Identification of cloudy and clear sky areas in MSG SEVIRI images by analyzing spectral and temporal information

Abstract

A cloud detection algorithm for the SEVIRI instrument aboard the geostationary satellite MSG (METEOSAT second generation) has been established at the Institut für Weltraumwissenschaften, Freie Universität Berlin (FUB). It is based on the analysis of spectral and temporal information by neural networks. In particular, the assumed clear sky brightness temperature in the 10.8µm channel estimated from analyses of its temporal evolution is a central input parameter of the neural networks. The training dataset has been created by manual classifications. The cloud mask has been validated against more than one million European synoptical observations within a long-term validation period from July, 1st 2004 to December, 31st 2004. In a short-term validation period from June, 3rd 2004 to June, 8th 2004, the cloud mask has additionally been compared to the EUMETSAT cloud mask. The overall bias amounts to -0.0100 ± 0.0003 within the long-term validation period. Within the short-term validation period, the corresponding values for the FUB and the EUMETSAT cloud mask are -0.026 ± 0.002 and -0.075 ± 0.002, respectively. As overall statistical benchmark, the Kuipers skill score (KSS) has been chosen. Within the long-term validation phase, the KSS amounts to 0.724 ± 0.001. The overall KSS within the short-term validation phase amounts to 0.807 ± 0.004 for the FUB and 0.747 ± 0.005 for the EUMETSAT cloud mask. These values prove the high quality of the developed cloud detection algorithm.

Für das Instrument SEVIRI an Bord des geostationären Satelliten MSG (METEOSAT second generation) wurde am Institut für Weltraumwissenschaften, FU-Berlin (FUB) ein Algorithmus zur Detektion und Maskierung von Wolken entwickelt. Dieser basiert auf der Analyse spektraler und zeitlicher Informationen mittels neuronaler Netze. Aus dem zeitlichen Verlauf der Helligkeitstemperatur im 10.8µm Kanal wird eine Helligkeitstemperatur für den hypothetisch wolkenfreien Fall abgeschätzt. Diese dient neben Daten anderer Kanäle als Eingabeparameter für die neuronalen Netze. Der Trainingsdatensatz wurde mit Hilfe manueller Klassifizierung erstellt. In einer Langzeitvalidierung vom 01.07.2004 bis zum 31.12.2004 wurde die Qualität der Wolkendetektion anhand von über einer Million Synopmeldungen bestimmt. Während der Kurzzeitvalidierung vom 03.06.2004 bis zum 08.06.2004 wurde die Wolkenmaske zusätzlich mit der EUMETSAT Wolkenmaske für SEVIRI verglichen. Der Kuipers skill score (KSS) ist ein statistisches Maß, das geeignet ist, die Qualität der Wolkenmaske mit einer Zahl zu beschreiben. In der Langzeitvalidierung wurde ein KSS von 0.724 und ein Wolkenfrei-Bias von 0.010 erreicht. Der KSS innerhalb der Kurzzeit- Validierung betrug 0.807 für die FUB- und 0.747 für die EUMETSAT-Wolkenmaske, bei Werten für den Wolkenfrei-Bias von 0.026 für die FUB- und 0.075 für die EUMETSAT Wolkenmaske. Diese Werte bestätigen die hohe Qualität des entwickelten Verfahre ns