Lumen peittämän alan määrittäminen satelliittitutkalla

Transkriptio

1 Kandidaatintutkielma Teoreettisen fysiikan suuntautumisvaihtoehto Lumen peittämän alan määrittäminen satelliittitutkalla Tuomo Smolander Ohjaaja: Tarkastaja: TkT Kari Luojus, Ilmatieteen laitos Yliopistonlehtori Jouni Niskanen, Helsingin yliopisto HELSINGIN YLIOPISTO FYSIIKAN LAITOS PL 64 (Gustaf Hällströmin katu 2) Helsingin yliopisto

2 Tiivistelmä Työssä selvitetään lumen peittoalan määrittämistä NASAn QuikSCAT-satelliitin tuottamista sirontamittauksista Suomessa keväisten sulamisjaksojen aikana. Verrattaessa tuloksia optisen alueen mittauksiin pohjautuviin arvioihin havaitaan menetelmän toimivan kohtuullisesti. Menetelmä vaikuttaisi soveltuvan myös reaaliaikaiseen seurantaan. Työn perusteella paremman tarkkuuden saaminen vaatisi kuitenkin lisäksi tietoa tarkemmasta sulamisjakson ajankohdasta. 1

3 Sisältö 1 Johdanto 3 2 Teoria Satelliitti Instrumentti Lumi Menetelmät Sulamisjakso Lumen peittämä ala Tulokset 14 5 Yhteenveto ja johtopäätökset 22 2

4 Luku 1 Johdanto Kaukokartoitus satelliittien avulla mahdollistaa hyödyllisen tiedon keräämisen eri luonnonilmiöistä kuten lumipeitteestä suuressa mittakaavassa. Parhaimmillaan koko maapallo saadaan kuvattua muutamassa päivässä. Lumipeitteestä ollaan kiinnostuneita useista syistä. Ensinnäkin lumien sulamisvedet ovat merkittävä tekijä veden kiertokulussa, kuten esimerkiksi tulvien syntymisessä. Toiseksi lumipeite heijastaa tehokkaasti auringon säteilyä juuri sen säteilymaksimin aallonpituudella, joten lumen vaikutus maapallon säteilytasapainoon ja lämpötilaan on suuri. Lisäksi se on herkkä ilmaston muuttumiselle, joten sitä tarkkailemalla voidaan seurata ilmastonmuutoksen etenemistä. Lumipeitettä voidaan tutkia eri aallonpituuksilla suoritetuista mittauksista. Tässä työssä käytettävät mittaukset osuvat taajuudeltaan mikroaaltoalueelle. Vaikka ne tarjoavat karkeamman resoluution kuin optisen aallonpituuden mittaukset, on niiden etuina riippumattomuus valoisuudesta ja pilvipeitteestä. Ne myös mahdollistavat havaintojen tekemisen lumen sisäisestä rakenteesta [1]. Työn aluksi esitellään NASAn QuikSCAT-satelliitti ja sen SeaWindsintrumentti, jonka mittauksiin työ perustuu. Lisäksi kerrotaan hieman lumesta ja sen sirontaominaisuuksista. Tämän jälkeen käydään läpi käytetyt me- 3

5 LUKU 1. JOHDANTO 4 netelmät sulamisjakson ja lumen peittämän alan määrittämisessä, sekä esitellään saadut tulokset ja näiden pohjalta tehdyt johtopäätökset.

