Εφαρμογή μεθόδων ταξινόμησης σε οπτικές ιδιότητες αιωρούμενων σωματιδίων από δεδομένα Lidar στη Θεσσαλονίκη

Transcript

1 ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΤΜΗΜΑ ΦΥΣΙΚΗΣ ΠΜΣ ΠΕΡΙΒΑΛΛΟΝΤΟΣ Διπλωματική Εργασία Εφαρμογή μεθόδων ταξινόμησης σε οπτικές ιδιότητες αιωρούμενων σωματιδίων από δεδομένα Lidar στη Θεσσαλονίκη Φοιτητής: Μιχαηλίδης Κωνσταντίνος Επιβλέπων καθηγητής: Μπαλής Δ. Θεσσαλονίκη, Σεπτέμβριος 2017

2 ARISTOTLE UNIVERSITY OF THESSALONIKI DEPARTMENT OF PHYSICS POST- GRADUATE PROGRAM OF ENVIRONMENTAL PHYSICS Thesis Title: Αpplication of classification methods in optical properties of aerosols from lidar measurements in Thessaloniki Author: Michailidis Konstantinos Supervisor: Balis Dimitrios Thessaloniki, September 2017

3

4 Ευχαριστίες Η παρούσα διπλωματική εργασία πραγματοποιήθηκε στα πλαίσια των σπουδών μου στο μεταπτυχαικό Φυσικής της Aτμόσφαιρας και Περιβάλλοντος του τμήματος Φυσικής του ΑΠΘ. Η υπόδειξη του θέματος έγινε από τον αναπληρωτή καθηγητή κ. Μπαλή Δημήτριο, τον οποίο ευχαριστώ θερμά για την εμπιστοσύνη και την πολύτιμη καθοδήγησή του καθώς και τις συμβουλές που μου προσέφερε καθόλη τη διάρκεια της ολοκλήρωσης της εργασίας. Ιδιαίτερες ευχαριστίες στους υποψήφιους διδάκτορες Σιώμο Νίκο και Βουδούρη Κέλλυ για την πολύπλευρη βοήθεια και στήριξή τους σε όλα τα στάδια της εργασίας. Επίσης τους ευχαριστώ θερμά για τις γνώσεις και τις ευκαιρίες που μου προσέφεραν σε θέματα σχετικά με τη διάταξη Lidar. Επίσης θα ήθελα να ευχαριστήσω θερμά τον Δρ. Παπαγιαννόπουλο Νίκο, στην ερευνητική δουλειά του οποίου στηρίχθηκε μεγάλο μέρος της παρούσας εργασίας. Επίσης, τον ευχαριστώ για την παραχώρηση υπολογιστικού κώδικα για την επεξεργασία των μετρήσεων. Μέσα από την καρδιά μου ευχαριστώ τους συναδέλφους μου για όσα ζήσαμε σαν παρέα τα δύο χρόνια των σπουδών. Επίσης, ένα ευχαριστώ σε όλους του καθηγητές και το προσωπικό του Εργαστηρίου Φυσκής της Ατμόσφαιρας για τις γνώσεις που μας προσέφεραν καθώς και τις χρήσμιμες συμβουλές τους. Τέλος, θα ήθελα να ευχαριστήσω ιδιαίτερα τους γονείς μου για την αμέριστη στήριξή τους ηθική και οικονομική τους σε όλα αυτά τα χρόνια των σπουδών μου. Το λιγότερο που μπορώ να κάνω είναι να τους αφιερώσω την παρούσα διπλωματική εργασία.

5 Περίληψη Στην παρούσα εργασία πραγματοποιείται η εφαρμογή και η σύγκριση δύο διαφορετικών μεθόδων ταξινόμησης σε οπτικές ιδιότητες αιωρούμενων σωματιδίων, από δεδομένα μετρήσεων που παραγματοποιήθηκαν με τη διάταξη Raman-Lidar του ΕΦΑ την περίοδο , στη Θεσσαλονίκη. Η ταξινόμηση των αιωρούμενων σωματιδίων σε κατηγορίες μπορεί να βοηθήσει στην κατανόηση των πηγών τους, των επιπτώσεων τους στο κλίμα καθώς επίσης και την βελτίωση σχετικά με την αξιοπιστία των υπαρχόντων δεδομένων. Η τεχνική Lidar έχει αποδειχθεί ότι είναι ένα πολύ ισχυρό εργαλείο για την ταξινόμηση των αερολυυμάτων με την ικανότητά του να πραγματοποιεί μετρήσεις σε ευρύ φάσμα μηκών κύματος. Οι αυτόματες διαδικασίες για την ταξινόμηση των αερολυμάτων συνδυάζουν τις πληροφορίες που παρέχουν τα συστήματα lidar και βασιζόμενες σε προκαυθορισμένες κατηγορίες αερολυμάτων, καθορίζουν τον τύπο αερολύματος. Αρχικά, χρησιμοποιείται μία τεχνική η οποία στηρίζεται στην χρήση τεχνητών νευρωνικών δικτύων (ΝΑΤΑLI) προκειμένου να γίνει η ταξινόμηση και στη συνέχεια εφαρμόζεται μία μέθοδος που χρησιμοποιεί ως ταξινομητή την απόσταση Mahalanobis. Στο πρώτο κεφάλαιο, αναφερόμαστε στα βασικά χαρακτηριστικά των αιωρούμενων σωματιδίων και συγκεκριμένα στις πηγές, το μέγεθος, την σύσταση, τους μηχανισμούς απομάκρυνσής τους από την ατμόσφαιρα, καθώς και την επίδρασή τους στο κλίμα. Στο δεύτερο κεφάλαιο, περιγράφεται η αρχή λειτουργίας ενός συστήματος Lidar και παρουσιάζεται το Raman-Lidar του Εργαστηρίου Φυσικής της Ατμόσφαιρας του ΑΠΘ. Παράλληλα, πριγράφεται η διαφορική εξίσωση Lidar και αναλύονται οι μέθοδοι υπολογισμού των κατακόρυφων κατανομών των οπτικών ιδοτήτων των αιωρούμενων σωματιδίων. Στο τέταρτο μέρος, γίνεται αναλυτική περιγραφή της μεθοδολογίας και των αλγορίθμων επεξεργασίας που χρησιμοποιούν το λογισμικό NATALI, που στηρίζεται στην χρήση νευρωνικών δικτύων καθώς και της μεθόδου που χρησιμοποιεί ως ταξινομητή την απόσταση Mahalanobis. Στο πέμπτο κεφάλαιο, παρουσιάζονται τα στάδια της επεξεργασίας των δεδομένων lidar, κατά την εφαρμογή του λογισμικού NATALI και της μεθόδου Mahalanobis καθώς επίσης αναλύονται και σχολιάζονται τα αποτελέσματα από την μεταξύ τους σύγκρισης. Στο έκτο κεφάλαιο, χρησιμοποιούμε δύο συγκεκριμένες περιπτώσεις που χαρακτηρίστηκαν επεισόδια μεταφοράς σκόνης και σωματιδίων καπνού, από τις μεθόδους ταξινόμησης, με την συνεργιστική χρήση υπολογιστικών μοντέλων (HYSPLIT, DREAM και MODIS) για την ταυτοποίηση της

6 πηγής προέλευσης. Στο τέλος, παρουσιάζονται τα βασικά συμπεράσματα που προέκυψαν από την παρούσα διπλωματική εργασία κατά την εφαρμογή και σύγκριση των δύο μεθόδων ταξινόμησης καθώς επίσης και μελλοντικές προοπτικές χρήσης αυτών.

7 Abstract In this thesis, two different classification methods are applied and compared in aerosol optical properties, from measurement data produced with the Raman-Lidar system of the LAP in the period , in Thessaloniki. Classification of aerosols into categories can help to understand their sources, their climate impacts as well as improving the reliability of existing data. The Lidar technique has proven to be a very powerful tool for aerosol classification with the ability to perform measurements over a wide range of wavelengths. Automatic procedures for aerosol classification combine the information provided by Lidar systems and based on pre-defined aerosol classes, determine the type of aerosol. Initially, a technique based on the use of artificial neural networks (NATALI) is used to classify and then apply a method that uses Mahalanobis distance as a classifier. In the first chapter, we refer to the basic characteristics of the suspended particles, namely the sources, the size, the composition, the mechanisms of their removal from the atmosphere, and their influence on the climate. In the second chapter, describes the principle of operation of a Lidar system and presents Raman-Lidar of the AUTh Atmospheric Physics Laboratory. In addition, the Lidar differential equation is described and the methods for calculating the vertical distributions of the optical properties of the aerosols are analyzed. The fourth part provides a detailed description of the methodology and processing algorithms using the NATALI software, based on the use of neural networks, and the method used as a classifier for the Mahalanobis distance. In the fifth chapter, we present the steps of processing the lidar data, In the fifth chapter, we present the steps of processing the lidar data, during the implementation of the NATALI software and the Mahalanobis method as well as are analyzed and commenting on the results from their comparison. In the sixth chapter, we use two specific cases characterized by episodes of dust and smoke transfer, from classification methods, with the synergistic use of computational models such as DREAM and HYSPLIT as well as from MODIS satellite data to identify of the source of origin. Finally, we present the main conclusions from the present work, the application and comparison of the two classification methods as well as future prospects for their use.

8 Περιεχόμενα 1. Αιωρούμενα σωματίδια 1.1 Εισαγωγή Πηγές και σύσταση αιωρούμενων σωματιδίων Μηχανισμοί εναπόθεσης αιωρούμενων σωματιδίων Πυρήνες συμπύκνωσης των νεφών Επίδραση αερολυμάτων στο κλίμα Τηλεπισκόπιση της ατμόσφαιρας με την τεχνική Lidar 2.1 Εισαγωγή Αρχή λειτουργίας της διάταξης lidar Το σύστημα Lidar (THELISSYS) του ΕΦΑ Πηγή ακτινοβολίας laser Οπτική διάταξη εκπομπής laser Διάταξη ανίχνευσης της ακτινοβολίας Σύστημα καταγραφής και αποθήκευσης δεδομένων Οπτική ευθυγράμμιση και συνάρτηση επικάλυψης Οπτικές ιδιότητες Lidar από μετρήσεις Lidar Ευρωπαϊκό δίκτυο lidar EARLINET Αλληλεπίδραση της ακτινοβολίας laser με την ατμόσφαιρα 3.1 Διάδοση μονοχρωματικής ακτινοβολίας στην ατμόσφιαρα Αλληλεπίδραση ακτινοβολίας με ατμοσφαιρικά συστατικά Απορρόφηση... 27

9 3.3.2 Σκέδαση Οπτικές ιδιότητες αιωρούμενων σωματιδίων Οπτικό βάθος και εκθέτης Angstrom Ανακλαστικότητα μεμονωμένης σκέδασης Συνάρτηση φάσης Παράγοντας ασσυμετρίας Διαφορική Εξίσωση Lidar Μέθοδοι επίλυσης της εξίσωσης Lidar Μέθοδος επίλυσης κατά Klett Μέθοδος επίλυσης κατά Raman Μέθοδοι Ταξινόμησης αιωρούμενων σωματιδίων 4.1 Τεχνητά Νευρωνικά Δίκτυα Εισαγωγή Βασικά χαρακτηριστικά των ΤΝΔ Μοντέλο ταξινόμησης NATALI Εισαγωγή Περιγραφή αλγορίθμου NATALI Γραφικό περιβάλλον λογισμικού (GUI) Μέθοδος ταξινόμησης με χρήση της απόστασης Mahalanobis Μεθοδολογία Απόσταση Mahalanobis Κριτήριο επιλογής οπτικών παραμέτρων... 71

10 5. Επεξεργασία δεδομένων 5.1 Δεδομένα μετρήσεων Lidar Εφαρμογή αγορίθμου NATALI σε δεδομένα lidar του ΕΦΑ Εφαρμογή μεθόδου ταξινόμησης Mahalanobis Σύγκριση μεθόδων ταξινόμησης Συμπεράσματα Ειδικά επεισόδια σωματιδιακής ρύπανσης 6.1 Εισαγωγή Μοντέλο πρόβλεψης σκόνης BSC-DREAM8b Μοντέλο υπολογισμού οπισθοτροχιών HYSPLIT αερολύματα ερημικής προέλευσης Αιωρούμενα σωματίδια καύσης βιομάζας Επεισόδιο μεταφοράς σκόνης: 20 Μαϊου Επεισόδιο μεταφοράς σωματιδίων καπνού: 2 Ιουλίου Συμπεράσματα 108 Κατάλογος Σχημάτων - Εικόνων 110 Κατάλογος Πινάκων 114 Βιβλιογραφία 115

11 P a g e 1 1. Αιωρούμενα σωματίδια 1.1 Εισαγωγή Τα αιωρούμενα σωματίδια είναι ένας περίπλοκος συνδυασμός στερεών και υγρών σωματιδίων τα οποία ποικίλλουν πολύ ως προς το μέγεθος, την πηγή, τη χημική σύνθεση, το ποσό και την χρονική και χωρική κατανομή τους, καθώς και στο χρόνο ζώης τους στην ατμόσφαιρα. Τις τελευταίες δεκαετίες ένα μεγάλο μέρος της επιστημονικής προσπάθειας στρέφεται στην κατανόηση των μηχανισμών αλληλεπίδρασης των αιωρούμενων σωματιδίων, της ηλιακής ακτινοβολίας και της μεγάλης κλίμακας επίδρασής τους στο κλίμα. Ενώ τα αποτελέσματα είναι ακόμη σχετικά αβέβαια, οι έρευνες αυτές παρέχουν σημαντικές νέες ιδέες για τις επιπτώσεις των ανθρώπινων δραστηριοτήτων στο κλίμα. 1.2 Πηγές και σύσταση αιωρούμενων σωματιδίων Τα αιωρούμενα σωματίδια της ατμόσφαιρας παρουσιάζουν μεγάλη μεταβλητότητα στην ατμόσφαιρα τόσο αναφορικά με την σύσταση και το μέγεθος τους όσο και στη κατακόρυφη κατανομή τους λόγω ανομοιογένειας των πηγών τους, των φυσικών και χημικών τους ιδιοτήτων καθώς και των μετεωρολογικών συνθηκών της κάθε περιοχής. Απαντώνται τόσο στην τροπόσφαιρα (δλδ. από το έδαφος έως περίπου τα 10-12km ύψος), όσο και στην περιοχή της στρατόσφαιρας (12-40km ύψος). Τα αιωρούμενα σωματίδια της τροπόσφαιρας παρουσιάζουν μία μεγαλύτερη διακύμανση σχετικά με την χωρική και χρονική τους κατανομή αλλά και τη χημική τους σύσταση και εμφανίζουν μικρούς χρόνους παραμονής. Αντίθετα, οι πηγές στην στρατόσφαιρα είναι πολύ λιγότερες από αυτές της τροπόσφαιρας, όμως τα στρατοσφαιρικά σωματίδια παρουσιάζουν μεγαλύτερο χρόνο παραμονής λόγω θερμοκρασιακής δομής της στρατόσφαιρας σε συνδυασμό με συνθήκες ευστάθειας. Οι πηγές των αιωρούμενων σωματιδίων στην ατμόσφαιρα διαχωρίζονται σε δύο μεγάλες κατηγορίες: α) Φυσικές και β) Ανθρωπογενείς. Οι φυσικές πηγές περιλαμβάνουν την ηφαιστειακή δραστηριότητα, τις εκτεταμένες δασικές πυρκαγιές, τις ερήμους, τους δυνατούς ανέμους οι οποίοι συμπαρασύρουν σωματιδιακή ύλη, τα φυτά και τα δέντρα, τους ωκεανούς και τις θάλασσες. Οι ανθρωπογενείς πηγές περιλαμβάνουν την καύση ορυκτών καυσίμων, τη βιομηχανική δραστηριότητα, την σκόπιμη καύση βιομάζας κ.λ.π. Σε παγκόσμια κλίμακα υπερτερούν οι εκπομπές από

12 Σ ε λ 2 φυσικές πηγές ενώ σε τοπική κλίμακα υπερτερούν οι ανθρωπογενείς πηγές. Υπάρχουν πολλοί τρόποι με τους οποίους μπορούμε να κατατάξουμε τα αιωρούμενα σωματίδια σε κατηγορίες και δεν υπάρχει κάποιο συγκεκριμένο κριτήριο. Μία αντιπροσωπευτική μέθοδο ταξινόμησης αποτελεί αυτή των Seinfeld and Pandis (2006), που κατατάσει τα σωματίδια σε οκτώ κύριες κατηγορίες: 1) Αερολύματα θαλάσσιας προέλευσης (marine aerosols) 2) Αερολύματα απομακρυσμένων ηπειρωτικών περιοχών (remote continental) 3) Αερολύματα αστικής προέλεσυης (urban) 4) Αερολύματα μη αστικής προέλευσης (non-urban continental) 5) Αερολύματα χερσαίων ερημκών περιοχών (desert) 6) Αερολύματα πολικών περιοχών (polar) 7) Αερολύματα από την καύση βιομάζας (biomass burning) 8) Αερολύματα ατμοσφαιρικού υποβάθρου (Background free troposphere) Η ποικιλία που υπάρχει αναφορικά με την χημική σύσταση των αιωρούμενων σωματιδίων και γενικά αντανακλά την πηγή από την οποία προέρχονται. Στην πραγματικότητα όμως η αρχική σύνθεης αλλοιώνεται εξαιτίας των αλληλεπιδράσεων των σωματιδίων μεταξύ τους ή με τα άερια συστατικά της ατμόσφαιρας. Επίσης, μία περιπτωση ταξινόμησης βασίζεται στην διάκριση ανάλογα με τον τρόπο σχηματισμού τους σε πρωτογενή και δευτερογενή σωματίδια. Ως πρωτογενή χαρακτηρίζουμε αυτά που εκλύονται άμεσα είτε από φυσικές είτε από ανθρώπινες δραστηριότητες, ενώ ως δευτερογενή εκείνα που παράγονται έμμεσα στην ατμόσφαιρα ανάλογα με τις φυσικοχημικές συνθήκες που επικρατούν όπως η παρουσία υδρατμών και η ηλιακή ακτινοβολία. Τα δευτερογνεή σωματίδια δημιουργούνται μέσω χημικών αντιδράσεων που λαμβάνουν χώρα στην ατμόσφαιρα. Οι βασικές διαδικασίες σχηματισμού των αιωρούμενων σωματιδίων είναι η πυρήνωση, η συμπύκνωση και η συσσωμάτωση. Η πολυπλοκότητα της μελέτης ενός συστήματος αερολυμάτων μπορεί να γίνει κατανοητή ενα αναλογιστούμε ότι οι τρεις αυτές διαδικασίες λαμβάνουν χώρα ταυτόχρονα στην ατμόσφαιρα. Οι διαφορετικοί μηχανισμοί σχηματισμού των σωματιδίων είναι αυτοί που επηρεάζουν σημαντικά τον χρόνο παραμονής των σωματιδίων στην ατμόσφαιρα.

