. Foi obtido um bom equilíbrio entre o desempenho da regressão e o número de preditores
depois de adicionar (T2 4 ) e (T4 · (T5 - T4)). Adicionar mais preditores na regressão teve um efeito insignificante
sobre o desempenho. Equação (1) mostra o ajuste de regressão resultante com seis preditores e sete
coeficientes (ceu)

OLR = c0 + c1 · T4 + c2 · (T5 - T4) + c3 · (T4 - Tsur f ) + c4 · T2 4+ c5 · T4 · (T5 - T4) + c6 · TCWV (1)

Os sete coeficientes de regressão foram estimados a partir de um grande banco de dados de

temperaturas de brilho CERES OLR e AVHRR colocadas. O CERES OLR instantâneo veio dos dados da
Edition 4 Single Scanner Footprint (SSF) [20] A construção desta base de dados CERES / AVHRR foi
descrita em Akkermans e Clerbaux [7], Seção 3.1. O banco de dados continha pares de observações
colocadas para NOAA-17, -18 e -19 com CERES no Terra (NOAA-17) e Aqua (NOAA-18 e -19). Dado o
grande número de observações colocadas nesta base de dados (157.185.483), foi possível melhorar a
precisão realizando regressões dedicadas: (i) para os 12 meses do calendário, (ii) em caixas regionais de
10◦ × 10◦ de latitude e longitude, e (ii) em intervalos de 5◦ para o ângulo zenital de visão (VZA).
O número médio de observações após esta estratificação foi de cerca de 1400 por mês, caixa
regional e intervalo VZA. Isso foi suficiente para evitar o sobreajuste dos sete coeficientes de
regressão (ceu) Quando Equação (1) foi usado para estimar o OLR correspondente às observações
de AVHRR
(T4, T5) e dados auxiliares (Tsur f , TCWV), uma interpolação quadri-linear foi realizada de acordo com
o tempo de observação (para interpolar entre os 12 meses do calendário), a latitude-longitude da
observação (para interpolar entre os 10◦ × 10◦ caixas regionais), e o VZA da observação
(interpolação com os 5◦ Intervalos VZA).
Os primeiros instrumentos AVHRR (versão AVHRR / 1) a bordo dos primeiros satélites NOAA (TIROS-N,
NOAA-6 / -8 / -10) não forneceram observações do Canal 5. Equação de regressão (1) é então modificado para:

OLR = c0 + c1 · T4 + c2 · (T4 - Tsur f ) + c3 · T2 4+ c4 · TCWV (2)

onde os quatro coeficientes de regressão (ceu) são estimados a partir do mesmo banco de dados de
observações AVHRR-CERES colocadas que foi usado para derivar a Equação (1), ou seja, com base no NOAA-17,
-18 e -19, exceto que a temperatura de brilho do Canal 5 foi descartada. Como esperado, uma incerteza
ligeiramente maior foi obtida. O erro RMS aumentou de 4,75 Wm-2 (ou seja, 2,2% em 216 Wm-2
OLR médio) quando Equação (1) foi usado para 5,86 Wm-2 (2,7%) com Equação (2)

2.3. Resultados

Figura 2 mostra a distribuição espacial do RMS do erro de regressão, em caixas de 1◦ × 1◦

latitude-longitude (todos os meses e todos os VZAs juntos). Em cada caixa, este RMSE foi calculado coletando todas as
observações instantâneas de OLR (CERES SSF) e as estimativas de OLR correspondentes (derivadas de AVHRR) e
computando a raiz quadrada média sobre todas as suas diferenças. O padrão espacial pode ser explicado pela
nebulosidade. O erro mais alto foi associado a nuvens de alto nível, refletindo a combinação de aumento do erro de
correspondência AVHRR-CERES e, no caso de cirrus, aumento da anisotropia. O erro mais baixo foi observado nas
regiões anticiclônicas, caracterizadas por campos de nuvens uniformes em sua maioria de baixo nível, e nas regiões
polares, onde a magnitude e a variabilidade do ROL foram muito menores. Os resultados mostrados na Figura2a
(painel superior) foram obtidos usando a Equação (1) (quando os canais 4 e 5 estavam disponíveis) enquanto aqueles
mostrados na Figura 2b (painel inferior) usou a Equação (2) (O Canal 5 não estava disponível). Com Equação (1), o erro
RMS da regressão OLR normalmente variava entre 2 e 8 Wm-2 (cerca de 1 a 3% do valor médio de ROL). Houve uma
dependência latitudinal significativa, que estava diretamente relacionada à variação latitudinal do ROL com valores
decrescentes do Equador para os pólos. Para uma mesma faixa de latitude, um RMSE mais alto foi geralmente
observado sobre a terra em comparação com o oceano. Isso foi explicado pela maior variabilidade da temperatura da
superfície da terra (devido ao aquecimento diurno da superfície), maior variabilidade da emissividade da superfície da
terra, e também,
Remote Sens. 2020, 12, 929 6 de 18

a atividade convectiva superior. Os histogramas da diferença RMS regional (Figura2, à direita) mostrou padrões
semelhantes para a Equação (1) (preto) e Equação (2) (vermelho), mas com erro RMS ligeiramente superior para a
Equação (2)

Figura 2. Variação regional do erro RMS (Wm-2) em 1◦ × 1◦ caixas de latitude-longitude. (uma) é para a regressão
de dois canais (Equação (1)) e (b) quando o Canal 5 não está disponível (Equação (2)). Os histogramas também são
fornecidos (à direita).