6 Luku 2 Teoria 2.1 Satelliitti NASA laukaisi Quick Scatterometer -satellitin (QuikSCAT, kuva 2.1) 19. kesäkuuta 1999 Kaliforniasta. Satelliitin ainoa hyötykuorma on SeaWindssirontamittari, jonka korvasi rikkoutuneen ADEOS-1 -satelliitin (Advanced Earth Observing Satellite) NSCAT-sirontamittarin (NASA Scatterometer) [2]. Satelliitin rungon mitat ovat 2, 2 1, 7 1, 4 metriä, ja sen kokonaismassa laukaisuhetkellä oli 970 kilogrammaa. Satelliitti kiertää maata aurinkosynkronisella radalla, joten se ylittää päivittäin samat maapallon kohdat samaan aikaan ja samanlaisissa valaistusolosuhteissa suhteessa aurinkoon. Radan korkeus on 803 kilometriä, kiertoaika 101 minuuttia ja se kulkee läheltä maapallon napoja (radan inklinaatio on 98,6 astetta) [3]. 2.2 Instrumentti Nimensä mukaisesti SeaWinds-sirontamittarin ensisijainen tarkoitus on tutkia merituulia mittaamalla meren pinnan takaisinsirontakerrointa [4]. Laite on Ku-taajuusalueella (keskitaajuus 13,4 GHz) toimiva pulssitutka, eli se lähettää lyhyitä sähkömagneettisia pulsseja ja mittaa niiden kohteesta takai- 5

7 LUKU 2. TEORIA 6 Kuva 2.1: QuikSCAT-satelliitti [8]. sinsironneen tehon P r = P tg 2 λ 2 σ (4π) 3 R 4, missä P t on lähetysteho, G antennin vahvistus, λ aallonpituus, σ kohteen tutkapoikkipinta-ala ja R etäisyys kohteesta. Yhtälöä kutsutaan tutkayhtälöksi [5]. Takaisinsirontakerroin σ saadaan keskiarvoistamalla tutkapoikkipintaala σ suhteessa kohteen pinta-alaan A yhtälön σ = σ A mukaisesti. Mittaustulokset ilmaistaan yleensä logaritmisella asteikolla, joka saadaan muunnoksella [6] σ db = 10 log 10 σ. Instrumentissa on halkaisijaltaan metrin oleva parabolinen antenni, joka pyörii ympäri 18 kertaa minuutissa, ja mittaa tällöin vertikaalipolarisaatiolla (V-polarisaatio) 1800 kilometrin ja horisontaalipolarisaatiolla (Hpolarisaatio) 1400 kilometrin levyistä aluetta. (Kuva 2.2) V-polarisaatiolla

8 LUKU 2. TEORIA 7 Kuva 2.2: Mittausten geometria [4]. mittauskulma pinnan normaaliin nähden on noin 54 astetta ja H-polarisaatiolla 46 astetta [4]. Kyseessä on teräväkeila-sirontamittari, jonka etuina viuhkakeila-sirontamittariin verrattuna ovat korkeampi signaali-kohina -suhde, pienempi koko sekä ylivertainen peitto [3]. SeaWinds saakin kuvattua vuorokaudessa noin 90 % maapallosta. Lähellä napoja olevat alueet (yli 40 astetta pohjoista tai eteläistä leveyttä) joihin Suomikin lukeutuu kuvataan vuorokaudessa kahdesti [7]. Takaisinsirontakertoimien mittaustulokset prosessoidaan kahteen eri muotoon. Antennin kuvaama ala on ellipsin muotoinen, mutta instrumentin sisäänrakennetun prosessoinnin avulla resoluutiota kyetään parantamaan ja muodostamaan kaksitoista erillistä 4-6 kilometriä pitkää ja 20 kilometriä leveää mittausta, joita kutsutaan slice-dataksi. Kahdeksan keskimmäisen slicealueen summaa kutsutaan egg-dataksi. Sen koko on noin 15 kilometriä kertaa 25 kilometriä, ja se vastaa likipitäen antennin keilanleveyttä maanpinnalla. (Kuva 2.3) Egg-datan huonompaa resoluutiota kompensoi vähäisempi kohina sekä pienempi herkkyys kalibraatiovirheille [8].