13 Σ ε λ Μηχανισμοί εναπόθεσης αιωρούμενων σωματιδίων Κάθε φυσική ή χημική διεργασία απομάκρυνσης των αιωρούμενων σωματιδίων από το φυσικό ατμοσφαιρικό σύστημα είναι συνεχής και εξαρτάται άμεσα από το είδος της πηγής προέλευσης τους, τη συγκέντρωσή τους, από την μετεωρολογική κατάσταση και την τοπογραφία της εκάστοτε περιοχής. Έτσι o χρόνος παραμονής των σωματιδίων στην ατμόσφαιρα, ή με άλλα λόγια ο ρυθμός με τον οποίο καθιζάνουν τα σωματίδια στην γήινη επιφάνεια εξαρτάται και από τον τρόπο απομάκρυνσης τους από την ατμόσφαιρα. Η μεταφορά των αιωρούμενων σωματιδίων από την ατμόσφαιρα στο έδαφος γίνεται με μέσω των μηχανισμών βαρυτικής, ξηρής και υγρής εναπόθεσης. Καθώς δύο αιωρούμενα σωματίδια συγκρούονται μεταξύ τους στον αέρα, τείνουν να συνεννωθούν εξαιτίας ελκτικών δυνάμεων, δημιουργώντας έτσι σταδιακά ολοένα και μεγαλύτερα σωματίδια, τα οποία ονομάζονται συσσωματώματα. Όσο μεγαλύτερο τείνει να γίνεται το σωματίδιο, τόσο αυξάνει το βάρος του και επομένως η πιθανότητα για βαρυτική εναπόθεση στο έδαφος αυξάνεται. Η διαδικασία αυτή, κτά την οποία η σωματιδιακή υλη επικάθεται στην γήινη επιφάνεια ονομάζεται ξηρή εναπόθεση. Η διεργασία όπου η σωματιδιακή ύλη παρασύρεται από τη βροχή, τις νιφάδες χιονιού, το χαλάζι ή την ομίχλη είναι συνηθισμένη μορφή συσσωμάτωσης και εναπόθεσης και ονομάζεται υγρή εναπόθεση. Οι μηχανισμοί αυτοί εναπόθεσης οδηγούν σε μικρούς χρόνους παραμονής των αιωρούμενων σωματιδίων στην τροπόσφαιρα και έχει ως αποτέλεσμα την μεταβολή της κατανομής μεγέθους και της συγκέντρωσής τους. Επειδή οι τύποι καθίζησης οδηγούν σε μικρούς χρόνους παραμονής των σωματιδίων στην τροπόσφαιρα, και επειδή η γεωγραφική κατανομή των σωματιδίων είναι ανομοιόμορφη, τα τροποσφαιρικά αεροζόλ, δηλαδή τα αιωρούμενα σωματίδια που βρίσκονται στην τροπόσφαιρα, διαφέρουν ευρέως σε συγκέντρωση και σύνθεση στα διαφορετικά σημεία πάνω στον πλανήτη (Seinfeld & Pandis, 2006). 1.4 Αιωρούμενα σωματίδια ως πυρήνες συμπύκνωσης των νεφών Τα αιωρούμενα σωματίδια που βρίσκονται στην ατμόσφαιρα συνήθως απορροφούν υγρασία από τον υγρό περιβάλλοντα αέρα και έτσι αυξάνουν τον όγκο τους. Όσο αυξάνεται η σχετική υγρασία της ατμόσφαιρας τόσο περισσότερο νερό συμπυκνώνεται πάνω στα σωματίδια και μέσω συγκεκριμένων φυσικών διεργασιών, ορισμενα σωματίδια μετατρέπονται σε ομίχλη ή νεφοσταγονίδια (Seinfeld and

14 Σ ε λ 4 Pandis, 2006). Τα σωματίδια αυτά ονομάζονται «πυρήνες συμπύκνωσης νεφών» (cloud condensation nuclei-cnn). Στην περίπτωση όπου η ατμόσφαιρα ήταν τελείως απαλλαγμένη από αιωρούμενα σωματίδια, θα ήταν πολύ δύσκολη έως αδύνατη η συμπύκνωση των υδρατμών. Η αποτελεσματικότητα ενός σωματιδίου της ατμόσφαιρας να δράσει σαν πυρήνας συμπύκνωσης, είναι συνάρτηση του μεγέθους, της χημικής σύνθεσης, της κατάστασης ανάμειξης και του φυσικού περιβάλλοντος. Με τις συνήθεις συνθήκες που επικρατούν στην ατμόσφαιρα, η μετατροπή της αέριας φάσης του νερού σε υγρή ή στερεή απαιτεί την παρουσία ενός κατάλληλου πυρήνα συμπύκνωσης. Σε ότι αφορά την μεταφορά των σωματιδίων στην ατμόσφαιρα, οι πυρήνες συμπύκνωσης συμπεριφέρονται περισσότερο σαν άερια ή ατμοί, μεταφέρονται δηλαδή με τα συστήματα στροβίλων και γενικά με την ύπαρξη ανοδικών κινήσεων. Η μεγαλύτερη μεταφορά μαζών που περιέχουν αιωρούμενα σωματίδια θεωρείται ότι λαμβάνει χώρα στα σύνορα μεταξύ των περιοχών όπου παρατηρούνται μεγάλες καιρικές διαταραχές, όταν δηλαδή επιτρέπεται η διανταλλαγή αερίων μεταξύ τροπόσφαιρας και στρατόσφαιρας (Stohl et al., 2003). Εικόνα 1.1: Ατμοσφαιρικά αιωρήματα ως πυρήνες συμπύκνωσης των νεφών (πηγή: Uppsala University) Τα θειικά σωματίδια είναι υγροσκοπικά και μπορούν να δράσουν συνήθως ως πυρήνες συμπύκνωσης των νεφών. Αντιθέτως, για τον μαύρο άνθρακα γνωρίζουμε ότι είναι υδρόφοβο στοιχείο υποδηλώνοντας ότι υπάρχει μικρή πιθανότητα να δράσει ως CCN. Όμως, στην περίπτωση που πραγματοποιηθεί εσωτερική ανάμιξη (internally mixed) με αιωρήματα θαλάσσιας προέλευσης και θειικά σωματίδια, μπορεί να πάρει μέρος στην ενεργοποίηση των σταγονιδίων των νεφών. Γενικά, τα οργανικά σωματίδια αποτελούν ένα πολύπλοκο μίγμα εκατοντάδων ή και χιλιάδων διαφορετικών οργανικών συστατικών με διαφορετικές υδροσκοπικές ιδιότητες. Τα πρωτογενή σωματίδια είναι πολύ σημαντικά για την δημιουργία πυρήνων συμπύκνωσης νεφών, για το γεγονός ότι η εκπομπή τους προκαλεί άμεση αύξηση των συγκεντρώσεων του αριθμού των σωματιδίων.

15 Σ ε λ Επίδραση αιωρούμενων σωματιδίων στο κλίμα Τα αιωρούμενα σωματίδια ποκίλλουν πολύ στο μέγεθος, την πηγή, τη χημική σύνθεση, τη συγκέντρωση και την κατανομή τους στο χώρο και το χρόνο, καθώς και στο χρόνο ζωής τους στην ατμόφαιρα. Τα τελευταία χρόνια ένα μεγάλο μέρος της επιστημονικής προσπάθειας στρέφεται στην κατανόηση των μηχανισμών αλληλεπίδρασης μεταξύ των αερολυμάτων, της ηλιακής ακτινοβολίας και της μεγάλης κλίμακας επίδρασή τους στο κλίμα. Αν και τα αερολύματα αποτελούν ένα μικρό μόνο μέρος της συνολικής μάζας της ατμόσφαιρας έχουν την δυνατότητα να επηρεάσουν σημαντικά το γήινο κλίμα (IPCC, 2013). Αυτή του είδους η επίδραση, αξιολογείται σύμφωνα με την αλλαγή που επιβάλλεται στην πλανητική ακτινβολία και εκφράζεται σε W/m 2 (Radiative forcing). Η επίδραση των αιωρούμενων σωματιδίων στο ενεργειακό ισοζύγιο του πλανήτη, μπορεί να διακριθεί σε δύο κατηγορίες: α) την άμεση επίδραση και β) την έμμεση επίδραση. Τα αιωρούμενα σωματίδια επιδρούν άμεσα (direct effect) στο ισοζύγιο της ακτινοβολίας του συστήματος Γη- Ατμόσφαιρα, μέσω των μηχανισμών σκέδασης και απορρόφησης της ηλιακής και γήινης ακτινοβολίας και με τον τρόπο αυτό επηρεάζουν το κλίμα της Γης. Τα αιωρούμενα σωματίδια μπορούν να σκεδάσουν την ηλιακή ακτινοβολία προς τα πίσω στο διάστημα και έτσι να προκαλέσουν ψύξη της ατμόσφαιρας. Από την άλλη πλευρά, είναι σε θέση να απορροφήσουν την ηλιακή ενέργεια και να οδηγήσουν σε θέρμανση της ατμόσφαιρας. Εικόνα 1.2: α) Τα αιωρούμενα σωματίδια μπορούν σκεδάζουν την ηλιακή ακτινοβολία μειώνοντας το ποσό που φθάνει στην επιφάνεια και οδηγούν σε τοπική ψύξη, και b) να απορρφούν την ακτινοβολία θερμαίνοντας έτσι τα ατμοσφαιρικά στρώματα.

16 Σ ε λ 6 Τα σωματίδια μπορούν να επηρεάσουν έμμεσα (indirect effect) το κλίμα της πλανητικής ακτινοβολίας με τη δράση τους ως πυρήνες συμπύκνωσης των νεφών (CCN). Με τον τρόπο αυτό καθορίζουν τη συγκέντρωση των αρχικών σταγονιδίων, την ανακλαστικότητα (λευκότητα), το σχηματισμό βροχόπτωσης καθώς και τη διάρκεια ζωής των νεφών. Για παράδειγμα μία αυξηση στη συγκέντρωση των αερολυμάτων μπορεί να οδηγήσει σε μία αυξημένη συγκέντρωση υδροσταγονιδίων στα νέφη το οποίο να επιφέρει αύξηση της ανακλαστικότητας των νεφών. αυτό με τη σειρά του προκαλεί μείωση στην ηλιακή ακτινοβολία (μικρού μήκους κύματος) που φθάνει στην γήινη επιφάνεια. Εικόνα 1.3: α) Τα αιωρούμενα σωματίδια δρουν ως πυρήνες συμύκνωσης των νεφών, β) τα περισσότερα οδηγούν σε μεγαλύτερη συγκέντρωση μικρότερων σταγονιδίων, οδηγώντας σε ένα πιο λαμπρό σύννεφο (πηγή: IPCC, 2013). Αν και όπως περιγράψαμε έχουν διαπιστωθεί οι μηχανισμοί με τους οποίους τα αιωρούμενα σωματίδια επηρεάζουν το κλίμα, εξακολουθούν να αποτελούν την κύρια πηγή αβεβαιότητας στην εκτίμηση του ισοζυγίου ακτινοβολίας του πλανήτη (Boucher et al., 2013). Υπάρχουν πολλές δυσκολίες σε ότι αφορά την ποσοτικοποίηση της συμβολής των αιωρούμενων σωματιδίων, όχι μόνο τοπικά αλλά και σε παγκόσμια κλίμακα. Οφείλεται στην υψηλή μεταβλητότητα που παρουσιάζουν τόσο χωρικά και χρονικά και επίσης εξαιτίας των πολυάριθμων και ετερογενών διεργασιών μέσω των οποίων τα αερολύματα μπορούν να αλληλεπιδράσουν κατά τη διάρκεια της ζωής τους: πυρηνοποίηση, συμπύκνωση, πήξη και εναπόθεση. Προεκιμένου να συμβάλλει στη μείωση της αβεβαιότητας αυτής και αν είναι σε θέση να προβλέψει τις κλιαμτικές επιπτώσεις των αιωρούμενων σωματιδίων, υπάρχει ανάγκη για μακροπρόθεσμη παγκόσμια παρακολούθηση των αιωρούμενων σωματιδίων. Μετρήσεις με συστήματα

17 Σ ε λ 7 lidar μας δίνουν πληροφορίες σχετικά με την κατακόρυφη κατανομή των οπτικών ιδιοτήτων των αιωρούμενων σωματιδίων γεγονός που μας βοηθάει να μελετήσουμε την επίδραση στη ροή της ηλιακής ακτινοβολίας από τις τροποποιήσεις που υφίστανται οι οπτικές παράμετροι.