Figura 3 mostra a distribuição espacial do viés do erro de regressão, em caixas de 1◦ × 1◦

latitude-longitude (todos os meses e todos os VZAs juntos). Isso foi feito de forma semelhante ao RMSE, com viés
definido como AVHRR OLR menos CERES SSF OLR. O histograma do viés regional (Figura3, à direita) mostrou uma
dispersão ligeiramente maior com a Equação (2) em comparação com a Equação (1) O enviesamento permaneceu
geralmente pequeno, com enviesamentos absolutos principalmente inferiores a 0,5 Wm-2. No entanto, vieses
negativos significativos foram observados nos mares Vermelho e Persa e vieses positivos em algumas regiões
desérticas. Esses vieses podem ser explicados pela mistura de água e superfícies arenosas na década de 10◦ × 10◦
caixas usadas para as regressões. A variabilidade da emissividade térmica da superfície afetou principalmente oλ <10
µgama espectral m e, portanto, teve mais impacto no (banda larga) OLR do que no AVHRR com canais em
10,5 e 12 µm; isso explicava a superestimação sobre a terra e a subestimação sobre o oceano nessas caixas
específicas de mistura de costa e deserto.
Remote Sens. 2020, 12, 929 7 de 18

Figura 3. Variação regional do viés (Wm-2) em 1◦ × 1◦ caixas de latitude-longitude. (uma) é para a regressão
de dois canais (Equação (1)) e (b) quando o Canal 5 não está disponível (Equação (2)). Os histogramas
também são fornecidos (à direita).

Mesa 2 fornece algumas estatísticas sobre o regional 1◦ × 1◦ valores do erro RMS e viés, todos
os meses e VZA juntos.

Mesa 2. Estatísticas do erro RMS e viés da estimativa OLR com a Equação (1) (2 canais) e Equação (2)
(1 canal).

Estatística Canais 5º percentil Quer dizer 95º percentil

Wm-2 Wm-2 Wm-2
Erro RMS 2 canais 2,85 4,86 6,85
1 canal 3,22 5,99 8,60
Tendência 2 canais - 1,13 - 0,11 + 0,83
1 canal - 1,41 - 0,06 + 1,27

Figura 4 mostra a variação do erro RMS em função de VZA, usando Equações (1) (Preto)
e 2 (vermelho). No geral, a dependência de VZA era limitada. Para Equação (2), o erro RMS diminuiu com VZA, o
que poderia ser explicado pelo tamanho crescente da pegada do CERES e, portanto, pela diminuição da
variabilidade. A curva quase plana observada ao usar a Equação (1) mostrou, no entanto, uma ligeira melhora
para VZAs entre 40-50◦. Este comportamento pode ser explicado pelo fato de que as observações nesses VZAs
foram boas aproximações para o fluxo hemisférico [13]
Remote Sens. 2020, 12, 929 8 de 18

Figura 4. Variação do erro RMS em função do ângulo do zênite de visão (VZA) para a regressão de
dois canais com a equação (1) (preto) e a regressão sem Canal 5 (curva vermelha).

Mesa 3 fornece algumas estatísticas para Equações (1) e (2), por satélite separadamente. Os preconceitos
permaneceu moderado, uma indicação de uma boa intercalibração dos canais térmicos para os três satélites e
uma boa consistência entre os instrumentos CERES no Terra e Aqua. No entanto, a Equação (1) aplicado ao
NOAA-19 mostrou um viés negativo (subestimação do OLR) de 0,77 Wm-2, que foi cerca de 0,35% do OLR
médio. Em relação ao erro RMS, o NOAA-17 apresentou resultados ligeiramente melhores do que o NOAA-18 e
-19. Isso poderia indicar melhor desempenho do instrumento AVHRR neste satélite (por exemplo, menos
ruído), mas estava mais provavelmente relacionado ao fato de que o NOAA-17 é um satélite da manhã, quando
a estimativa do ROL instantâneo é menos afetada pelo aquecimento diurno da superfície da terra.

Tabela 3. OLR médio, viés e erro RMS da estimativa de OLR com a Equação (1) (2 canais) e Equação (2) (1
canal) para o NOAA-17, -18 e -19. A última coluna fornece os fatores multiplicativos a serem aplicados ao
ROL estimado para remover o enviesamento.