9 LUKU 2. TEORIA 8 Kuva 2.3: Egg- ja slice-alueet [8]. Tässä työssä käytetty data on peräisin Brigham Young -yliopistossa toimivalta NASAn Scatterometer Climate Record Pathnder -projektilta. Käytössä on ollut egg-sirontadata keskiarvoistettuna 22,25 kilometrin pikseliresoluutiolle. Keskiarvoistuksen myötä todellinen resoluutio on kuitenkin hieman tätä huonompi [8]. Data on otettu laskevan radan H-polarisaation mittauksista, sillä niiden on todettu soveltuvan parhaiten lumen peittämän alan määrittämiseen [9]. SeaWindsin alkuperäinen tutkimuskohde, eli merituulten nopeus, määritetään epäsuorasti tuulen aiheuttamista muutoksista merenpinnan sironnassa [3]. Jet Propulsion Laboratoryssa NASAn alaisuudessa toimiva PO.DAAC (Physical Oceanography Distributed Active Archive Center) tarjoaa SeaWinds-datasta muodostettuja tuotteita, kuten tuulikarttoja, julkisesti Internetissä [10]. Merituulten lisäksi sirontadatasta on kartoitettu muun muassa arktisten jääalueiden laajuutta, jäävuorten sijaintia sekä erilaisia lumipeitteen ominaisuuksia [11, 1]. Taulukkoon 2.1 on koottu keskeisimmät tiedot QuikSCAT-satelliitista, SeaWinds-instrumentista sekä käytetyn sirontadatan ominaisuuksista.

10 LUKU 2. TEORIA 9 Taulukko 2.1: QuikSCAT-satelliitin, SeaWinds-instrumentin sekä käytetyn sirontadatan ominaisuuksia [3, 4, 8]. Ominaisuus Kokonaismassa Rungon mitat Ratakorkeus Jaksonaika Kiertoaika Inklinaatio Satelliitti Arvo 970 kg 2,2 m 1,7 m 1,4 m 803 km 4 päivää (57 kierrosta) 101 min 98,616 Ominaisuus Keskitaajuus Polarisaatio Mittauskulma Antenni Kiertonopeus Keilanleveys Instrumentti Arvo 13,4 GHz H ja V 46 (H) ja 54 (V) paraboloidi, ø 1 m 18 kierrosta minuutissa 1, 8 1, 6 (H) ja 1, 7 1, 4 (V) Ominaisuus Ruudunkoko: egg slice Sirontadata Arvo 22,25 km (perusresoluutio) 4,45 km (parannettu resoluutio) 11,125 km (perusresoluutio) 2,225 km (parannettu resoluutio)

11 LUKU 2. TEORIA Lumi Kuiva lumi koostuu jääkiteistä ja ilmasta. Kosteassa lumessa mukana on myös nestemäistä vettä. Lumen raekoko on tyypillisesti 0,1 2,0 millimetriä [12]. Sääolosuhteet vaikuttavat kuitenkin suuresti raekokoon ja -muotoon. Kylmässä lumikristallit ovat teräväsärmäisiä, lämpimässä muodoltaan pyöreämpiä [13]. Toistuvien sulamis-jäätymisjaksojen myötä lumeen muodostuu suurempia rykelmiä ja sen raekoko kasvaa [14]. Muutosten myötä lumipeitteeseen voikin syntyä lumen rakenteen osalta toisistaan suurestikin poikkeavia kerroksia. Sähkömagneettisen säteilyn sironta luokitellaan pintasirontaan ja tilavuussirontaan sen mukaan tapahtuuko sironta kahden aineen välisestä rajapinnasta vai väliaineen sisäisistä sirottajista. Lumipeitteessä kyse on molemmista, tärkeimpien komponenttien ollessa pintasironta ilman ja lumen tai lumen ja maan välisistä rajapinnoista sekä tilavuussironta lumen sisältä [6]. Kuivan lumen sirontaominaisuudet määräytyvät sen tiheyden, syvyyden ja raekoon perusteella. Merkittävä osa sironnasta on peräisin lumen ja maaperän rajapinnasta lumen pintarakenteen vaikutuksen ollessa pieni [15]. Kosteassa lumessa puolestaan sen sisältämä nestemäinen vesi on dominoiva tekijä [14]. Vesi kasvattaa lumen absorptiota, jolloin maanpinnaan vaikutus vähenee ja kokonaissironta pienenee. Myös lumen pinnan vaikutus kasvaa verrattuna kuivan lumen tapaukseen [6].