18 Σ ε λ 8 2. Τηλεπισκόπιση της ατμόσφαιρας με την τεχνική Lidar 2.1 Εισαγωγή Η τηλεπισκόπηση των ατμοσφαιρικών παραμέτρων με τη χρήση πηγών laser πραγματοποιήθηκε για πρώτη φορά το 1962 από τους Fiocco και Smullin (1963) και αφορούσε στην ανίχνευση του στρώματος των αιωρούμενων σωματιδίων της ατμόσφαιρας σε ύψος 20 km. Έκτοτε η ραγδαία ανάπτυξη στον τομέα κατασκευής πηγών laser, επέτρεψε το σχεδιασμό και την υλοποίηση εξελιγμένων διατάξεων, οι οποίες βασίζονται στην μελέτη και καταγραφή της αλληλεπίδρασης του φωτός, που εκπέμπει μια πηγή laser με τα διάφορα συστατικά της ατμόσφαιρας, σαν συνάρτηση της απόστασης. Το lidar αποτελεί ακρωνύμιο του όρου «light detection and ranging» και πρόκειται για ένα όργανο με το οποίο μετράμε το αποτέλεσμα της διαμόρφωσης της ακτινοβολίας από τα συστατικά της ατμόσφαιρας. Η τεχνική lidar βασίζεται στην εκπομπή ενός παλμού μονοχρωματικής ακτινοβολίας laser, στην μέτρηση της επανασκεδαζόμενης ακτινοβολίας από τα μόρια και τα σωματίδια της ατμόσφαιρας και στην καταγραφή του χρόνου που μεσολαβεί ανάμεσα στην εκπομπή και στη λήψη, η οποία αντιστοιχεί στην απόσταση των σκεδαστών από την πηγή laser. Έχει καθιερωθεί διεθνώς ως μία αποτελεσματική και αξιόπιστη μέθοδος μελέτης και παρακολούθησης των βασικότερων χαρακτηριστικών της ατμόσφαιρας. Εξαιτίας της υψηλής χωρικής και χρονικής ακρίβειας των μετρήσεων η τεχνική lidar αποτελεί μία πανίσχυρη και πρωτοποριακή μέθοδο παρατήρησης της μεταβολής των σημαντικότερων μετεωρολογικών και ατμοσφαιρικών παραμέτρων καθ ύψος, από την επιφάνεια του εδάφους έως τα 10-20km περίπου. Τα είδη των ατμοσφαιρικών και μετεωρολογικών παραμέτρων που δύνανται να μετρηθούν με την τεχνική lidar είναι πολλά και συνεχώς αυξανόμενα. Η ανίχνευση και ανάλυση της οπισθοσκεδαζόμενης ακτινοβολίας laser κατακόρυφα, επιτρέπει τη μέτρηση οπτικών και μικροφυσικών ιδιοτητων των αιωρούμενων σωματιδίων, των υδρατμών, των απόλυτων συγκεντρώσεων αέριων ρύπων ή και θερμοκηπικών αερίων (π.χ. O3, CO2, NOx, SO2), του ύψους και πάχους των νεφών στην ατμόσφαιρα καθώς και τη δομή του Ατμοσφαιρικού Οριακού Στρώματος με μεγάλη χωρική και χρονική ακρίβεια. Η αναγκαιότητα μελέτης της ατμόσφαιρας συνέβαλλε τόσο στην εξέλιξη του συσήματος lidar όσο και στην ανάπτυξη διαφόρων τεχνικών Lidar για τη

19 Σ ε λ 9 τηλεπισκόπιση των οπτικών παραμέτρων. Οι τεχνικές αυτές βασίζονται στο διαφορετικό τόπο με τον οποίο αλληλεπιδρά η εκπεμπόμενη δέσμη ακτινοβολίας με τα συστατικά της ατμόσφαιρας. Έτσι υπάρχουν διατάξεις που βασίζονται στην σκέδαση της ακτινοβολίας laser κατά Rayleigh (ατμοσφαιρικά μόρια), στη σκέδαση Mie (αερολύματα), στη σκέδαση Raman, στη σκέδαση συντονισμού, στο φθορισμό, στην απορρόφηση και ακόμη στη διφορική σκέδαση απορρόφηση. Στον Πίνακα 1, γίνεται μία σύντομη περιγραφή των οπτικών αλληλεπιδράσεων οι οποίες αναφέρθηκαν (Weitcamp, 2005). Πίνακας 2.1: Κατηγορίες συστημάτων Lidar σύμφωνα με τα οπτικά φαινόμενα Τεχνική Lidar Σκέδαση Rayleigh Σκέδαση Mie Σκέδαση Raman Σκέδαση συντονισμού Φθορισμός Απορρόφηση Διαφορική σκέδαση & απορρόφηση Περιγραφή φαινομένου Η ακτινοβολία laser σκεδάζεται ελαστικά από άτομα ή μόρια χωρίς να αλλάζει το μήκος κύματος της σκεδαζόμενης. Η ακτινοβολία σκεδάζεται ελαστικά εξαιτίας μικρών σωματιδίων ή αιωρημάτων (μέγεθος συγκρίσιμο με την εκπεμπόμενη) χωρίς να αλλάζει το μήκος κύματος της σκεδαζόμενης. Η ακτινοβολία σκεδάζεται ανελαστικά από τα μόρια με μετατόπιση του μήκους κύματος της σκεδαζόμενης. Η αλλαγή της συχνότητας της σκεδαζόμενης ακτινοβολίας αντιστοιχεί στην διαφορά ενέργειας μεταξύ της αρχικής και τελικής κατάστασης του μορίου. Η συχνότητα εκπεμπόμενης ακτινοβολίας laser συμπίπτει με συχνότητα δεδομένης ενεργειακής μετάπτωσης του ατόμου, διεγείρεται και σκεδάζει αποδιεγειρόμενο άνευ μετατόπισης στο μήκος κύματος. Η συχνότητα εκπεμπόμενης ακτινοβολίας laser συμπίπτει με τη συχνότητα δεδομένης ενεργειακής μετάπτωσης ατόμου, γίνεται μερική απορρόφηση και επανεκπομπή σε μεγαλύτερο μήκος κύματος. Η δέσμη ακτινοβολίας laser εξασθενεί, λόγω σύμπτωσης του μήκους κύματος με ζώνη απορρόφησης του εν λόγω μορίου. H διαφορική εξασθένιση δύο ακτίνων laser, από σήματα οπισθοσκέδασης, όταν η συχνότητα της μίας συμπίπτει με τη συχνότητα γνωστής μετάπτωσης, ενώ η συχνότητα της άλλης είναι ακτιβώς μετά ή πριν από αυτή την συχνότητα.

20 Σ ε λ Αρχή λειτουργίας διάταξης Lidar Η λειτουργία μιας διάταξης lidar συνίσταται στην εκπομπή και διάδοση ενός παλμού laser στην ατμόσφαιρα, την αλληλεπίδραση της ακτινοβολίας με τα συστατικά της ατμόσφαιρας και την ανίχνευση ενός μέρους της ακτινοβολίας που επιστρέφει, με την χρήση κατάλληλου ανιχνευτικού συστήματος. Με την επεξεργασία του ανιχνεύσιμου σήματος lidar, συγκεντρώνονται πληροφορίες για το είδος του στόχου, τη σύστασή του, την απόσταση του από το σημείο εκπομπής των παλμών laser καθώς και την κατανομή του στο χώρο. Η βασική δομή ενός συστήματος Lidar απεικονίζεται στο σχήμα 1: Εικόνα 2.1: Τυπική διάταξη συστήματος lidar (πηγή: Weitkamp, 2005) Κάθε σύστημα lidar, βασίζεται σε μία από τις φυσικές διεργασίες που αναφέρθηκαν στην προηγούμενη ενότητα και η τυπική δομή του περιλαμβάνει τέσσερα επιμέρους υποσυστήματα: 1) Μία ισχυρή παλμική πηγή ακτινοβολίας laser, 2) Οπτική διάταξη εκπομπής της ακτινοβολίας laser, 3) Ένα οπτικό σύστημα ανίχνευσης της οπισθοσκεδαζόμενης ακτινοβολίας που περιλαμβάνει το τηλεσκόπιο και το ανιχνευτικό τμήμα της διάταξης (φωτοπολλπλασιαστές) και μετατροπής της σε ηλεκτρικό σήμα, 4) σύστημα καταγραφής και ψηφιοποίησης του ηλεκτρικού σήματος

21 Σ ε λ 11 ως συνάρτηση του χρόνου ή ως συνάρτηση της απόστασης από το σημείο εκπομπής των παλμών. Υπάρχουν πολλοί τρόποι που μπορεί να κατηγοριοποιήσει κανείς τα συστήματα lidar: από το φυσικό φαινόμενο που λαμβάνει χώρα, από τον σκοπό για τον οποίο κατασκευάστηκαν, από το μήκος κύματος που χρησιμοποιούν [IR,VIS, UV], από την τεχνολογία (συνεχές ή παλμικό laser, ομοαξονικό ή διαξονικό, analog ή photon counting). Το σύστημα lidar αποτελεί βρίσκει εφαρμογή σε πολλούς επιστημονικούς κλάδους λόγω της αξιοπιστίας και την ευχέρεια επιλογών χρήσης του. Μπορούν να πραγματοποιηθούν μετρήσεις από επίγεια συστήματα, ή φορητά συστήματα εγκατεστημένα σε πλοία, αεροπλάνα και δορυφόρους, και μπορούν να περιλαμβάνουν μετρήσεις στην ατμόσφαιρα, τη θάλασσα, ή και την ξηρά. Το είδος των μετρήσεων ποικίλλει και μπορεί να αφορά μετρήσεις της συγκέντρωσης διαφόρων συστατικών της ατμόσφαιρας, όπως είναι οι ατμοσφαιρικοί ρύποι (Ο3, NOx, SO2, CO, CO2, κ.λ.π.) και η μελέτη αιωρούμενων σωματιδίων (aerosols). Επίσης, μέσω μετρήσεων με lidar δίνεται η δυνατότητα μέτρησης κατακόρυφων κατανομών διάφορων ατμοσφαιρικών παραμέτρων όπως είναι η ατμοσφαιρική πυκνότητα, η θερμοκρασία, ο άνεμος, η συγκέντρωση των υδρατμών και η σχετική υγρασία. Εικόνα 2.2: Συστήματα lidar εγκατεστημένα σε επίγεια και αερομεταφερόμενα μέσα.

22 Σ ε λ Το σύστημα LIDAR (THELISSYS) του ΕΦΑ Η διάταξη lidar του ΕΦΑ σχεδιάστηκε από τον Δρ. Α.Παπαγιάννη. Αποτελεί την πρώτη διάταξη που λειτούργησε στην Ελλάδα και τέθηκε σε λειτουργία για πρώτη φορά το Η διάταξη είναι εγκατεστημένη στο δώμα του κτιρίου της Σχολής Θετικών Επιστημών του Α.Π.Θ., στη Θεσσαλονίκη [40.5 o Ν, 22.9 o Ε, υψόμετρο 50 m] και σχεδιάστηκε για την μελέτη των διαφόρων στρωμάτων της κατώτερης τροπόσφαιρας με τη χρήση ιδιοτήτων ελαστικής σκέδασης από τα μόρια και τα αιωρήματα της ατμόσφαιρας. Τον Ιανουάριο του 2001 η διάταξη αναβαθμίστηκε σε Lidar οπισθοσκέδασης Raman, με διπλή δέσμη εκπομπής στα 355 και 532 nm και δυνατότητα ανίχνευσης των δύο ελαστικά οπισθοσκεδαζόμενων ακτινοβολιών στα 355 και 532 nm, καθώς επίσης και της ακτινοβολίας των 387 nm η οποία προέρχεται από την οπισθοσκεδαζόμενη Raman των 355 nm από το ατμοσφαιρικό άζωτο. Τον Απρίλιο του 2008, πραγματοποιήθηκε μία επιπλέον αναβάθμιση της ακτινοβολίας των 607nm η οποία προέρχεται από την οπισθοσκεδαζόμενη Raman των 532 nm από το ατμοσφαιρικό άζωτο. Το 2011, προστέθηκαν δύο κανάλια για την μέτρηση της κάθετης και παράλληλης συνιστώσας πολωμένου σήματος στα 532 nm, ενώ το 2012 προστέθηκε ακόμη ένα τρίτο κανάλι ελαστικής οπισθοσκέδασης στα 1064nm (αναλογικό). Όπως κάθε διάταξη lidar, έτσι και το σύστημα lidar του ΕΦΑ απαρτίζεται από πέντε βασικά υποσυστήματα: 1) την πηγή ακτινοβολίας laser, 2) την οπτική διάταξη εκπομπής της ακτινοβολίας laser, 3) ένα τηλεσκόπιο για την υποδοχή της επιστρεφόμενης ακτινοβολίας 4) την διάταξη ανίχνευσης της ακτινοβολίας laser και τέλος 5) το σύστημα καταγραφής και αποθήκευσης των δεδομένων lidar.

23 Σ ε λ Πηγή ακτινοβολίας laser Ως πηγή laser η διάταξη LIDAR του ΕΦΑ χρησιμοποιεί ένα παλμικό laser στερεάς κατάστασης Nd:Yag (Νeodymium-doped Yttrium Aluminium Garnet) της Quanta- Ray GCR-150, το οποίο αρχικά εκπέμπει γραμμικά πολωμένη ακτινοβολία στα 1064 nm με ενέργεια 800 mj/παλμό. Με την παρεμβολή στη δέσμη δύο μη γραμμικών κρυστάλλων KD*P (Potassium Dideuterium Phosphate), έχουμε την παραγωγή της δεύτερης αρμονικής συχνότητας στα 532nm (SHG, second harmonic generation) και της τρίτης αρμονικής συχνότητας στα 355nm (THG, third harmonic generation) (Siegman, 1986). Οι κρύσταλλοι ελέγχονται θερμικά μέσω ενός θερμοστάτη. Με αυτόν τον τρόπο η εκπεμπόμενη ακτινοβολία laser αντιστοιχεί σε τρεις περιοχές του ηλεκτρομαγνητικού φάσματος, το κοντινό υπέρυθρο, το ορατό και το υπεριώδες, αντίστοιχα. Η συχνότητα εκπομπής των παλμών laser είναι 10 Hz και η τελικά εκπεμπόμενη ενέργεια ανά παλμό είναι 650mJ στα 1064nm, 300nm στα 532nm και 120mJ στα 355nm. Με αυτό τον τρόπο η εκπεμπόμενη ακτινοβολία laser αντιστοιχεί σε τρεις περιοχές του ηλεκτρομαγνητικού φάσματος, το κοντινό υπέρυθρο (IR), το ορατό (VIS) και το υπεριώδες (UV). Στην Eικόνα 2.3 που ακολουθεί, παρουσιάζεται το σύστημα εκπομπής laser lidar του ΕΦΑ: Εικόνα 2.3: Η πηγή laser του lidar του ΕΦΑ.

24 Σ ε λ Οπτική διάταξη εκπομπής της ακτινοβολίας laser Το Lidar του ΕΦΑ αξιοποιεί την οπισθοσκεδαζόμενη ακτινοβολία στα 355nm (UV), στα 532nm (VIS) και στα 1064nm (IR). Χρησιμοποιούνται δύο κάτοπτρα τα οποία στέλνουν την εκπεμπόμενη δέσμη των τριών μηκών κύματος κατακόρυφα προς τον ουρανό και παράλληλα με τον άξονα του τηλεσκοπίου (διαξονική διάταξη biaxial). Η ακτινοβολία που οπισθοσκεδάζεται συλλέγεται από ένα Νευτώνειο τηλεσκόπιο. Η απαραίτητη ευθυγράμμιση της δέσμης laser για την επίτευξη της απαιτούμενης παραλληλίας μεταξύ της εκπεμπόμενης δέσμης και του οπτικού άξονα του τηλεσκοπίου, πραγματοποιείται με τη βοήθεια ειδικών βάσεων στήριξης με ρυθμιζόμενη κλίση για τον τελικό έλεγχο της γωνίας εκπομπής των κατόπτρων. Στην εικόνα 2.4 που ακολουθεί, παρουσιάζεται το σύστημα laser, καθώς και το σύστημα ευθυγράμμισης. Εικόνα 2.4: Οπτική διάταξη εκπομπής της ακτινοβολίας laser του ΕΦΑ Διάταξη ανίχνευσης της ακτινοβολίας laser Για την συλλογή της οπισθοσκεδαζόμενης ακτινοβολίας χρησιμοποιείται ένα Νευτώνειο τηλεσκόπιο με παραβολικό κάτοπτρο που έχει διάμετρο 0.5m. To παραβολικό αυτό κάτοπτρο έχει επίστρωση με διφθοριούχο μαγνήσιο (MgF2). Η

25 Σ ε λ 15 επίστρωση αυτή προσδίδει στο κάτοπτρο ανακλαστικότητα της τάξης του 98%. Προηγείται μία ακόμη επίστρωση από διοξείδιο του πυριτίου (SiO2) για καλύτερη προστασία. Η ανακλαστικότητα τελικά που έχει το τηλεσκόπιο στα 355nm είναι ίση με 98.3% στα 387nm ίση με 96.2% και στα 532nm ίση με 90.5%. Στην εικόνα που ακολουθεί απεικονίζεται το τηλεσκόπιο του ΕΦΑ: Εικόνα 2.5: Το τηλεσκόπιο του lidar του ΕΦΑ. Η ακτινοβολία που συλλέγεται κατευθύνεται προς την διάταξη ανίχνευσης του lidar μέσω ενός παρεμβαλλόμενου επίπεδου κάτοπτρου. Η ακτινοβολία που συλλέγεται από το οπτικό τηλεσκόπιο οδηγείται στο κιβώτιο ανίχνευσης μέσω ενός κατάλληλου διαφράγματος και ενός φακού για τη δημιουργία παράλληλης φωτεινής δέσμης. Στη συνέχεια γίνεται φασματικός διαχωρισμός της ακτινοβολίας στα αντίστοιχα μήκη κύματος μέσω διχρωικών κατόπτρων. Η φασματικά διαχωρισμένη ακτινοβολία laser, πριν οδηγηθεί στον αντίστοιχο φωτοανιχνευτή, φιλτράρεται φασματικά από μία συστοιχία οπτικών φίλτρων. Κάθε συστοιχία οπτικών φίλτρων αποτελείται από έναν φακό εστίασης, ένα φίλτρο συμβολής στενής δέσμης και δύο φασματικά φίλτρα.το φασματικό εύρος και το κεντρικό μήκος κύματος των φίλτρων συμβολής είναι ειδικά

26 Σ ε λ 16 επιλεγμένα ώστε να αποκόπτονται όλα τα μήκη κύματος (π.χ. η ακτινοβολία του ατμοσφαιρικού υποβάθρου) εκτός του επιθυμητού και έτσι να αυξάνεται σημαντικά ο λόγος του σήματος προς τον θόρυβο (Signal to Noise Ratio SNR). Για την ανίχνευση των σημάτων χρησιμοποιούνται έξι φωτοπολλαπλασιαστές (αναβάθμιση 2012) R7400P της Hamamatsu [ που είναι ειδικά επιλεγμένοι για την ευαισθησία και την γρήγορη απόκριση τους στα αντίστοιχα μήκη κύματος. Η φωτοκάθοδος των φωτοπολλαπλασιαστών είναι πολυαλκαλική [Na K Sb Cs]. Η μέγιστη τάση τροφοδοσίας των φωτοπολλαπλασιαστών είναι της τάξεως των 1000 V, προκειμένου αυτοί να λειτουργούν στην γραμμική τους περιοχή. Οι προδιαγραφές του κατασκευαστή των φωτοπολλαπλασιαστών ορίζουν ως τάση λειτουργίας το διάστημα 650V-920V και 100V-250V ανάλογα με το μήκος κύματος της ακτινοβολίας. Στην Εικόνα 2.6 που ακολουθεί, φαίνονται οι φωτοπολλαπλασιαστές που έχουν προσαρτηθεί στο κιβώτιο ανίχνευσης: Εικόνα 2.6: Οι φωτοπολλαπλασιαστές του lidar του ΕΦΑ.