OLR médio (AVHRR) OLR médio (CERES Tendência Erro RMS Fator
Wm-2 SSF) Wm-2 Wm-2 Wm-2
NOAA-17 com 2ch 216,14 215,89 + 0,35 4,57 0,9982
CERES Terra 1ch 215,64 - 0,25 5,60 1,0011

NOAA-18 com 2ch 220,95 220,98 - 0,03 4,88 1,0002

CERES Aqua 1ch 221,10 + 0,12 6.01 0,9996

NOAA-19 com 2ch 220,36 221,13 - 0,77 4,78 1,0038

CERES Aqua 1ch 221,12 - 0,01 6,06 1,0001

As diferenças de polarização e RMS entre o baseado em AVHRR e o CERES OLR discutido nesta seção
foram afetadas pela metodologia de colocação no espaço e no tempo. A precisão OLR é discutida mais
detalhadamente na Seção4.

3. OLR médio diário e mensal

3.1. Declaração do Problema

Para torná-los úteis para estudos climáticos, observações instantâneas de OLR derivadas de AVHRR
devem ser convertidas para médias diárias e mensais, bem como retificadas em uma grade fixa (0,25◦ × 0,25◦
para CLARA-A3). O procedimento de reclassificação espacial consistiu em uma média simples de pixel
AVHRR caindo em seus 0,25◦ × 0,25◦ caixa de grade, com base nas coordenadas do centro do pixel
AVHRR, e não é mais discutida neste artigo. Por outro lado, o processamento temporal foi mais
Remote Sens. 2020, 12, 929 9 de 18

desafiador, pois, sobre a terra, o ROL frequentemente exibia uma forte variação diurna devido ao aquecimento da
superfície durante o dia. Dados os desvios na ECT dos satélites NOAA, esta conversão deve ser realizada com cuidado
para evitar a introdução de tendências espúrias e discrepâncias nas chaves de satélite no CDR resultante (ver por
exemplo [21]).
Nos produtos CERES, o ciclo diurno foi levado em consideração usando dados de satélites geoestacionários [22]
No entanto, essa abordagem dificilmente foi implementada para CDRs que cobrem as décadas de 1980 e 1990 devido
à degradação da qualidade e integridade dos dados geoestacionários. O HIRS OLR CDR usou observações
infravermelhas geoestacionárias do NOAA GridSat [23] conforme descrito por Schreck et al. [24] GridSat, entretanto,
não forneceu dados antes de 1981 e também teve uma lacuna sobre o oceano Índico nas décadas de 1980 e 1990.
Neste trabalho, uma abordagem alternativa foi investigada, usando informações sobre o ciclo diurno OLR da reanálise
ERA5 [14], que fornecia cobertura temporal e espacial completa.

3.2. Método

No ERA5, o fluxo solar refletido e os fluxos térmicos emitidos TOA foram simulados usando ecRad [25] Os fluxos
ERA5 foram fornecidos como médias de uma hora com uma resolução espacial de 31 km. Esta resolução espacial foi
próxima à grade CLARA-A3 de 0,25◦ × 0,25◦. Figura5a mostra um ciclo diurno OLR ilustrativo de ERA5 (curva preta)
juntamente com as observações de AVHRR de NOAA-19 adquiridas durante este período de tempo (pontos
azuis). Para cada observação AVHRR, um fator foi determinado entre o ERA5 e o OLR observado, que foi usado para
dimensionar todo o ciclo diurno ERA5 (curvas cinza pontilhadas). Esses ciclos diurnos em escala foram então
interpolados temporalmente (ponderados de forma inversa à sua diferença temporal) para que o ciclo passasse
exatamente por todas as observações (curva vermelha). Isso foi feito apenas para observações sobre a terra que
foram consideradas "céu claro" por ambos AVHRR e ERA5 (como foi o caso para todas as observações na Figura5);
para todos os outros casos (isto é, oceano ou nublado), as observações foram interpoladas linearmente (curva
vermelha tracejada). A média diária, e mais tarde a média mensal, pode então ser estimada pela média do ciclo diurno
interpolado (curvas tracejadas / vermelhas sólidas) ao longo de todo o dia, ou seja, 0–24 h UTC. Neste exemplo, a
interpolação linear de observações resultou em uma média diária de 325,1 Wm-2 (curva vermelha tracejada), enquanto
a interpolação de escala ERA5 diminuiu significativamente a média diária em 7,2 Wm-2 a 317,9 Wm-2 (curva vermelha
sólida).

O método poderia ser aplicado, podendo-se estimar um valor médio diário, desde que houvesse pelo
menos uma observação naquele dia. Obviamente, mais observações espalhadas ao longo do dia tornam o
produto médio diário resultante menos sensível à representação do ROL na reanálise: isso é mostrado na
Figura5b, para o qual foram utilizadas oito observações diárias, de quatro satélites diferentes. Por fim, a média
mensal foi obtida pela média simples dos valores diários.

3.3. Resultados

Para avaliar o uso de ERA5 para modelar o ciclo diurno, os produtos OLR médios mensais foram
calculados separadamente para os quatro satélites disponíveis em abril e junho de 2012 (METOP-A, NOAA-15,
NOAA-18, NOAA-19) e comparados com o valor de ROL médio mensal obtido ao usar os quatro satélites juntos,
doravante denominado “ROL médio mensal de referência”. Se o ciclo diurno foi modelado corretamente no
processamento, o mapa médio mensal para cada satélite individual deve estar de acordo com a referência.