12 Luku 3 Menetelmät Perinteisin menetelmä lumipeitteen seuraamiseen ovat paikan päällä tehtävät maastomittaukset. Niillä saadaan hyvin tietoa paikallisesta tilanteesta, mutta ne eivät sovellu suuremman mittakaavan tarkkailuun. Kaukokartoitus esimerkiksi satelliittien avulla mahdollistaa mittakaavan kasvattamisen jopa koko maapallon laajuiseksi. Optisen alueen mittalaitteilla saavutetaan varsin hyvä tarkkuus, mutta ne ovat riippuvaisia pilvisyystilanteesta. Tässä luvussa esitellään menetelmä lumen peittämän alan määrittämiseksi mikroaaltotaajuuden sirontamittauksista, jotka ovat pilvipeitteestä riippumattomia, vaikka tarjoavatkin optisia mittauksia huonomman spatiaalisen tarkkuuden. 3.1 Sulamisjakso Lumipeitteen muuttuessa kosteaksi maanpinnan kokonaistakaisinsirontakerroin pienenee, kunnes maanpinnan paljastuminen alkaa sitä nostaa [1]. Tässä työssä käytetty algoritmi tulkitsi sulamisjakson alkaneeksi kun se löysi 14 päivän sisään kaksi päivää joista jälkimmäisen sirontakerroin oli yli 2,8 desibeliä pienempi kuin ensimmäisen. Koska tällaisia muutoksia esiintyi kuitenkin useammin kuin kerran vuodessa, niistä valittiin myöhäisin kyseisenä keväänä löytynyt. 11

13 LUKU 3. MENETELMÄT 12 Kuva 3.1: Takaisinsirontakertoimen muuttuminen sulamisjakson aikana [16]. 3.2 Lumen peittämä ala Lumen peittämä ala (Snow Covered Area, SCA) on prosenttiarvo, joka kertoo lumen peittämän alan osuuden kokonaispinta-alasta. Sata prosenttia tarkoittaa että maa on täysin lumen peitossa ja nolla prosenttia ettei sitä ole yhtään. Lumen sulaessa ja sen kosteuden kasvaessa, juuri ennen kuin maata alkaa paljastua, takaisinsirontakerroin saavuttaa pienimmän arvonsa. Tätä käytetään referenssiarvona sadan prosentin SCA:lle. Maan paljastuessa takaisinsirontakerroin kasvaa, kunnes maa on paljas ja SCA nolla prosenttia. Tästä saadaan toinen referenssiarvo, jolloin SCA voidaan määrittää sulamisen aikana lineaarisena approksimaationa σsurf SCA = 100% σ ground,ref σsnow,ref, σ ground,ref jossa σsurf on havaittu takaisinsirontakerroin, σground,ref paljaalle maalle määritelty referenssiarvo ja σsnow,ref kostean lumen referenssiarvo ennen maan paljastumista [16]. (Kuva 3.1)

14 LUKU 3. MENETELMÄT 13 Tässä työssä kostean lumen takaisinsironnan referenssiarvona käytettiin pienintä havaittua takaisinsirontakertoimen arvoa sulamisjakson alkua seuranneelta 40 päivän ajalta. Paljaan maan referenssiarvona puolestaan käytettiin suurinta arvoa 45 päivän sisällä kostean lumen referenssipäivästä. Mitatuista arvoista laskettiin viiden päivän liukuva keskiarvo ennen niiden käyttöä, sekä varsinaisten havaintojen että käytettyjen referenssiarvojen osalta.