27 Σ ε λ Σύστημα καταγραφής και αποθήκευσης δεδομένων lidar Για τα σήματα lidar διακρίνουμε γενικά δύο βασικές μεθόδους καταγραφής: την αναλογική μέθοδο (analog detection mode) και την τεχνική της καταμέτρησης φωτονίων (photon counting detection mode). Στην αναλογική μέθοδο καταγραφής, ο παλμός εξόδου του φωτοπολλαπλασιαστή καταγράφεται σαν ρεύμα εξόδου, ενώ στην τεχνική της καταμέτρησης φωτονίων καταγράφονται τα παραγόμενα από τον φωτοπολλαπλασιαστή φωτοηλεκτρόνια. Η τεχνική καταμέτρησης φωτονίων είναι πιο αξιόπιστη από την αναλογική μέθοδο, αναφορικά με τον λόγο ρεύματος προς θόρυβο (SNR) και την σταθερότητα του παραγόμενου σήματος. Το καταγραφικό σύστημα που χρησιμοποιούμε (LICEL Transient Recorder TR20-80/160, έχει τη δυνατότητα να εκτελεί ταυτόχρονα την αναλογική καταγραφή (an) στα 355 nm, 532 nm, 1064 nm και την καταμέτρηση φωτονίων (pc) στα 355 nm,532 nm,387 nm και 607 nm. Επίσης μπορεί να εκτελεί ταυτόχρονα την αναλογική καταγραφή (an) στα 532R nm, 532T nm, 1064 nm και την καταμέτρηση φωτονίων (pc) στα 532R nm και 532T nm. Μετά την καταγραφή τους τα πρωτογενή δεδομένα (μετρήσεις lidar) αποθηκεύονται σε έναν ηλεκτρονικό υπολογιστή για περαιτέρω χρήση και επεξεργασία. Στην Εικόνα 2.7 που ακολουθεί, φαίνονται οι καταγραφικές μονάδες των σημάτων lidar του ΕΦΑ. Εικόνα 2.7: Καταγραφικές μονάδες των σημάτων lidar του ΕΦΑ.

28 Σ ε λ Οπτική ευθυγράμμιση και συνάρτηση επικάλυψης Η ακρίβεια των αποτελεσμάτων των μετρήσεων lidar είναι συνάρτηση πολλών παραγόντων. Ένας από τους βασικούς παράγοντες που επηρεάζουν την ακρίβεια αυτή, είναι η συνάρτηση επικάλυψης μεταξύ της εκπομπής και της λήψης. Ως συνάρτηση επικάλυψης, Ο(z), ορίζεται η συνάρτηση που μας δίνει το κλάσμα της ακτινοβολίας laser που έχει εισέλθει στο οπτικό πεδίο του τηλεσκοπίου. Η συνάρτηση επικάλυψης ισούται με μηδέν όταν η δέσμη του laser δεν έχει ακόμη εισέλθει εντός του οπτικού πεδίου του τηλεσκοπίου, ενώ είναι ίση με τη μονάδα στην περιοχή πλήρους επικάλυψης. Η ελλιπής επικάλυψη μεταξύ της δέσμης laser και του οπτικού πεδίου του δέκτη (field of view), έχει σημαντικές επιπτώσεις στις μετρήσεις lidar σε κοντινές αποστάσεις (πρώτα εκατοντάδες μέτρα). Για μία ορθή και αξιόπιστη ανάλυση των δεδομένων lidar κοντινού πεδίου, είναι απαραίτητο να γίνουν γεωμετρικές εκτιμήσεις και διορθώσεις των λαμβανόμενων σημάτων lidar που αφορούν την περιοχή της μη πλήρους επικάλυψης. Διαιρώντας το λαμβανόμενο σήμα lidar με τη συνάρτηση επικάλυψης, είναι δυνατόν να εφαρμόσουμε την εξίσωση lidar και σε ύψη όπου η επικάλυψη δεν είναι πλήρης. Στην εικόνα 2.8, παρουσιάζεται η επικάλυψη της δέσμης laser καθ ύψος, με το οπτικό πεδίο του τηλεσκοπίου για την περίπτωση ενός διαξονικού συστήματος lidar. Διάφορες προσπάθειες που έχουν γίνει κατά καιρούς για τον υπολογισμό της συνάρτησης επικάλυψης περιλαμβάνουν τόσο αναλυτικές (π.χ Chourdakis et al., 2002 κ.ά), όσο και πειραματικές μεθόδους προσδιορισμού (π.χ. Sasano et al., 1979; Wandinger and Ansmann, 2002; Freudenthaler, 2004 κ.ά). Το πρόβλημα του προσδιορισμού της συνάρτησης επικάλυψης δεν είναι απλό, μιας και οι πληροφορίες που χρειάζονται για τους υπολογισμούς δεν είναι πάντα διαθέσιμες και ακριβείς. Στους αλγόριθμους της αντιστροφής των σημάτων lidar του ΕΦΑ, χρησιμοποιείται η πειραματική μέθοδος προσδιορισμού, όπως προτάθηκε από τους Wandinger and Ansmann (2002). Σύμφωνα με τη μέθοδο αυτή, είναι δυνατός ο υπολογισμός της συνάρτησης επικάλυψης από τα προφίλ των συντελεστών οπισθοσκέδασης που υπολογίζουμε με τις μεθόδους Klett και Raman. Δεν θα αναφερθούμε περεταίρω καθώς ο προσδιορισμός της συνάρτησης επικάλυψης δεν αποτελεί βασικό σκοπό της παρούσας εργασίας.

29 Σ ε λ 19 Εικόνα 2.8: Επικάλυψη της δέσμης laser με το οπτικό πεδίο του τηλεσκοπίου για την περίπτωση ενός διαξονικού συστήματος lidar (πηγή: Weitkamp, 2005) Για να αποκτήσει το καλύτερο δυνατό σήμα το σύστημα ανίχνευσης lidar, θα πρέπει ο χρήστης να ευθυγραμμίσει σωστά τη δέσμη ακτινοβολίας προς το οπτικό πεδίο του τηλεσκοπίου. Οι μετρήσεις που αποκτήθηκαν με ένα μη ευθυγραμμισμένο σύστημα lidar μπορούν να οδηγήσουν σε αποτελέσματα με σημαντικά σφάλματα. Στην εικόνα 2.9 παρακάτω παρουσιάζονται περιπτώσεις σωστής και μη, ευθυγράμμισης της δέσμης με το οπτικό πεδίο του τηλεσκοπίου. Μπορούμε να παρατηρήσουμε ότι στην περίπτωση (α) το σήμα αρχίζει να αυξάνεται όταν το φως της δέσμης εισάγεται στο οπτικό πεδίο του δέκτη (σημείο A) και φτάνει στην μέγιστή του τιμή όταν ολόκληρη η δέσμη βρίσκεται μέσα στο οπτικό πεδίο (σημείο Β). Στις περιπτώσεις (β) και (γ) έχουμε μη ορθή ευθυγράμμιση της δέσμης. Στην περίπτωση (β) η ακτίνα laser είναι κεκλιμένη προς την αντίθετη κατεύθυνση και δεν υπάρχει σήμα Lidar. Ωστόσο, υπάρχει κάποιος θόρυβος από τα ηλεκτρονικά. Στη περίπτωση (γ) η δέσμη laser εισέρχεται στο οπτικό πεδίο του τηλεσκοπίου (σημείο A-Β) αλλά εξέρχεται μετά, από ένα συγκεκριμένο σημείο(σημείο C-D). Η δεύτερη περίπτωση είναι πιο δύσκολo να διακριθεί, καθώς το σήμα μοιάζει με το κανονικό σήμα Lidar. Ωστόσο υπάρχουν τεχνικές τέλειας ευθυγράμμισης του Lidar όπως είναι το «telecover test».

30 Σ ε λ 20 Εικόνα 2-9: Περιπτώσεις α) μη-ευθυγραμμισμένο σύστημα lidar, εύκολο να διαπιστωθεί εξαιτίας μηδενικού σήματος, β) μη-ευθυγραμμισμένο lidar, δύσκολο να διαπιστωθεί και γ) σωστά ευθυγραμμισμένο σύστημα lidar (Πηγή: Raymetrics S.A). 2.5 Οπτικές ιδιότητες αερολυμάτων από μερήσεις Lidar Οι μετρήσεις lidar των οπτικών ιδιοτήτων των αιωρούμενων σωματιδίων, με την μεγάλη χωρική και χρονική ανάλυση δίνουν λεπτομερείς πληροφορίες για την παρουσία, την έκταση και την ανάπτυξη των κατακόρυφων δομών και στρωματώσεων. Με τις μεθόδους lidar είναι δυνατόν να υπολογιστούν οι οπτικές ιδιότητες των αιωρούμενων σωματιδίων ξεχωριστά στο οριακό στρώμα όπου τα αιωρήματα εκπέμπονται κατά κύριο λόγο από τοπικές πηγές και στην ελεύθερη τροπόσφαιρα όπου συχνά έχουμε μεταφορά μέσης και μεγάλης κλίμακας. Ανάλογα το είδος και την πιθανή αναβάθμιση των διατάξεων που λειτουργούν στους σταθμούς μελέτης, υπάρχει και η αντίστοιχη δυνατότητα υπολογισμού των διαθέσιμων οπτικών μεγεθών. Στον πίνακα 2.2 παρουσιάζεται το σύνολο των οπτικών ιδιοτήτων των αιωρούμενων σωματιδίων που μπορούν να ανακτηθούν με ένα επίγειο σύστημα lidar. Πίνακας 2.2: Οπτικές ιδιότητες αιωρούμενων σωματιδίων από μετρήσεις lidar Οπτική ιδιότητα Συμβολισμός Μονάδες Συντελεστής εξασθένισης α aer Mm -1 Συντελεστής οπισθοσκέδασης β aer Mm -1 sr -1 Λόγος lidar S aer sr Συντελεστής αποπόλωσης δ aer αδιάστατο Εκθέτης Angstrom / συντελεστές εξασθένισης (Α-ΑΕ) Εκθέτης Angstrom / συντελεστές εξασθένισης (Β-ΑΕ) A α,aer A β,aer αδιάστατο αδιάστατο

31 Σ ε λ 21 Ο συντελεστής εξασθένησης, αaer (extinction coefficient) εκφράζει την πιθανότητα ανά μονάδα οπτικής διαδρομής, να αφαιρεθεί ένα φωτόνιο από την αρχική ακτινοβολία λόγω σκέδασης ή/και απορρόφησης από το οπτικό μέσο. Ο συντελεστής οπισθοσκέδασης, baer (backscatter coefficient) περιγράφει την σκέδαση της ακτινοβολίας σε γωνία 180 ο ως προς την προσπίπτουσα ακτινοβολία. Ο λόγος lidar, Saer (lidar ratio) είναι ο λόγος του συντελεστή εξασθένησης προς τον συντελεστή οπισθοσκέδασης των αιωρούμενων σωματιδίων. Πρόκειται για μία οπτική παράμετρο που εξαρτάται από το μήκος κύματος και δεν είναι σταθερή με το ύψος. Επίσης εξαρτάται από τον δείκτη διάθλασης και την κατανομή μεγεθών των σωματιδίων Ο συντελεστής αποπόλωσης δ, εκφράζει τον λόγο της κάθετα συνιστώσας του συντελεστή οπισθοσκέδασης προς την παράλληλη συνιστώσα του συντελεστή οπισθοσκέδασης (σωματίδια και μόρια) στο μήκος κύματος λ. Η παράμετρος αυτή είναι ενδεικτική για το σχήμα των σωματιδίων και επιτρέπει τον διαχωρισμό μεταξύ των μη σφαιρικών σωματιδίων ερημικής σκόνης και των μικρών σωματιδίων από την ανθρωπογενή δραστηριότητα. Ο εκθέτης Ångström (AAE) που σχετίζεται με τους συντελεστές εξασθένισης, εκφράζει την φασματική εξάρτηση των συντελεστών εξασθένισης που υπολογίζονται σε διαφορετικά μήκη κύματος. Ο εκθέτης Ångström (BAE) που σχετίζεται με τους συντελεστές οπισθοσκέδασης εκφράζει την φασματική εξάρτηση του φάσματος των συντελεστών οπισθοσκέδασης που υπολογίζονται σε διαφορετικά μήκη κύματος. Είναι σημαντικό στο σημείο αυτό να σημειωθεί ότι οι συντελεστές εξασθένισης και οπισθοσκέδασης είναι παράμετροι που εξαρτώνται από τη συγκέντρωση των αιωρούμενων σωματιδίων σε αντίθεση με τις άλλες παραμέτρους που εξαρτώνται από το είδος, το μέγεθος και το σχήμα των σωματιδίων.

