A Multi-Parameter Empirical Ocean Algorithm for SSM/I Retrievals

RÉSUMÉ

Un nouvel algorithme empirique multiparamétrique d'extraction de SSM/I (Special Sensor Microwave/Imager) basé sur l'approche par réseau de neurones est présenté. Cet algorithme permet d'extraire simultanément la vitesse du vent, la vapeur d'eau intégrée sur la colonne, l'eau liquide intégrée sur la colonne et les valeurs de SST (Sea Surface Temperature) en utilisant seulement les températures de brillance de SSM/I. Ce nouvel algorithme est comparé à six algorithmes existants d'extraction de la vitesse du vent SSM/I à l'échelle du globe. En termes de précision d'extraction de la vitesse du vent, le nouvel algorithme présente systématiquement une meilleure performance que les six algorithmes dans toutes les conditions de température où il est possible d'effectuer des extractions avec une erreur rms de 1.0 m/s dans des conditions de ciel clair et de 1.3 m/s dans des conditions de ciel clair et nuageux. L'algorithme génère aussi des données de vitesse de vent élevée avec une précision acceptable. Cette amélioration de la précision s'accompagne d'un accroissement de la couverture spatiale, un avantage marqué pour les applications opérationnelles. En termes de vapeur d'eau intégrée sur la colonne et d'eau liquide intégrée sur la colonne, le nouvel algorithme reproduit de près les résultats des algorithmes existants. Les extractions de SST sont moins précises et ont une résolution spatiale faible; toutefois, en incluant les valeurs de SST comme extrant supplémentaire, on observe un accroissement de la précision de l'extraction de la vitesse du vent particulièrement dans les cas de vitesse de vent élevée. En avril 1998, le nouvel algorithme fut implanté de façon opérationnelle dans le système global d'assimilation des données des National Centers for Environmental Prediction. Enfin, cet algorithme d'extraction de SSM/I, représente une nouvelle approche générique dans le développement d'un algorithme d'extraction empirique multiparamétrique basé sur les réseaux de neurones. En raison de sa généralité, cette approche pourrait également s'appliquer à d'autres domaines de la télédétection.

SUMMARY

A new empirical multi-parameter SSM/I retrieval algorithm based on the neural network approach is introduced. This algorithm retrieves wind speed, columnar water vapour, columnar liquid water, and SST simultaneously, using only SSM/I brightness temperatures. The new algorithm is compared with six existing global SSM/I wind speed retrieval algorithms. In terms of accuracy in retrieving wind speed, the new algorithm systematically outperforms all six algorithms under all weather conditions where retrievals are possible with an algorithm rms error of 1.0 m/s under clear, and 1.3 m/s under clear plus cloudy conditions. It also generates high wind speeds with acceptable accuracy. This improvement in accuracy is coupled with increased areal coverage, an obvious advantage for operational applications. In terms of columnar water vapour and columnar liquid water, the new algorithm reproduces the results of existing algorithms closely. SST retrievals are less accurate and have low spatial resolution; however, by including SST as an additional output, the accuracy in retrieving wind speed is improved, particularly at high wind speeds. In April 1998, the new algorithm was implemented operationally in the global data assimilation system at the National Centers for Environmental Prediction. Finally, this SSM/I retrieval algorithm illustrates a new generic approach, in developing a multiparameter empirical retrieval algorithm based on neural networks. Because of its generality, this approach may find application in other areas of remote sensing as well.

Additional information

Notes on contributors

V.M. Krasnopolsky

•

Vladimir M. Krasnopolsky, William H. Gemmill and Laurence C. Breaker are with the Environmental Modeling Center, National Centers for Environmental Prediction, Washington, D.C. 20233

W.H. Gemmill

•

Vladimir M. Krasnopolsky, William H. Gemmill and Laurence C. Breaker are with the Environmental Modeling Center, National Centers for Environmental Prediction, Washington, D.C. 20233

L.C. Breaker

•

Vladimir M. Krasnopolsky, William H. Gemmill and Laurence C. Breaker are with the Environmental Modeling Center, National Centers for Environmental Prediction, Washington, D.C. 20233