15 Luku 4 Tulokset Luvussa 3 esitetyllä SCA-menetelmällä saatuja lumen peittämän alan arvoja verrattiin Suomen ympäristökeskukselta saatuihin arvioihin, jotka pohjautuvat optisen alueen mittauksiin (NASA:n Moderate Resolution Imaging Spectroradiometer (MODIS) -instrumentti [17]). Niiden avulla laskettiin keskivirhe (Root Mean Square Error) ni=1 (x i x) RMSE = 2, n jossa x i on arvioitu arvo, x optinen referenssiarvo ja n näytteiden lukumäärä. Vastaavasti laskettiin myös harha bias = ni=1 (x i x), n jossa x i, x ja n ovat samat kuin edellisessä. MODIS-mittauksiin pohjautuvan lumen peittämän alan arvion keskivirhe on keskimäärin kymmenen prosenttiyksikköä [18]. Tutkittavina olivat keväät vuosina 2004, 2005 ja Lumen peittämä ala määritettiin tutkadatasta niiltä päiviltä kun optisia mittauksia oli saatavilla. Vertailussa tutkittiin kaikki vuodet yhdessä ja erikseen. Lumen peittämän alan määrittämiseen tarvittavina takaisinsironnan referenssiarvoina käytettiin sekä kyseisen vuoden tutkadatasta saatuja arvoja, että 14

16 LUKU 4. TULOKSET 15 Taulukko 4.1: QuikSCAT-datasta määritetyn lumen peittoalan keskivirhe ja harha suhteessa MODIS-dataan Tutkittu Referenssi- Keskivirhe (RMSE), Harha (bias) vuosi vuosi prosenttiyksikkköä prosenttiyksikkköä kyseiset vuodet 33,7 +5, ,8 +1, ,6 +11, ,2 +2, ,1 +0, ,8-7, ,3 +8,0 parhaan yhtenevyyden antaneen vuoden 2006 arvoja. Vertailun tulokset ovat nähtävissä taulukossa 4.1. Tuloksista nähdään vuoden 2006 antavan parhaimman yhtenevyyden. Vuoden 2004 tulokset paranivat hieman käyttämällä vuoden 2006 datasta määriteltyjä takaisinsironnan referenssiarvoja, kun taas vuoden 2005 vastaavasti huononivat. Kaikenkaikkiaan tarkkuus on kohtalainen, keskivirheen ollessa 3038 prosenttiyksikköä. Harhan vaihteluväli, prosenttiyksikköä, on kohtalaisen suuri, mutta yleisimmin se on kuitenkin väliltä 0 8 prosenttiyksikköä. Harha on siis pääosin positiivinen, mikä tarkoittaa että takaisinsironnasta saatu lumen peittämä alue on keskimäärin liian suuri. Tämä nähdään myös kuvasta 4.1, johon on piirretty sirontadatasta saatujen lumen peittämän alan arvojen lukumääräjakauma silloin kun optisen alueen mittausten arvot ovat korkeintaan 5%.

17 LUKU 4. TULOKSET 16 Kaikki vuodet Vuosi 2006 Kuva 4.1: QuikSCAT-datasta määritellyn lumen peittoalan jakauma, kun se MODIS-datan mukaan on korkeintaan 5%. Tarkasteltavana sekä kaikki vuodet (jolloin referenssiarvot on etsitty kyseisiltä vuosilta) että vuosi Kuvissa 4.2 ja 4.3 on vastaavat kuvaajat kun optisen alueen mittausten arvot ovat vähintään 95% sekä kun ne ovat välillä 3565%. Näistä nähdään että suuremmilla lumen peittämän alan arvoilla sirontadata antaa keskimäärin todellista pienempiä arvoja. Kaikki vuodet Vuosi 2006 Kuva 4.2: QuikSCAT-datasta määritellyn lumen peittoalan jakauma, kun se MODIS-datan mukaan on vähintään 95%. Tarkasteltavana sekä kaikki vuodet (jolloin referenssiarvot on etsitty kyseisiltä vuosilta) että vuosi 2006.