32 Σ ε λ Ευρωπαϊκό δίκτυο Lidar EARLINET Το σύστημα Lidar του ΕΦΑ αποτελεί μέλος του ευρωπαικού δικτύου lidar EARLINET [Bösenberg et al., 2003] το οποίο ιδρύθηκε το Πρόκεται για το πρώτο δίκτυο Lidar σε ηπειρωτική κλίμακα και στοχεύει στην καταγραφή της χωρικής και χρονικής κατανομής αιωρούμενων σωματιδίων στην Ευρώπη, με την χρήση τεχνικών Lidar ( Στα πλαίσια του ευρωπαικού προγράμματος EARLINET ( ), πραγματοποιήθηκαν συντονισμένες μετρήσεις σε 22 σταθμούς Lidar εγκατεστημένους σε 12 Ευρωπαϊκές χώρες. Το δίκτυο EARLINET συνεχίζει την λειτουργία του σήμερα (2017) στην ευρωπαϊκή ήπειρο με τη συμμετοχή 28 σταθμών Lidar, συμπεριλαμβανομένου και του ΕΦΑ. Οι σταθμοί αυτοί ακολουθούν εβδομαδιαίο πρόγραμμα, βάσει του οποίου πραγματοποιούν δυο βραδινές μετρήσεις στις οποίες η φωτεινότητα είναι χαμηλή και μία το μεσημέρι στην οποία το οριακό στρώμα είναι πλήρως ανεπτυγμένο. Επίσης πραγματοποιούνται μετρήσεις στη διάρκεια ειδικών γεγονότων, όπως για παράδειγμα επεισόδια μεταφοράς ερημικής σκόνης, δασικές πυρκαγιές, ηφαιστειακές εκρήξεις κ.ά. Στην Εικόνα 2.10 που ακολουθεί, φαίνεται η γεωγραφική κατανομή των σταθμών lidar που συνεχίζουν να συμμετέχουν στο EARLINET. Εικόνα 2.10: Σταθμοί του Ευρωπαϊκού Δικτύου Lidar EARLINET (πηγή:

33 Σ ε λ Αλληλεπίδραση ακτινοβολίας laser με την ατμόσφαιρα 3.1. Διάδοση μονοχρωματικής ακτινοβολίας στην ατμόσφαιρα Κατά την διάδοση της στην ατμόσφαιρα, η ηλεκτρομαγνητική ακτινοβολία εξασθενεί λόγω απορρόφησης και σκέδασης της από τα μόρια και τα αιωρούμενα σωματίδια. Παρουσιάζουμε εν συντομία τη θεωρία της διάδοσης της μονοχρωματικής ακτινοβνολίας σε ένα οπτικό μέσο, στην περίπτωσή μας είναι η ατμόσφαιρα που μας ενδιαφέρει στις εφαρμογές Lidar. Όταν μια πηγή εκπέμπει σε ένα ευρύ φάσμα μηκών κύματος, απαιτούνται πολύπλοκες μέθοδοι για την εκτίμηση της εξασθένισης της ακτινοβολίας (Liou, 2002). Το πρόβλημα της σκέδασης του φωτός στην περίπτωση αυτή επιλύεται μόνο με αριθμητικές μεθόδους. Οι δυσκολίες των υπολογισμών αυτών δεν υφίστανται για την περίπτωση της διάδοσης μονοχρωματικής ακτινοβολίας στην ατμόσφαιρα, όπου το πρόβλημα της σκέδασης περιγράφεται με χρήση αναλυτικών εξισώσεων. Στις εφαρμογές lidar χρησιμοποιούνται πηγές laser που εκπέμπουν παλμούς με πολύ στενό εύρος μήκους κύματος (της τάξης των 10-1 έως 10-3 nm). Έτσι, στις εφαρμογές lidar μπορούμε να θεωρήσουμε ότι έχουμε την εκπομπή και διάδοση μονοχρωματικής ακτινοβολίας στην ατμόσφαιρα, και οι εξισώσεις που θα αναπτύξουμε στη συνέχεια μπορούν να εφαρμοστούν. Στο σχήμα 3.1 έχουμε την περίπτωση όπου το φως διαδίδεται μέσα από ένα ατμοσφαιρικό στρώμα το οποίο έχει την ικανότητα να σκεδάζει ή / και να απορροφά την διερχόμενη ακτινοβολία: Σχήμα 3.1 Διάδοση μονοχρωματικής ακτινοβολίας σε ατμοσφαιρικό στρώμα Έστω μία μονοχρωματική ακτινοβολία μήκος κύματος λ που διαδίδεται σε ένα ατμοσφαιρικό στρώμα με πάχος Η (σχήμα 3-1α). Η ένταση της ακτινοβολίας που εισέρχεται είναι Ιo(λ). Θεωρούμε ότι η ένταση της εξερχόμενης ακτινοβολίας είναι ίση με Ι(λ) καθώς θα έχει διαπεράσει το ατμοσφαιρικό στρώμα. Εξαιτίας του φαινομένου εξασθένισης που θα υποστεί η ακτινοβολία θα ισχύει ότι Ιo(λ) < Ιo(λ). Το ποσοστό της ενέργειας ακτινοβολίας που διαπερνά το ατμοσφαιρικό στρώμα

34 Σ ε λ 24 εκφράζεται από την διαπερατότητα Τ του στρώματος η οποία ορίζεται σύμφωνα με τη σχέση: I( ) T I ( ) Στην περίπτωση όπου η ακτινοβολία δεν διαπερνά ολόκληρο το στρώμα η διαπερατότητα του στρώματος ισούται με μηδέν, ενώ όταν δεν πραγματοποιείται καμία διεργασία σκέδασης ή απορρόφησης της ακτινοβολίας στο στρώμα θα είναι ίση με τη μονάδα. (3.1) Η διαπερατότητα ενός οπτικού μέσου για μία μονοχρωματική ακτινοβολία είναι μία ιδιότητα του ίδιου του μέσου για το συγκεκριμένο μήκος κύματος. Για να εκφράσουμε τη διαπερατότητα ενός ατμοσφαιρικού στρώματος που παρουσιάζει διαφορετικές ιδιότητες σκέδασης και απορρόφησης κατά τον οπτικό δρόμο που διανύει η μονοχρωματική ακτινοβολία μέσα σε αυτό, θεωρούμε ένα στοιχειώδες τμήμα του ατμοσφαιρικού στρώματος, πάχους ds, σε θέση που απέχει απόσταση από την αρχή του στρώματος αυτού (σχήμα 3.1β)). Θεωρούμε ότι σε αυτό το στοιχειώδες τμήμα του στρώματος, οι ιδιότητες της σκέδασης ή/και της απορρόφησης του μέσου παραμένουν σταθερές, δηλαδή ότι το μέσον είναι ομοιογενές. Αν I(λ, s)είναι η ένταση της εισερχόμενης ακτινοβολίας στο στοιχειώδες ατμοσφαιρικό στρώμα, τότε η μείωση της έντασης της ακτινοβολίας σε αυτό, θα δίδεται από την σχέση: di(, s) a(, s) I(, s) ds (3.2) Ο συντελεστής εξασθένισης α μπορεί να γραφεί ως άθροισμα επιμέρους συντελεστών που προκαλούν την εξασθένιση. Συγκεκριμένα: a( ) Ray Mie Raman abs (3.3) Ως α(λ, s) ορίζεται ο συντελεστής εξασθένισης του μέσου, και εκφράζει την πιθανότητα ανά μονάδα οπτικής διαδρομής, να αφαιρεθεί ένα φωτόνιο από την αρχική ακτινοβολία λόγω σκέδασης ή απορρόφησης από το οπτικό μέσο. Διαιρώντας τα δύο μέλη της εξίσωσης (3.2) με I(λ, s), και ολοκληρώνοντας από 0 έως H για όλο το ατμοσφαιρικό στρώμα, καταλήγουμε στην εξίσωση (3.4): I( ) I ( ) e o H a(, s) ds 0 (3.4)

35 Σ ε λ 25 Η εξίσωση (3.4) είναι γνωστή στη βιβλιογραφία ως ο νόμος των Beer-Lambert, ο οποίος περιγράφει την ολική εξασθένιση μονοχρωματικής ακτινοβολίας από ένα ετερογενές οπτικό μέσο. Έτσι, η διαπερατότητα ενός ατμοσφαιρικού στρώματος πάχους Η για μονοχρωματική ακτινοβολία μήκους κύματος λ, μπορεί σύμφωνα με τον νόμο των Beer- Lambert να γραφεί: I( ) T (, H ) e I ( ) o H a(, s) ds 0 (3.6) Ο νόμος των Beer-Lambert περιγράφει την εξασθένιση μιας μονοχρωματικής ακτινοβολίας που διαδίδεται σε ένα οπτικό μέσο, με την θεωρητική υπόθεση ότι η ενέργεια της ακτινοβολίας διαδίδεται κατά μήκος μιας ευθείας, της λεγόμενης οπτικής ακτίνας. Η θεώρηση αυτή είναι σωστή όταν η ακτινοβολία είναι απόλυτα μονοχρωματική, και στην περίπτωση αυτή όλοι οι νόμοι της Οπτικής μπορούν να διατυπωθούν με απλές γεωμετρικές έννοιες (Γεωμετρική Οπτική). Στην πράξη όμως, η θεώρηση αυτή μπορεί να επιτευχθεί εργαστηριακά μόνο με μια «σημειακή» μονοχρωματική πηγή laser. Όλες όμως οι πηγές φωτός έχουν κάποιες διαστάσεις, και ακόμα και στις εφαρμογές lidar, η δέσμη laser παρουσιάζει κάποια, έστω και μικρή γωνιακή απόκλιση κατά την διάδοσή της στην ατμόσφαιρα, φωτίζοντας τελικά έναν κωνικό όγκο μέσα σ αυτήν. Στην περίπτωση αυτή, και για να υπολογίσουμε την συνολική εξασθένιση της ακτινοβολίας σε απόσταση s από την πηγή, πρέπει εκτός από την εξασθένιση λόγω σκέδασης και απορρόφησης από το μέσο, να συνυπολογίσουμε την εξασθένιση της ισχύος της ευθύγραμμα διαδιδόμενης ακτινοβολίας λόγω της απόκλισης της δέσμης. Η εξ. 3.4 είναι γνωστή ως νόμος Beer - Bouguer - Lambert και δηλώνει ότι η μείωση της έντασης της ακτινοβολίας που διαδίδεται σε ένα ομογενές μέσο εξαρτάται από μια εκθετική συνάρτηση με όρισμα το γινόμενο της ολικής ενεργού διατομής εξασθένισης και της ποσότητας του απορροφητή. Δεδομένου ότι ο παραπάνω νόμος δεν περιλαμβάνει εξάρτηση από τη διεύθυνση διάδοσης, μπορεί να εφαρμοστεί όχι μόνο στην ένταση, αλλά και στην πυκνότητα ροής της ακτινοβολίας.

36 Σ ε λ Αλληλεπίδραση της ακτινοβολίας με ατμοσφαιρικά συστατικά Η ηλεκτρομαγνητική ακτινοβολία αλληλεπιδρά με την ύλη (άτομα και μόρια) με διάφορους τρόπους. Τα φυσικά φαινόμενα που μπορούν να συμβούν κατά την αλληλεπίδραση ακτινοβολίας μήκους κύματος λ0 με ένα σωματίδιο διακρίνονται ως εξής στα πρακάτω: o Απορρόφηση: Η ακτινοβολία δεσμεύεται από τα συστατικά της ατμόσφαιρας και μετατρέπεται σε άλλη μορφή ενέργειας, πχ θερμότητα. o Ελαστική σκέδαση: Αλλάζει η διεύθυνση ενός διερχόμενου φωτονίου, αλλά η ενέργειά του διατηρείται. Αυτό το είδος σκέδασης μπορεί να οφείλεται στα μόρια του αέρα (Rayleigh scattering) ή σε αιωρούμενα σωματίδια (Mie scattering) της ατμόσφαιρας. o Ημιελαστική σκέδαση: Το μήκος κύματος της σκεδαζόμενης ακτινοβολίας μεταβάλλεται σε σχέση με το μήκος κύματος της προσπίπτουσας δέσμης, λόγω του φαινομένου Doppler. o Ανελαστική σκέδαση: Όπως και κατά την ελαστική σκέδαση, η διεύθυνση ενός φωτονίου αλλάζει, όμως σε αυτήν την περίπτωση μεταβάλλεται και η ενέργειά του. Η ανελαστική σκέδαση που οφείλεται στα μόρια της ατμόσφαιρας ονομάζεται σκέδαση Raman, όπου η ενέργεια ενός σκεδαζόμενου φωτονίου μπορεί να μειωθεί, λόγω μεταφοράς της στα μόρια. o Θερμική εκπομπή από μόρια του αέρα και αιωρούμενα σωματίδια: Η εκπομπή σεοποιοδήποτε μήκος κύματος λ δεν μπορεί να υπερβεί την προβλεπόμενη τιμή της συνάρτηση Planck (εκπομπή μέλανος σώματος) για τη θερμοκρασία της ατμόσφαιρας. Για αυτό το λόγο, η θερμική εκπομπή λαμβάνει χώρα μόνο σε μήκη κύματος υπέρυθρης ακτινοβολίας (της τάξης των μερικών μm). Διάφορα αέρια, όπως CO2, H2O και Ο3 μπορούν να εκπέμψουν θερμική ακτινοβολία, ενώ άλλα, όπως N2, O2 και Ar παραμένουν αδρανή. o Φθορισμός Η διέγερση μορίων μέσα σε αιωρούμενα σωματίδια λόγω ακτινοβολίας μπορεί να οδηγήσει σε (ευρέος φάσματος) φθορισμό, δηλαδή εκπομπή φωτονίων μικρότερης ενέργειας, άρα μεγαλύτερου μήκους κύματος.

37 Σ ε λ 27 Σχήμα 3.2: Φυσικά φαινόμενα που συμβαίνουν κατά την αλληλεπίδραση ηλεκτρομαγνητικής ακτινοβολίας μήκους κύματος λ 0 με ένα σωματίδιο (πηγή: Seinfeld and Pandis, 2006) Απορρόφηση Όταν η ακτινοβολία διέρχεται μέσα από ένα μέσο (στερεό, υγρό, ή αέριο) μέρος των φωτονίων μπορεί να απορροφηθεί από τα συστατικά του. Αυτό σημαίνει ότι η εξερχόμενη από το μέσο ακτινοβολία είναι ασθενέστερη. Η απορρόφηση οπτικής ακτινοβολίας από τα µόρια της ατµόσφαιρας σχετίζεται κυρίως µε τις µεταπτώσεις (οπτικές µεταβάσεις) µεταξύ των επιτρεπόµενων κβαντισµένων ενεργειακών επιπέδων των µορίων. Όπως προαναφέρθηκε, τα ενεργειακά αυτά επίπεδα συσχετίζονται µε ηλεκτρονικές, ταλαντωτικές και περιστροφικές µεταπτώσεις, ή σε συνδυασµό ταλαντωτικών - περιστροφικών µεταπτώσεων. Ο αριθμός των φωτονίων που απορροφώνται εξαρτάται από: α) τον αριθμό των εισερχόμενων φωτονίων, β) τον αριθμό των συστατικών που απορροφούν (πυκνότητα) ανά μονάδα όγκου του μέσου, και γ) το μήκος της διαδρομής που διανύουν τα φωτόνια στο μέσο. Ποσοτικά, ο αριθμός dn των φωτονίων που απορροφώνται ανά μονάδα μήκους διαδρομής, σε ένα απειροστό τμήμα ds της διαδρομής της δέσμης της ακτινοβολίας μεταξύ των σημείων s και s+ds είναι ανάλογος του αριθμού Ν των φωτονίων που διεισδύουν μέχρι το βάθος s, του αριθμού n των απορροφητών ανά μονάδα όγκου (αριθμητική πυκνότητα σε molecules cm -3 ), και της ενεργού διατομής απορρόφησης σ.

38 Σ ε λ 28 dn ds N n (3.7) Η ενεργός διατομή απορρόφησης εκφράζεται σε μονάδες cm 2 molecule 1 και καθορίζει το πόσο ισχυρά απορροφά ένα συστατικό την ακτινοβολία σε κάποιο μήκος κύματος, και εκφράζει την πιθανότητα να συμβεί απορρόφηση Σκέδαση Μοριακή σκέδαση κατά Rayleigh Η σκέδαση Rayleigh χρησιμοποιείται ως συνώνυμο της σκέασης από τα μόρια της ατμόσφαιρας. Η γήινη ατμόσφαιρα αποτελείται κατά 99% από άζωτο και οξυγόνο και για τον λόγο αυτό θεωρούμε τα δύο αυτά αέρια σαν πηγή της σκέδασης Rayleigh. Στην περίπτωση αυτή τα σκεδάζοντα σωµάτια (µόρια) της ατµόσφαιρας έχουν διάµετρο µικρότερη από το µήκος κύµατος της προσπίπτουσας ακτινοβολίας (α<<1) (πχ. για το ορατό φως έχουµε σωµάτια διάµετρου 0.1 µm). Οι βασικές αρχές της μοριακής σκέδασης περιγράφηκαν από τον λόρδο Rayleigh το Στη μοριακή σκέδαση παρεμβαίνει η διαφορική ενεργός διατομή σκέδασης dσr/dω (differential scattering cross section) Rayleigh για µονοχρωµατικό πολωµένο φως και για οπτικά ισοτροπικά µόρια (Measures, 1984): d ( 1) R n d N cos cos sin 2 4 (3.8) Όπου n είναι το πραγµατικό µέρος του δείκτη διάθλασης της ατµόσφαιρας, Ν η συγκέντρωση (mol cm -3 ) των αερίων της ατµόσφαιρας και θ, φ οι γωνίες (σε σφαιρικές συντεταγµένες) που σχηµατίζουν η προσπίπτουσα και η σκεδαζόµενη πολωµένη ακτινοβολία. Με βάση την εξίσωση η σκέδαση από τη µοριακή ατµόσφαιρα (σκέδαση Rayleigh) είναι αντιστρόφως ανάλογη της τέταρτης δύναµης του λ (~λ -4 ), έτσι η ηλιακή ακτινοβολία µε µικρότερο µήκος κύµατος (πχ. µπλε περιοχή του φάσµατος λ 450 nm) σκεδάζεται εντονότερα απ ό,τι η ακτινοβολία στην ερυθρά περιοχή του φάσµατος (λ 650 nm), κάτι που εξηγεί και το µπλε χρώµα του καθαρού ουρανού.