18 LUKU 4. TULOKSET 17 Kaikki vuodet Vuosi 2006 Kuva 4.3: QuikSCAT-datasta määritellyn lumen peittoalan jakauma, kun se MODIS-datan mukaan on välillä 3565%. Tarkasteltavana sekä kaikki vuodet (jolloin referenssiarvot on etsitty kyseisiltä vuosilta) että vuosi Samat piirteet ovat nähtävissä kuvassa 4.4, johon on piirretty kutakin optista mittausta vastaava sironnan perusteella määritelty lumen peittoalan arvo vuoden 2006 osalta. Ääriarvoilla korrelaatio on varsin huono, ja keskimäärin sirontadatasta saadut arvot ovat pienempiä kuin optisten mittausten vastaavat. Kuva 4.4: MODIS-ja QuikSCAT -datojen välinen korrelaatio vuoden 2006 mittausten osalta.

19 LUKU 4. TULOKSET 18 Kuviin 4.5 ja 4.6 on vielä piirretty QuikSCAT-datan harhan itseisarvo ja standardivirhe MODIS-dataan verrattuna, keskiarvoistettuna kymmenen prosenttiyksikön välein, sekä kaikkien vuosien että pelkästään vuoden 2006 osalta, ja niistä nähdään myöskin sirontadatan antavan tarkimmat tulokset pienillä lumen peittämän alan arvoilla. Kuva 4.5: QuikSCAT-datan keskimääräisen harhan itseisarvo ja standardivirhe MODIS-dataan verrattuna kaikkien vuosien osalta. Sirontadatan referenssiarvot etsitty kyseisiltä vuosilta. Kuva 4.6: QuikSCAT-datan keskimääräisen harhan itseisarvo ja standardivirhe MODIS-dataan verrattuna vuoden 2006 osalta.

20 LUKU 4. TULOKSET 19 Kuvissa 4.7 ja 4.8 nähdään lumen peittämä alue sirontadatasta määriteltynä sekä optisella alueella mitattuna huhtikuun lopussa ja toukokuun alussa vuoden 2006 keväällä. Päivät on valittu siten, että pilvipeitettä on ollut mahdollisimman vähän optista mittausta estämässä. Kuvista nähdään, että sirontadatasta saatu lumen peittämä ala vastaa optisen alueen mittauksia parhaimmillaan varsin hyvin. Kuten äsken todettiin, sen näyttämät arvot ovat kuitenkin keskimäärin hieman pienempiä kuin optisten mittausten mukaiset, paitsi silloin kun lunta on jäljellä enää hyvin vähän, jolloin ne ovat liian suuria. Tähän on syynä se, ettei käytetty menetelmä lumen peittämän alan määrittämiseen toimi enää sen jälkeen, kun lumi on jo sulanut, vaan se tulkitsee kasvillisuuden lisääntymisen synnyttämän sironnan pienenemisen virheellisesti lumen määrän kasvusta johtuvaksi. Kuvassa 4.9 on vielä nähtävissä datojen välinen erotus kyseisinä päivinä. Kuva 4.7: Lumen peittämä alue QuikSCAT-datasta määriteltynä keväällä 2006.

21 LUKU 4. TULOKSET 20 Kuva 4.8: Lumen peittämä alue MODIS-mittausten mukaan keväällä Harmaa pilvien peittämää aluetta. Kuva 4.9: QuikSCAT-datasta määritelty lumen peittämä ala vähennettynä MODIS-datasta saaduilla arvoilla keväällä Harmaa pilvien peittämää aluetta.

22 LUKU 4. TULOKSET 21 Aiemissa tutkimuksissa, tutkittaessa lumen kaukokartoitusta C-taajuusalueen (5,3 GHz) mikroaaltotutkalla ja 1162 km 2 tutkimusalueella vuosina 1997, 1998, 2000, 2001 ja 2002, on saatu keskivirheeksi 1821 prosenttiyksikköä [16]. Myöhemmin, tutkittaessa koko Pohjois-Suomea vuosina , virheeksi saatiin 15 prosenttiyksikköä, kun analyysi suoritettiin valuma-alueittain, ja 1721 prosenttiyksikköä, kun käytettiin 5 5 kilometrin ruudukkoa [18]. Jälkimmäisessä tutkimuksessa tarkkuutta parannettin käyttämällä apuna muun muassa sääasemilta ja optisista mittauksista saatuja tietoja, joten lähempänä tämän työn menetelmiä ja tuloksia ovat näistä ilmoitetuista keskivirheen arvoista suurimmat. Eroina näissä tutkimuksissa verrattuna tähän työhön ovat mittausten eri aallonpituus sekä pienemmät tutkimusalueet. Käytetty mittaustarkkuus on myös ollut suurempi, tosin tarkkuuden kasvaessa myös mittausten kohinalla on vaarana kasvaa. Lähempänä tätä työtä on Lahtisen diplomityössä [12] samasta QuikSCAT-datasta koko suomen osalta vuonna 2002 tutkittu lumen peittämä ala. Siinä virheen arvioitiin olevan noin 20 prosenttiyksikköä. Erona tähän työhön Lahtinen käytti tietoa lumen vesiarvosta sulamiskauden määrittämisessä.

23 Luku 5 Yhteenveto ja johtopäätökset Tässä työssä oli tavoitteena tutkia lumen peittämän alan määrittämistä NASAn QuikSCAT-satelliitin SeaWinds-sirontamittarin tuottamista mittauksista. Lumen peittämän alan määrittäminen perustuu Koskisen [19] esittämään menetelmään, jossa mittaustulosta verrataan märän lumen sekä kuivan maan referenssiarvoihin. Referenssiarvot etsittiin käyttäen luvussa 3 esitettyä menetelmää. Tuloksia verrattiin Suomen ympäristökeskukselta saatuun optisen alueen mittauksiin perustuvaan lumen peittämän alan arvioon. Vertailun perusteella laskettu keskivirhe tässä työssä käytetylle menetelmälle oli 3038 prosenttiyksikköä. Tulos on jonkin verran huonompi kuin aiemmissa vastaavissa tutkimuksissa [12, 16, 18], mikä selittyy ainakin osittain sillä, että tässä käytetty menetelmä pohjasi pelkästään sirontadataan, eikä työstä siten kyetty rajaamaan pois varsinaisten sulamisjaksojen ulkopuolelle jääviä päiviä, vaikkei käytetty menetelmä ollutkaan niiden osalta käyttökelpoinen. Referenssiarvojen etsimisessä tutkittavan vuoden arvojen käyttö antoi kelvolliset tulokset. Vuoden 2006 referenssiarvojen käyttämisen vaikutus myös muille vuosille oli varsin pieni, mistä päätellen QuikSCAT-mittauksia olisi mahdollista käyttää lumen peittämän alan reaaliaikaiseen seurantaan käyttämällä referenssiarvoja joltain hyväksi havaitulta aiemmalta vuodelta. Jatkotutkimuksen osalta tärkeintä olisi rajoittaa tarkastelu pelkästään 22

24 LUKU 5. YHTEENVETO JA JOHTOPÄÄTÖKSET 23 varsinaisen sulamisjakson ajalle joko kullakin tarkasteltavalla pikselillä erikseen tai sitten jollain karkeammalla jaottelulla. Tällä tavalla tulokset saataisiin oletettavasti vastaamaan paremmin todellista tilannetta. Myös Quik- SCATin mittauksista saatavilla olevan suuremman resoluution datan käyttämisen vaikutuksia voitaisiin tutkia. Suurempaa resoluutiota käytettäessä yksittäisen pikselin sisältämä maasto olisi yhtenäisempää, mutta vaarana on liiallinen kohinan kasvaminen. Tuloksia olisi myös mahdollista verrata jollakin toisella sirontamittarilla suoritettuihin mittauksiin. Tällainen voisi olla esimerkiksi Euroopan sääsatelliittijärjestön EUMETSATin vuonna 2006 laukaistun MetOp-A -satelliitin 5,255 gigahertsin taajuudella (Ctaajuusalue) toimiva ASCAT-sirontamittari [20].