39 Σ ε λ 29 Η ολική διατομή σκέδασης Rayleigh σr(λ) (σε cm -2 ) μπορεί να υπολογιστεί ολοκληρώνοντας τη σχέση σε μία στερεά γωνία 4π: R n N 2 4 (3.9) Για την οπισθοσκεδαζόμενη ακτινοβολία, δηλαδή για τις περιπτώσεις όπου θ=π, η αντικατάσταση στην σχέση δίνει την ολική διατομή οπισθοσκέδασης Rayleigh: R d ( ) R d n (3.10) Επίσης ένα μέγεθος με καθοριστική σημασία στη μελέτη της ατμόσφαιρας είναι ο συντελεστής οπισθοσκέδασης από τα μόρια της ατμόσφαιρας β π R (λ), ο οποίος ορίζεται ως: n R R ( ) ( ) 4 (3.11) Μία άλλη παράμετρος σημαντική για τη διάδοση ακτινοβολίας στην ατμόσφαιρα, είναι η γωνιακή κατανομή της σκεδαζόμενης ακτινοβολίας στη γειτονιά του σωματιδίου. Η παράμετρος αυτή περιγράφεται με τη συνάρτηση φάσης P(θ), η οποία εκφράζει τον λόγο της ακτινοβολίας που σκεδάζεται κατά τη διεύθυνση θ προς αυτήν που θα σκεδαζόταν για μία ομοιόμορφη κατανομή της σκεδαζόμενης ακτινοβολίας γύρω από τον σκεδαστή: Η συνάρτηση φάσης για την περίπτωση της σκέδασης Rayleigh αποδεικνύεται ότι δίδεται από την σχέση: Dp m P( ) 1 cos 8 m 2 F o (3.12) Όπου P(θ) είναι η συνάρτηση φάσης, Dp είναι η αεροδυναμική διάμετρος των σωματιδίων, m είναι ο κανονικοποιημένος δείκτης διάθλασης του σωματιδίου ως

40 Σ ε λ 30 προς τον δείκτη διάθλασης του περιβάλλοντος μέσου και Fo είναι η ροή της προσπίπτουσας ακτινοβολίας. Παρατηρούμε ότι η συνάρτηση φάσης P(θ) στην σχέση αποτελεί ένα γινόμενο του όρου (1+cos 2 θ) και ενός όρου κυκλικής συμμετρίας ανεξάρτητου από το θ. Οι δύο αυτοί όροι απεικονίζονται στο σχήμα 2-3. Η γραμμή Β αντιπροσωπεύει τον όρο με την κυκλική συμμετρία ενώ η γραμμή Α τον όρο που εξαρτάται από την γωνία θ. Η χωρική κατανομή του σκεδαζόμενου φωτός είναι η επαλληλία των δύο αυτών κατανομών και παρίσταται στο σχήμα από την γραμμή Α+Β. Όταν ο όρος [(m 2 1) (m 2 + 2)] της σχέσης (3.12) δεν παρουσιάζει μεγάλη εξάρτηση από το μήκος κύματος λ, η ένταση της σκεδαζόμενης ακτινοβολίας είναι ανάλογη του 1/λ 4. Αποτέλεσμα της εξάρτησης αυτής είναι ότι τα σωματίδια σκεδάζουν περισσότερο τα μικρά μήκη κύματος. Η υποθετική ατμόσφαιρα στην οποία δεν θα υπήρχαν καθόλου αιωρούμενα σωματίδια αναφέρεται πολλές φορές ως ατμόσφαιρα Rayleigh. Σχήμα 3.3: Συνάρτηση φάσης για την περίπτωση της σκέδασης Rayleigh Σκέδαση κατά Mie Τα αιωρούμενα σωματίδια (aerosols) που υπάρχουν στην ατμόσφαιρα, όπως έχουμε επισημάνει, διαφέρουν ως προς τις φυσικές και χημικές τους ιδιότητες. Η κατανομή μεγέθους των σωματιδίων εκτείνεται σε ένα μεγάλο φάσμα τιμών (διάμετρος από έως 10μm) και η δράση τους ως σκεδαστές της ηλεκτρομαγνητικής ακτινοβολίας είναι ένα φαινόμενο εξαιρετικά περίπλοκο. Στην σκέδαση Mie σημαντικό ρόλο παίζει το μέγεθος του σωματιδίου που

41 Σ ε λ 31 σκεδάζει σε σχέση με το μήκος κύματος λ της προσπίπτουσας ακτινοβολίας, καθώς επίσης και οι οπτικές ιδιότητες των σωματιδίων που σχετίζονται με τον δείκτη διάθλασής τους: m=n+ik (n και k το πραγματικό και φανταστικό μέρος αντίστοιχα του δείκτη διάθλασης). Ο δείκτης n καταδεικνύει την ταχύτητα του φωτός στο υλικό μέσο, ενώ ο δείκτης k αποτελεί ένδειξη της απορροφητικότητας του υλικού τυ σωματιδίου αυτού. Το γεγονός αυτό οδήγησε στον ορισμό μίας παραμέτρου α, η οποία ονομάζεται παράμετρος μεγέθους (size parameter) και εκφράζεται: 2πr α = λ πd ρ λ (3.13) Η παράμετρος μεγέθους σχετίζεται με την ακτίνα του (και τη διάμετρο Dp) και το μήκος κύματος λ της προσπίπτουσας ακτινοβολίας. Τα σωματίδια που σκεδάζουν έχουν διάμετρο που κυμαίνονται από 0.01 μm (Πυρήνες Aitken) έως µm (σταγονίδια βροχής) ή ακόμα έως 1 cm (χαλάζι). Κατά την σκέδαση Mie τα σκεδάζοντα σωματίδια της ατμόσφαιρας έχουν διάμετρο συγκρίσιμη με το μήκος κύματος λ της ηλιακής ακτινοβολίας, οπότε ισχύει α 1. Στην περίπτωση σκέδασης από σωµατίδια µε διάµετρο πολύ µεγαλύτερη (Dp >100 µm) από το µήκος κύµατος λ της προσπίπτουσας ηλιακής ακτινοβολίας (πχ. σκέδαση από σταγονίδια βροχής) έχουµε φαινόµενα πολλαπλής σκέδασης (multiple scattering) που αναφέρονται στη γεωµετρική οπτική (οπότε α>>1). Η θεωρία της σκέδασης Mie προκύπτει από την λύση των εξισώσεων Maxwell για την περίπτωση ενός σωματιδίου ακτίνας r στο οποίο προσπίπτει ηλεκτρομαγνητική ακτινοβολία μήκους κύματος λ (Mie, 1908). Η θεωρία του κατέδειξε την πλήρη ασυµµετρία που υπάρχει ανάµεσα στην εµπρόσθια σκέδαση (forward scattering) και την οπισθοσκέδαση (backscattering). Συγκεκριµένα, για σωµατίδια µε διάµετρο Dp > λ υπερτερεί η εµπρόσθια σκέδαση. Η σκέδαση Mie αναφέρεται τόσο σε σφαιρικά όσο και σε µη-σφαιρικά αιωρούµενα σωµατίδια [van de Hulst, (1981), Bohren and Huffman (1981), Mischenko et al., (1999)].

42 Σ ε λ 32 Στο σχήμα που ακολουθεί παρατηρούμε την κατανομή της σκεδαζόμενης έντασης από σωμάτια διαφορετικών διαστάσεων σε σχέση με το μήκος κύματος του φωτός που προσπίπτει. Σχήμα 3.4: Περιπτώσεις σκέδασης ακτινοβολίας στο ορατό τμήμα του φάσματος για λ= 500 nm από σφαιρικά αιωρούμενα σωματίδια με διάμετρο (a) 10-4 μm, (b) 0.1 μm και (c) 1 μm. Στην περίπτωση σκέδασης σωματιδίων με διάμετρο 1 μm απεικονίζεται μικρότερη κλίμακα από την πραγματική για λόγους ευκρίνειας [πηγή: Liou, 2002]. Το σχήμα 3.4 απεικονίζει τα μοτίβα σκεδαστικής ικανότητας στην περίπτωση που έχουμε σφαιρικά σωματίδια μεγέθους 10-4, 0.1 και 1μm στο ορατό φάσμα σε μήκος κύματος λ=0,5μm. Ένα μικρό σωματίδιο τείνει να σκεδάσει το φως εξίσου προς την εμπρός και πίσω κατέυθυνση. Καθώς το σωματίδιο μεγαλώνει σε μέγεθος, η σκεδαζόμενη ενέργεια τείνει να συγκεντρώνεται προς την εμπρός κατεύθυνση με ολοένα και πιο σύνθετα χαρακτηριστικά σκέδασης. Επίσης στο σχήμα3.5, απεικονίζονται περιπτώσεις σκέδασης σωματιδίων σκόνης με χρήση πειραματικού μοντέλου. Σχήμα 3.5: Συνάρτηση φάσης σε πολικές συντεταγμένες για ομογενή σφαιρικά σωματιδίων πυριτικής σύστασης μεγέθους α=0.12μm για διάφορα μήκη κύματος (Steinacker et al., 2010)

43 Σ ε λ Οπτικές ιδιότητες αιωρούμενων σωματιδίων Οπτικό βάθος και συντελεστής Angstrom Έχουμε αναφέρει ότι καθώς η ηλιακή ακτινοβολία διαδίδεται στην ατμόσφαιρα αλληλεπιδρά με τα συστατικά της ατμόσφαιρας (μόρια, σωματίδια) μέσω διαφόρων οπτικών και φυσικοχημικών φαινομένων και τελικά φθάνει εξασθενημένη στο έδαφος. Ένα χρήσιμο μέγεθος το οποίο συνδέεται άμεσα με το συντελεστή εξασθένισης είναι το οπτικό βάθος (Optical Depth). Εκφράζει τη συνολική εξασθένιση την οποία υφίσταται η ακτινοβολία καθώς περνά μέσα από ένα ατμοσφαιρικό στρώμα πάχους dz. Μπορούμε να το υπολογίσουμε από την σχέση: zz 2 ( ) a( z, ) dz zz Επίσης το οπτικό βάθος μπορεί να εκφραστεί με τη σχέση: 1 (3.14) zz 2 ( ) n ( z) dz zz 1 i i (3.15) όπου ni ησυγκέντρωση των διαφόρων αερίων ή σωματιδίων (i) που εξασθενούν την ακτινοβολία, ως συνάρτηση του ύψους (σε μόρια ή σωματίδια ανά cm 3 ) και σi η ενεργός διατομή αυτών (σε cm 2 ανά μόριο ή σωματίδιο). Όπως είδαμε προηγουμένως, η εξασθένιση της άμεσης συνιστώσας της ηλιακής ακτινοβολίας μπορεί να περιγραφεί από την εξίσωση των Beer-Bougert-Lambert. Αντικαθιστώντας την σχέση (3.14) στην (3.4), για την περίπτωση ολόκληρης της ατμοσφαιρικής στήλης (με όρια z=0 και z= ) παίρνουμε την έκφραση: ( )/ I( ) z0 I( ) z e (3.16) Όπου I(λ) z=0 η ένταση ακτινοβολίας σε οριζόντια επιφάνεια στο έδαφος, I(λ) z= η ένταση της ακτινοβολίας στο όριο της ατμόσφαιρας όπως μετράται σε κάθετο επίπεδο στην προσπίπτουσα ακτινοβολία, μο εκφράζει το συνημίτονο της ζενίθιας γωνίας του ήλιου και τ το κατακόρυφο οπικό βάθος. Υπάρχει μία παράμετρος που ονομάζεται εκθέτης Angstrom (Angstrom, 1964) η οποία αποδεικνύεται χρήισμο εργαλείο σχετικά την εξάρτηση του συντελεστή

44 Σ ε λ 34 εξασθένισης από το μήκος κύματος. Ο εκθέτης α υπολογίζεται από μετρήσεις του συντελεστή εξασθένισης για διάφορα μήκη κύματος. Στην περίπτωση που μετράμε την εξασθένιση σε δύο μήκη κύματος, η σχέση με την οποία υπολογίζουμε τον εκθέτη Angstrom είναι: ln( / ) 1 1 aer ( ) ln( / ) 1 2 (3.17) Όπου λ1 και λ2 αντιπροσωπεύουν μήκη κύματος αναφοράς, τ το οπτικό βάθος των σωματιδίων, k ένας συντελεστής θολότητας και α ο εκθέτης Angstrom. Ο εκθέτης Angstom εκφράζει την κλίση της ευθείας που παριστά τη γραμμική εξάρτηση του οπτικού βάθους σε κάποιο μήκος κύματος λ, από το μήκος κύματος αυτό σε λογαριθμική κλίμακα. Από φυσικής άποψης συχνά χρησιμοποιείται για να παρέχει βασικές πληροφορίες σχετικά με την κατανομή μεγέθους των αιωρούμενων σωματιδίων. Πολύ μικρές τιμές του συντελεστή (α < 1) περιγράφουν κατανομές σωματιδίων με μεγάλο μέγεθος, όπως αυτά που εμφανίζονται σε παραθαλάσσιες περιοχές ή τα σωματίδια σκόνης από ερημικές περιοχές. Τιμές μεταξύ 1 και 2 περιγράφουν σωματίδια μικρότερου μεγέθους όπως τα θειούχα σωματίδια αστικής ή περιαστικής περιοχής Ανακλαστικότητα μεμονωμένης σκέδασης (Single scattering albedo) Μία από τις πιο κρίσιμες οπτικές ιδιότητες των αιωρούμενων σωματιδίων, με την οποία μπορούμε να καθορίσουμε και το είδος τους αποτελεί η ανακλαστικότητα μεμονωμένης σκέδασης. Ορίζεται ως ο λόγος της σκεδαζόμενης ακτινοβολίας από τα αιωρούμενα σωματίδια προς την συνολική εξασθένιση (σκέδαση και απορρόφηση) της ακτινοβολίας από τα αιωρούμενα σωματίδια. Η ανακλαστικότητα μεμονωμένης σκέδασης ορίζεται από την σχέση: SSA a sca, aer sca, aer sca, aer abs, aer aer (3.18) Ο όρος σ sca,aer περιγράφει την σκέδαση της ακτινοβολίας από τα σωματίδια ενώ ο όρος σ abs,aer περιγράφει την απορρόφηση από τα σωματίδια. Το άθροισμα της

45 Σ ε λ 35 σκέδασης και της απορρόφησης της ακτινοβολίας από τα σωματίδια εκφράζει τον συντελεστή εξασθένισης 𝛂𝐚𝐞𝐫, ο οποίος μπορεί να υπολογισθεί όπως θα δούμε στη συνέχεια με ένα σύστημα Raman lidar. Θεωρητικά η παράμετρος αυτή μπορεί να πάρει την τιμές από ένα, για την περίπτωση όπου τα σωματίδια μόνο σκεδάζουν την ακτινοβολία, έως μηδέν, όπου τα σωματίδια μόνο απορροφούν την ακτινοβολία Συνάρτηση φάσης (Phase function) Η ένταση της σκεδαζόμενης ακτινοβολίας από τα σωματίδια κατανέμεται στο χώρο ανάλογα με τις διαστάσεις και το σχήμα των αερολυμάτων. Σημαντική παράμετρος για τη διάδοση ακτινοβολάς στην ατμόσφαιρα αποτελεί η γωνιακή κατανομή του σκεδαζόμενου φωτός στην γειτονιά του σωματιδίου. Αυτή περιγράφεται με τη συνάρτηση φάσης P(θ,α,m), η οποία εκφράζει τον λόγο της έντασης ακτινοβολίας που σκεδάζεται σε μία συγκεκριμένη διεύθυνση θ προς την διεύθυνση που θα σκεδαζόταν για ομοιλομορφη κατανομή της σκεδαζόμενης ακτινοβολίας γύρω από τον σκεδαστή. P(,, m) F (,, m) F (,, m) sin d (3.19) 0 Όπου F(θ, α, m) είναι η ένταση της σκεδαζόμενης ακτινοβολίας, θ η γωνία σκέδασης, α η παράμετρος μεγέθους και m ο δείκτης διάθλασης Παράγοντας ασυμμετρίας (Asymmetry factor) Στα περισσότερα μοντέλα διάδοσης της ακτινοβολίας η φασική συνάρτηση υπολογίζεται κάνοντας κάποιες παραδοχές όπως είναι για παράδειγμα η Henyey Greenstein φασική συνάρτηση. Αυτή ορίζεται με τη βοήθεια μίας μοναδικής παραμέτρου που ονομάζεται παράγοντας ασυμμετρίας (g): 1 g 0 2 cos F ( ) sin d F ( ) sin d 1 cos P( ) sin d 2 0 (3.20) 0 Ο παράγοντας ασυμμετρίας είναι ενδεικτικός της διεύθυνσης της σκεδαζόμενης ακτινοβολίας, όπου για g=+1 έχουμε πλήρη εμπρόσθια σκέδαση (θ=00), για g=-1