25 Kirjallisuutta [1] M. Tedesco, J. Miller. Observations and statistical analysis of combined active-passive microwave space-borne data and snow depth at large spatial scales. Remote Sensing of Environment, 111:382397, April [2] F.M. Naderi, M.H. Freilich, and D.G. Long. Spaceborne radar measurement of wind velocity over the ocean an overview of the NSCAT scatterometer system. IEEE Proceedings, 79(6):850866, June [3] QuikSCAT Science Data Product, User's Manual, Version 3.0, September [4] W-Y. Tsai, M. Spencer, C. Wu, C. Winn, and K. Kellogg. SeaWinds on QuikSCAT: Sensor description and mission overview. In Proceedings of IEEE International Geoscience and Remote Sensing Symposium, volume 3, pages IEEE International, Hawaii, July [5] Antti Räisänen ja Arto Lehto. Radiotekniikka. Otatieto, 9. muuttumaton painos, [6] Kari Luojus. Remote Sensing of Snow-Cover for the Boreal Forest Zone Using Microwave Radar. Ph.D. Dissertation, Finnish Meteorological Institute Contributions 77,

26 KIRJALLISUUTTA 25 [7] Son V. Nghiem and Wu-Tang Tsai. Global snow cover monitoring with spaceborne Ku-band scatterometer. IEEE Transactions on Geoscience and Remote Sensing, 39(10): , October [8] David G. Long and Brandon R. Hicks. Standard BYU QuikSCAT/SeaWinds Land/Ice Image Products. April [9] Martti Hallikainen, Panu Lahtinen, Yuanzhi Zhang, Matias Takala, Jouni Pulliainen. Feasibility of Satellite Ku-Band Scatterometer Data for Retrieval of Seasonal Snow Characteristics in Finland. Geoscience and Remote Sensing Symposium, IGARSS '05. Proceedings IEEE International, volume 3, pages , July [10] Quick Scatterometer Launch, Press Kit. NASA. June [11] Martti T. Hallikainen, Pekka Halme, Matias Takala, and Jouni Pulliainen. Combined Active and Passive Microwave Remote Sensing of Snow in Finland. In Proceedings of IEEE International Geoscience and Remote Sensing Symposium, volume 2, pages IEEE International, Toulouse, July [12] Panu Lahtinen. Lumen kaukokartoitus Ku-taajuusalueen satelliittitutkalla. Diplomityö, Teknillinen korkeakoulu, Sähkö- ja tietonikennetekniikan osasto, [13] S.C. Colbeck. The geometry and permittivity of snow at high frequencies. Journal of Applied Physics, 53(6): , June [14] Martti T. Hallikainen, Fawwaz T. Ulaby, and Mohamed Abdelrazik. Dielectric properties of snow in the 3 to 37 GHz range. IEEE Transactions on Antennas and Propagation, 34(11): , November 1986.

27 KIRJALLISUUTTA 26 [15] Jiancheng Shi and Je Dozier. Estimation of Snow Water Equivalence Using SIR-C/X-SAR, Part I: Inferring Snow Density and Subsurface Properties. IEEE Transactions on Geoscience and Remote Sensing, 38(6): , November [16] Kari P. Luojus, Jouni T. Pulliainen, Sari J. Metsämäki, and Martti T. Hallikainen. Accuracy Assessment of SAR Data-Based Snow-Covered Area Estimation Method. IEEE Transactions on Geoscience and Remote Sensing, 44(2):277287, February [17] National Snow and Ice Data Center. MODIS Data. [18] Kari P. Luojus, Jouni T. Pulliainen, Sari J. Metsämäki, and Martti T. Hallikainen. Enhanced SAR-Based Snow-Covered Area Estimation Method for Boreal Forest Zone. IEEE Transactions on Geoscience and Remote Sensing, 47(3):922935, March [19] Jarkko T. Koskinen, Jouni T. Pulliainen, and Martti T. Hallikainen. The Use of ERS-1 SAR Data in Snow Melt Monitoring. IEEE Transactions on Geoscience and Remote Sensing, 35(3):601610, May [20] European Organisation for the Exploitation of Meteorological Satellites. EUMETSAT Polar Systems ASCAT. EUMETSAT_Polar_System/Space_Segment/SP_