46 Σ ε λ 36 πλήρη οπισθοσκέδαση (θ=180 ο ), ενώ για g=0 ισοτροπική σκέδαση (ίδια σκέδαση προς όλες τις διευθύνσεις). Θετικές τιμές του g φηλώνουν μεγαλύτερη προτίμηση για εμπρόσθια σκέδαση από το σωματίδιο. 3.4 Διαφορική εξίσωση Lidar Η διαφορική εξίσωση με την οποία περιγράφονται οι φυσικές διεργασίες που λαμβάβουν χώρα κατά την διάδοση και ανίχνευση ενός παλμού λέγεται εξίσωση lidar, και προκύπτει από το νόμο Beer-Lambert-Bougert και την εξίσωση σκέδασης για τις 180 ο. Η ένταση ακτινοβολίας στον φωτοανιχνευτή του Lidar που οφείλεται στην μοριακή και σωματιδιακή οπισθοσκέδαση που προκαλείται από τον ατμοσφαιρικό όγκο dz δίνεται από την σχέση: aer (, z) mol (, z) df(, z) C F(, n) 2 z z exp2 aer (, ) mol (, ) d dz o (3.21) Όπου F(λ, z), η αρχική ροή ακτινοβολίας του παλμού που εκπέμπεται από το laser, β mol (λ, z) και β aer (λ, z) οι συντελεστές μοριακής και σωματιδιακής οπισθοσκέδασης (backscatter coefficient) συγκριτικά με την διεύθυνση διάδοσης του εκπεμπόμενου παλμού, ενώ α mol (λ, z) και α aer (λ, z) οι συντελεστές εξασθένισης (extinction coefficients) των μορίων και των σωματιδίων αντίστοιχα. Παρατηρούμε ότι όλοι οι συντελεστές εξαρτώνται από το μήκος κύματος της δέσμης για αυτό η επιλογή της κατάλληλης ακτινοβολίας του laser είναι πολύ σημαντική. Η σταθερά C εξαρτάται από το σύστημα lidar και περιλαμβάνει όλες τις γεωμετρικές σταθερές του συστήματος σχετικά με τις οπτικές διατάξεις εκπομπής και ανίχνευσης της ακτινοβολίας. Εξαρτάται επίσης από την απόκλιση της δέσμης laser και τη διάμετρο του τηλεσκοπίου της διάταξης. Η ισχύς του αναλογικού σήματος που τελικά καταγράφεται από το σύστημα lidar, από την αρχική εκπεμπόμενη ροή ακτινοβολία, η οποία έχει υποστεί σκέδαση εκφράζεται: z aer ( L, z) mol ( L, z) P( L, z) C exp 2 2 aer ( L, ) mol ( L, ) d z o (3.22)

47 Σ ε λ 37 Μία γενικότερη σχέση μπορεί να προκύψει αν θεωρήσουμε για τους συντελεστές οπισθοσκέδασης και εξασθένισης την παρακάτω έκφραση: a(, z) a (, z) a (, z) aer mol (, z) (, z) (, z) aer mol (3.23) Έτσι η εξίσωση (3.22) παίρνει τη μορφή: z ( L, z) P( L, z) C exp 2 2 ( L, ) d z o (3.24) H σταθερά C εκφράζεται: c C P o 2 r (3.25) Συμπερασματικά από τα παραπάνω εκφράζουμε ως γενική εξίσωση του lidar για μονοχρωματικό παλμικό laser που εκπέμπει κατακόρυφα και για ατμοσφαιρική περιοχή στην οποία λαμβάνει χώρα αποκλειστικά μεμονωμένη σκέδαση (single scattering) την σχέση: r r 2 a(, r ') dr 2 a(, r ') dr c (, r) (, r) P(, r) Po r e ή P(, r) C e 2 r r (3.26) Όπου P(r) είναι η στιγμιαία ισχύς που λαμβάνεται κατά τη χρονική στιγμή t, P o είναι η εκπεμπόμενη ισχύς τη στιγμή t o, c η ταχύτητα του φωτός, r η διάρκεια του παλμού του laser, β ο χωρικός συντελεστής οπισθοσκέδασης (backscatter coefficient) της ατμόσφαιρας, R η απόσταση από την πηγή, A r η ενεργός επφάνεια λήψης και α ο χωρικός συντελστής εξασθένισης (extinction coefficient) της ατμόσφαιρας. Ο όρος C r 2 περιγράφει το ποσοστό της ροής της ακτινοβολίας το οποίο εισέρχεται στην οπτική διάταξη του τηλεσκοπίου λόγων διαφόρων παραγόντων γεωμετρίας όπως είναι η απόκλιση της δέσμης και το οπτικό πεδίο του τηλεσκοπίου. Στην σταθερά συνυπολογίζεται και το αποτέλεσμα μιας διορθωτικής συνάρτησης που ονομάζεται συνάρτηση επικάλυψης. Αυτό οφείλεται στο γεγονός ότι η δέσμη που εκπέμπεται βρίσκεται αρχικά εκτός οπτικού πεδίου του τηλεσκοπίου και εισέρχεται σταδιακά έως

48 Σ ε λ 38 το ύψος όπου συμβαίνει πλήρης αλληλεπικάλυψη και το σύνολο της δέσμης 𝑟 βρίσκεται εντός οπτικού πεδίου. Ο εκθετικός όρος 𝑒 2 0 𝑎(𝑟 )𝑑𝑟 εκφράζει το κλάσμα της διαπερατότητας Τ της ενέργειας κατά μήκος της διαδρομής Lidar και της απόστασης R. Η διαπερατότητα εξαρτάται από τον συντελεστή εξασθένισης α, ο οποίος εκφράζει το κλάσμα κατά το οποίο μειώνεται η ροή της ενέργειας κατά τη διεύθυνση διάδοσης της, ανά μονάδα μήκους. Η θεώρηση αυτή ισχύει μόνο για την περίπτωση της μεμονωμένης σκέδασης, όπου θεωρείται ότι η σκεδαζόμενη ακτινοβολία αφαιρείται οριστικά από την εξερχόμενη ακτινοβολία και δεν ξαναπροστίθεται στην αρχική δέσμη. Το 2 στον εκθέτη προκύπτει εξαιίας της διαδρομής την οποία κάνουν τα φωτόνια στην ατμόσφαιρα από ην εκπομπή ως την ανίχνευση. Η εξίσωση Lidar μπορεί επίσης να διατυπωθεί σύμφωνα με τα προηγούμενα, ως εξής: P (, r ) C (, r ) r2 T 2, r (3.27) 3.5 Μέθοδοι επίλυσης της εξίσωσης lidar Στην περίπτωση όπου πραγματοποιείται εκπομπή μονοχρωματικής δέσμης laser, η οποία εκπέμπεται κατακόρυφα και σε περιοχή όπου συμβαίνει αποκλειστικά μεμονωμένη ελαστική σκέδαση, η εξίσωση lidar εκφράζεται σύμφωνα με την σχέση: P(, z ) C0 (, z ) z2 z exp 2 a(, )d 0 (3.28) Όπου P(λ, z) είναι η ισχύς της οπισθοσκεδαζόμενης ακτινοβολίας που προέρχεται από απόσταση z και ανιχνεύεται από την οπτικό σύστημα, β(λ, z) είναι ο συντελεστής οπισθοσκέδασης (σε km 1 sr 1 ), 𝛼(λ, z) ο συντελεστής εξασθένισης (σε km 1 ) και C0 η σταθερά του συστήματος lidar. Η εξίσωση αυτή ισχύει στην περίπτωση όπου έχουμε πλήρη επικάλυψη μεταξύ της δέσμης laser που εκπέμπεται από τη διάταξη και του οπτικού πεδίου του δέκτη, που είναι το τηλεσκόπιο. Οι συντελεστές οπισθοσκέδασης και εξασθένισης εξαρτώνται από τη συγκέντρωση των μορίων και των σωματιδίων που βρίσκονται στην ατμόσφαιρα και για το λόγο αυτό

49 Σ ε λ 39 μπορούμε να διακρίνουμε μία μοριακή και μία σωματιδιακή συνιστώσα σε κάθε σημείο z της ατμόσφαιρας καθ ύψος, και να γράψουμε τις σχέσεις: a(, z) a (, z) a (, z) και β(, z) (, z) (, z) mol aer mol aer (3.29) Για τα μήκη κύματος που χρησιμοποιούμε η απορρόφηση λόγω μορίων της ατμόσφαρας θεωρείται αμελητέα και λαμβάνουμε υπόψιν για την εξασθένιση της ακτινοβολίας laser μόνο φαινόμενα σκέδασης. Για να υπολογίσουμε τις κατακόρυφες κατανομές των μοριακών συντελεστών εξασθένισης και οπισθοσκέδασης πρέπει να να γνωρίζουμε την κατακόρυφη κατανομή της αριθμητικής συγκέντρωσης των μορίων. Από την καταστατική εξίσωση των αερίων παίρνουμε την έκφραση για την αριθμητική συγκέντρωση των μορίων: N Pz () k T() z 3 mol ( z) (σε m ) (3.30) Όπου k = N m K 1 είναι η σταθερά του Boltzman, P είναι η κατακόρυφη κατανομή πίεσης σε Pascal και T η κατανομή πίεσης σε Kelvin. Για κανονικές συνθήκες πίεσης (Ps = hpa) και θερμοκρασίας (Τ = ο Κ), η αριθμητική πυκνότητα των μορίων υπολογίζεται σε N atm = mol cm 3. Οι κατακόρυφες κατανομές της πίεσης και της θερμοκρασίας υπολογίζονται συνήθως (2.30) από ατμοσφαιρικά μοντέλα (π.χ. US Standard Atmosphere), προσαρμοσμένα στην πίεση και τη θερμοκρασία του εδάφους, εναλλακτικά από ραδιοβολίσεις όταν αυτές είναι διαθέσιμες. Σχετικά με την μοριακή συνεισφορά στο σύνολο της εξασθένισης, γνωρίζουμε ότι προσδιορίζεται από το γινόμενο της νεργρού διατομής εξασθένισης του μέσου ατμοσφαιρικού μορίου και της αριθμητικής συγκέντρωσης των μορίων στην ατμόσφαιρα. Ισχυεί δηλαδή ότι: a z z 1 mol (, ) mol ( ) mol ( ) (σε m ) (3.31) Όπου σ mol (λ) είναι η ενργός διατομή της σκέδασης των μορίων της ατμόσφαιρας (Rayleigh) η οποία προσδιορίζεται από την σχέση των ΜcCartney et al. (1972). Παράλληλα, για την κατακόρυφη κατανομή του μοριακού συντελεστή οπισθοσκέδασης, αυτή προκύπτει από τον λόγο του συντελεστή οπισθοκέδασης προς

50 Σ ε λ 40 την αντίστροφη συνάρητηση φάσης που αφορά την σκέδαση στις 180 ο (λόγος Lidar για μοριακή ατμόσφαιρα). Μία καλη προσέγγιση για το συντελεστή οπισθοσκέδασης (βmol) σε κανονικές συνθήκες πίεσης και θερμοκρασίας της ατμόσφαιρας δίνεται από την σχέση: d ( ) d mol, mol ( z) Nmol Nmol ( z) σε m sr (3.32) Οι μοριακοί συντελεστές εξασθένισης και οπισθοσκέδασης αποτελούν βασικά μεγέθη που χρησιμοποιούνται σε διάφορες μεθόδους επεξεργασίας. Παράγονται από αναλυτικές σχέσεις και χρησιμοποιούν μεταβλητές οι οποίες είναι καλά προσδιορισμένες (π.χ. η ενεργός διατομή σκέδασης), και έτσι θεωρούμε ότι το σφάλμα τους είναι αμελητέο. Εντούτοις, δεν παραβλέπουμε το γεγονός ότι υπεισέρχονται αποκλίσεις μεταξύς πραγματικής και πρότυπης ατμόσφαιρας καθώς και σφάλματα σε μετρήσεις από χρήση ραδιοβολίδας. Συμπερασματικά απο τα παραπάνω δείξαμε ότι οι δύο συντελεστές (αmol και βmol) είναι σε θέση να υπολογιστούν, επομένως στην εξίσωση του lidar παραμένουν δύο άγνωστοι, ο συντελεστής οπισθοσκέδασης (βaer) και εξασθένισης (αaer) από τα αιωρούμενα σωματίδια Μέθοδος επίλυσης κατά Fernald- Klett Η μέθοδος Fernald Klett αποτελεί μία μέθοδο επίλυσης της εξίσωσης του Lidar η οποία χρησιμοποιείται από το ΕΦΑ και βασίζεται σε ορισμένες παραδοχές που είναι απαραίτητο να γίνουν οι οποίες αναφέρονται στη συνέχεια. Με την μέθοδο Klett μας δίνεται η δυνατότητα να ανιχνεύσουμε ατμοσφαρικά στρώματα και νέφη καθώς επίσης και να μελετήσουμε τη διαμόρφωσή και τη γεωμετρία τους, ενώ αντιθέτως παρουσιάζει μικρή χρησιμότητα στην περίπτωση που ενδιαφερόμαστε για την μελέτη των οπτικών απραμέτρων των ατμοσφαιρικών στρωμάτων. Για την επίλυση της διαφορικής εξίσωσης lidar θα πρέπει να θεωρήσουμε μία σχέση μεταξύ των δύο αγνώστων παραμέτρων (αaer και βaer), η οποία να παραμένει σταθερή με το ύψος. Έτσι ορίζουμε μία σχέση αναλογίας του συντελεστή εξασθένισης προς τον συντελεστή οπισθοσκέδασης των αιωρούμενων σωματιδίων. Η αναλογία αυτή ονομάζεται λόγος lidar (lidar ratio) για τα αιωρούμενα σωματίδια και εκφράζεται:

51 Σ ε λ 41 a Saer ( L, z) lraer ( L, z) aer aer ( L, z) (, z) L (3.33) Ο λόγος Lidar αποτελεί την πιο κρίσιμη παράμετρος κατά την επίλυση με τη μέθοδο Klett η οποία εξαρτάται από το μήκος κύματος ενώ δεν είναι σταθερός με το ύψος. Πρόκειται για μία οπτική παράμετρο των αιωρούμενων σωματιδίων που εξαρτάται από τον δείκτη διάθλασης και την κατανομή μεγέθους των σωματιδίων. Από ερευνητικές μελέτες έχει βρεθεί ότι ο λόγος Lidar μπορεί να πάρει ένα μεγάλο εύρος τιμών που κυμαίνεται από 2 έως 120sr -1. H παραδοχή της σταθερότητας του λόγου Lidar δεν είναι ιδιαίτερα ακριβής αλλά μας επιτρέπει να μπορούμε να επιλύσουμε την εξίσωση Lidar ως προς τον συντελεστή οπισθοσκέδασης (backscatter coefficient). Κατά την αντιστροφή του σήματος κατά Klett με σκοπό τον υπολογισμό της καθ ύψους κατανομής του συντελεστή οπισθοσκέδασης ειάγεται επιπλέον μία ακόμη παραδοχή που αφορά την σταθερά βαθμονόμησης του συστήματος. Θεωρούμε συνήθως μία περιοχή βαθμονόμησης για τον συντελεστή οπισθοσκέδασης των αερολυμάτων σε ένα συγκεκριμένο ύψος z0, το οποίο ονομάζεται ύψος αναφοράς. Στον αλγόριθμο του ΕΦΑ, η παραδοχή αυτή γίνεται με τον ορισμό του λόγου οπισθοσκέδασης (backscatter ratio), R, ο οποίος ορίζεται ως το πηλίκο της ολικής προς την μοριακή οπισθοσκέδαση: mol ( L, z0) aer ( L, z0) R (, z ) mol L 0 (3.34) Συνήθως επιλέγουμε το ύψος αναφοράς στο όριο πέρα από το οποίο ακολουθεί η μοριακή ατμόσφαιρα (δηλαδή δεν υπάρχουν αιωρούμενα σωματίδια), οπότε R=1. Ο λόγος lidar R παίρνει τιμές συνήθως ίσες ή λίγο μεγαλύτερες από τη μονάδα και εκφράζει το κατά πόσο αντιπροσωπευτικό είναι το ύψος αναφοράς z0, δηλαδή πόσο κοντά βρίσκεται στην παραδοχή ότι αποτελεί το όριο πέρα από το οποίο ακολουθεί η μοριακή ατμόσφαιρα. Από την μελέτη συνθηκών που επικρατούν συνήθως στη Θεσσαλονίκη, παρατηρήθηκε ότι στην ελέύθερη τροπόσφαιρα και κατά μέσο όρο πάνω από τα 6 km η ατμόσφαιρα είναι συνήθως απαλλαγμένη από αιωρούμενα σωματίδια και ο λόγος οπισθοσκέδασης μπορεί να θεωρηθεί σχεδόν ίσος με την μονάδα.

52 Σ ε λ 42 Από τις παραδοχές που έγιναν προηγουμένως σχετικά με τον λόγο lidar και οπισθοσκέδασης, είναι εφικτή η επίλυση της εξίσωσης του lidar ως προς τον συντελεστή οπσισθοσκέδασης όπως διατυπώθηκε από τους Klett (1981) και Fernald (1984) σύμφωνα με την έκφραση: (, z) (, z) aer mol (3.35) z 2 P(, z) z exp 2 Saer Smol mol (, ) d zo S P S S z dzd o o 2 z P(, zo) zo 2 2 aer (, ) exp 2 aer mol mol ( ) aer ( zo) mol ( zo) z Η υπόθεση του λόγου Lidar, καθώς επίσης και ότι παραμένει σταθερός με το ύψος αποτελούν την μεγαλύτερη πηγή αβεβαιοτήτων στην διαδικασία επίλυσης της διαφορικής εξίσωσης για ένα lidar ελαστικής οπισθοσκέδασης. Υπάρχουν αρκετές ερευνητικές μελέτες που αναδεικνύουν τους περιορισμούς που εισάγει η μέθοδος Klett (Fernald et al., 1972; Klett, 1981; Fernald, 1984; Klett, 1985; Sassano et al., 1985 κ.ά), με βασική πηγή όλων των περιορισμών να έγκειται στο γεγονός ότι οι φυσικές παράμετροι αaer και βaer, πρέπει να προσδιοριστούν από μία μετρούμενη ποσότητα, που είναι το ελαστικά οπισθοσκεδαζόμενο σήμα Μέθοδος επίλυσης κατά Raman Το βασικό μειονέκτημα της μεθόδου επίλυσης της εξίσωσης Lidar, όπως περιγράφηκε στην προηγούμενη παράγραφο, είναι η παραδοχή ύπαρξης μίας σταθερής με το ύψος σχέσης μεταξύ του συντελεστή εξασθένισης και του συντελεστή οπισθοσκέδασης των αιωρούμενων σωματιδίων. Οι αυθαίρετες παραδοχές για την κατακόρυφη κατανομή του λόγου lidar και το ύψος αναφοράς z0 συντελούν στην αύξηση της αβεβαιότητας και τους σφάλματος της τελικής λύσης. Η μέθοδος Raman προσφέρει τη δυνατότητα ενός ανεξάρτητου υπολογισμού του συντελεστή εξασθένισης από τον συντελεστή οπισθοσκέδασης, χωρίς την αναγκαιότητα οποιασδήποτε παραδοχής, εξασφαλίζοντας έτσι σημαντικά μικρότερα

53 Σ ε λ 43 σφάλματα μέτρησης (Ansmann, et al., 1992). Το μειονέκτημα της μεθόδου είναι ότι απαιτείται πιο περίπλοκος και ακριβότερος εργαστηριακός εξοπλισμός. Συγκεκριμένα απαιτούνται δύο κανάλια ανίχνευσης σήματος (ελαστικά οπισθοσκεδαζόμενο και Raman) εν αντιθέσει με το μοναδικό κανάλι που χρειάζεται στην τεχνική ενός Lidar οπισθοσκέδασης. Η μέθοδος αυτή προτάθηκε από τους Ansmann et al. (1992) και το πλεονέκτημά της συγκριτικά της μεθόδου Klett είναι ότι πέρα από τον συντελεστή οπισθοσκέδασης επιτρέπει τον υπολογισμό εξασθένισης (extinction coefficient). Τα ανελαστικά σήματα Raman, αποτελούν προιόν μόνο της σκέδασης από το μοριακό Άζωτο της ατμόσφαιρας επομένως η ενεργός διατομή οπισθοσκέδασής του είναι αυτή που καθορίζει την ένταση των σημάτων. Το βασικό μειονέκτημα της μεθόδου επίλυσης της εξίσωσης lidar, όπως περιγράφηκε στην προηγούμενη παράγραφο είναι ότι έχουμε να επιλύσουμε μία εξίσωση με δύο αγνώστους: τον συντελεστή εξασθένισης και τον συντελεστή οπισθοσκέδασης που περιγράφηκε στην μέθοδο Raman εκπέμπεται ακτινοβολία laser ενός μήκους κύματος και ανιχνεύεται η ελαστικά οπισθοσκεδαζόμενη ακτινοβολία στο ίδιο μήκος κύματος καθώς και η ακτινοβολία Raman που προέρχεται από την αλληλεπίδραση της ακτινοβολίας του laser και του μοριακού αζώτου (Ν2) της ατμόσφαιρας. Η εξίσωση Lidar γράφεται στην περίπτωση αυτή ως εξής: z C 0 P( Ra z) (, ) exp (, ) ( 2 Ra z a L a R, ) d z 0 (3.36) Όπου P(λ R, z) είναι το σήμα εξαιτίας της σκέδασης Raman των μορίων στα μήκη κύματος 387nm και 607nm, C0 η σταθερά στην οποία έχουν ενσωματωθεί όλες οι σταθερές του συστήματος (μαζί με την συνάρτηση επικάλυψης Ο(z)). Όπου α(λ L, z) είναι ο συντελεστής εξασθένισης για το μήκος κύματος που εκπέμπεται στα 355 και 532nm, ενώ α(λ R, z) είναι ο συντελεστής εξασθένισης για τα μήκη κύματος εξαιτίας σκέδασης Raman στα 387 και 607nm, από το ατμοσφαιρικό άζωτο. Ο συντελεστής εξασθένισης των αιωρούμενων σωματιδίων υπολογίζεται από την εξίσωση χρησιμοποιώντας το οπισθοσκεδαζόμενο σήμα από τα μόρια της ατμόσφαιρας. Ο συντελεστής οπισθοσκέδασης Raman β Ra (z, λ Ra ) στο εκπεμπόμενο μήκος κύματος υπολογίζεται από την αριθμτική πυκνότητα των μορίων N Ra, που

54 Σ ε λ 44 είναι το γινόμενο της μοριακής αριθμητικής πυκνότητας του αζώτου ή οξυγόνου με την ενεργό διατομή κατά Raman σκέδασης στο μήκος κύματος λl και σε γωνία σκέδασης 180 ο. Έτσι έχουμε την έκφραση: d Ra Ra ( Ra, z) NRa ( z) (, Ra ) d (3.37) Συνδυάζοντας τις σχέσεις (3.35) και (3.36) και πραγματοποιώντας τις απαραίτητες μαθηματικές πράξεις, καταλήγουμε σε μία σχέση: d N () z Ra, z, z ln, z, z aer L aer L 2 mol L mol Ra dz z P( Ra, z) (3.38) Υπθέτοντας μία εξάρτηση μεταξύ των συντελεστών εξασθένισης από το μήκος κύματος, της μορφής (όπου Α (z) ο εκθέτης Angstrom): a a aer L L aer Ra Ra Az ( ) (3.39) Προκύπτει ο άγνωστος συντελεστής εξασθένισης λόγω των αιωρούμενων σωματιδίων (Ansmann et al., 1992): d N ( z) ln,, z z Ra 2 mol L mol Ra dz z P(, Ra, z) aer L, z a( z) L 1 Ra (3.40) Η ένταση του σήματος lidar P(λ Ra, z) καταγράφεται πειραματικά, ενώ οι υπόλοιπες παράμετροι από την εξίσωση υπολογίζονται είτε έμμεσα από χρήση μοντέλων ή άμεσα μέσω μετρήσεων με ραδιοβολίδες. Για τον τελικό υπολογισμό του συντελεστή εξασθένισης των σωματιδίων είναι αναγκαίο να θεωρήσουμε μία τιμή για τον εκθέτη Angstrom, a, ο οποίος για πολύ κοντινά μήκη κύματος και για σωματίδια με διάμετρο συγκρίσιμης των μηκών κύματος μπορεί να θεωρηθεί ίσος με τη μονάδα.

55 Σ ε λ 45 Στην περίπτωση που θέλουμε να υπολογίσουμε τον συντελεστή οπισθοσκέδασης για τα αιωρούμενα σωματίδια, χρησιμοποιούμε τα ελαστικά και ανελαστικά οπισθοσκεδαζόμενα σήματα (για αντίστοιχα μήκη κύματος λl και λra). Έτσι, αν για παράδειγμα υποθέσουμε τον λόγο του ελαστικά οπισθοσκεδαζόμενου σήματος από τα σωματίδια στα 355nm προς το ανελαστικά οπισθοσκεδαζόμενο σήμα από το άζωτο, στα 387nm, στηριζόμενοι στις διαφορικές εξισώσεις για lidar οπισθοσκέδασης και Raman για ένα ύψος z το ύψος και ένα dedom;eno ύψος αναφοράς z0, είμαστε σε θέση να υπολογίσουμε τον συντελεστή οπισθοσκέδασης στο μήκος κύματος εκπομπής (λl), από την εξίσωση (Ansmann et al., 1992): 0 (, z) (, z) (, z ) (, z ) aer L mol L aer L 0 mol L 0 z exp aaer ( Ra, ) amol ( R, ) d zo z exp aaer ( L, ) amol ( L, ) d zo P( Ra, z ) P( Ra, z) N Ra( z) P(, z ) P(, z) N ( z ) 0 0 Ra Ra 0 (3.41) Όπως και στην μέθοδο κατά Klett που περιγράψαμε, είναι αναγκαίο να εκτιμήσουμε μία τιμή αναφοράς σχετικά με την οπισθοσκέδας των σωματιδίων στο ύψος αναφοράς z0. Για να ελαχιστοποιήσουμε την επίδραση της αβεβαιότητας στην εκτίμηση της λύσης, συνίσταται η επιλογή ως ύψος αναφοράς στην περιοχή της ανώτερης τροπόσφαιρας όπου η σκέδαση των σωματιδίων μπορεί να θεωρηθεί αμελητέα συγκριτικά με την σκέδαση Rayleigh. Κατόπιν, μόνο η πυκνότητα του αέρα, η μοριακή οπισθοσκέδαση και οι ατμοσφαιρικές ιδιότητες εξασθένισης μένουν να εκτιμηθούν ώστε να επιλυθεί η εξίσωση.

56 Σ ε λ Μέθοδοι ταξινόμησης αιωρούμενων σωματιδίων 4.1 Εισαγωγή Η κατηγοριοποίηση των αιωρούμενων σωματιδίων σε τύπους μπορεί να βοηθήσει στην κατανόηση των πηγών τους, των επιπτώσεων στο κλίμα, των μηχανισμών ανάδρασης καθώς και να συμβάλλει στη βελτίωση της αξιοποιστίας των δορυφορικών δεδομένων (Russel et al., 2014). Η τεχνική lidar έχει αποδειχθεί ότι είναι ένα πολύ ισχυρό εργαλείο για την ταξινόμηση των αερολυμάτων, με την ικανότητα να πραγματοποιεί μετρήσεις σε ένα ευρύ φάσμα μηκών κύματος. Επίσης οι διατάξεις lidar είναι ικανές να αναγνωρίσουν πολλαπλές ατμοσφαιρικές στρωματώσεις εξαιτίας της υψηλής χωρικής τους ανάλυσης. Υπάρχουν εξελιγμένα συστήματα lidar, όπως είναι τα πολυφασματικά Raman lidar και τα ΗSRL (High Spectral Resolution Lidar), τα οποία προσφέρουν μια μεγάλη γκάμα καταγραφής μετρήσεων εντατικών παραμέτρων που χαρακτηρίζουν διαφορετικούς τύπους αιωρούμενων σωματιδίων. Οι αυτοματοποιημένες διαδικασίες για την τυποποίηση των αιωρούμενων σωματιδίων, συνδυάζουν τις πληροφορίες που παρέχουν τα συστήματα Lidar και βασιζόμενες σε προκαθορισμένες κλάσσεις (clusters) αερολυμάτων, καθορίζουν τον τύπο του αερολύματος. Υπάρχουν διάφορες μέθοδοι ομαδοποίησης (clustering) που χρησιμοποιούνται για τον καθορισμό των κλάσσεων βασιζόμενες στην διαθέσιμη πληροφορία. Οι διάφορες μέθοδοι που χρησιμοποιούνται για την ανάκτηση των τύπων των σωματιδίων εμφαρμόζονται ανάλογα με τις ικανότητες των εκάστοτε συστημάτων Lidar. Στην παρούσα εργασία ακολοθούμε δύο δρόμους για την προσέγγιση δύο διαφορετικών μεθόδων αυτόματης ταξινόμησης των αιωρούμενων σωματιδίθων. Αρχικά, εφαρμόζουμε στις παρατηρήσεις με τη διάταξη Lidar του ΕΦΑ που πραγματοποιήθηκαν την περίοδο μία μέθοδο αυτόματης ταξινόμησης η οποία βασίζεται στην χρήση Τεχνητών Νευρωνικών Δικτύων και εφαρμόζεται από το λογισμικό NATALI (Nicolae et al., 2013). Από την συγκεκριμένη εφαρμογή παίρνουμε ως αποτελέσματα ταξινομημένα στρώματα αερολυμάτων συγκεκριμένων τύπων. Στη συνέχεια, στον αριθμό αυτό των στρωμάτων που πήραμε από το ΝΑΤALI εφαρμόζουμε μία μέθοδο ταξινόμησης η οποία βασίζεται στην χρήση απόστασης και συγκεκριμένα στην απόσταση Mahalanobis (Papagiannopoulos et al., 2016; Burton et al., 2012). Mε την εφαρμογή της μεθόδου αυτής επιχειρούμε να μελετήσουμε τα επίπεδα συμφωνίας μεταξύ των δύο προσεγγίσεων. Στις επόμενες παραγράφους

57 Σ ε λ 47 πραγματοποιείται αναλυτική περιγραφή των δύο μεθόδων αυτόαμτης ταξινόμησης, στην μεθοδολογία που ακολουθούν καθώς επίσης και στο κομμάτι της επεξεργασίας των μετρήσεων Lidar. 4.2 Τεχνητά Νευρωνικά Δίκτυα Εισαγωγή Τα Tεχνητά Νευρωνικά Δίκτυα (Artificial Neural Network) αποτελούν μία προσπάθεια προσέγγισης της λειτουργίας του ανθρώπινου εγκεφάλου. Μπορούν να εκτελούν υπολογισμούς με μαζικό παράλληλο τρόπο και η αρχιτεκτονική τους βασίζεται στην αρχιτεκτονική των βιολογικών Νευρωνικών Δικτύων. Αποτελούνται από διασυνδεδεμένα υπολογιστικά στοιχεία που έχουν την ικανότητα να ανταπορκίνονται σε ερεθίσματα που δέχονται στην είσοδο τους και να μαθαίνουν να προσαρμόζονται στο περιβάλλον τους. Η έρευνα με τα Τεχνητά Νευρωνικά Δίκτυα είναι εμπνευσμένη από τη δομή του εγκεφάλου. Βασικό δομικό στοιχείο του εγκεφάλου είναι οι νευρώνες (neurons), δηλαδή τα νευρωνικά κύτταρα τα οποία δημιουργούν ένα πυκνό δίκτυο επικοινωνίας μεταξύ τους. Σε αναλογία µε το βιολογικό νευρώνα του εγκεφάλου, ο τεχνητός νευρώνας (artificial neuron) είναι η δοµική µονάδα του τεχνητού νευρωνικού δικτύου. Σε αυτόν συντελείται όλη η επεξεργασία της πληροφορίας. Κάθε νευρώνας δέχεται πληροφορία, την επεξεργάζεται και δίνει µία τιµή εξόδου. Οι είσοδοί του είναι είτε οι έξοδοι άλλων νευρώνων, είτε το πρωταρχικό σήµα εισόδου του δικτύου. Εικόνα 4.1: Σύγκριση ενός βιολογικού νευρώνα με Τεχνητό Νευρωνικό δίκτυο

58 Σ ε λ 48 Το είδος νευρώνα που θα επιλεχθεί για να δοµηθεί ένα συγκεκριµένο τεχνητό νευρωνικό δίκτυο, εξαρτάται από τη φύση του κάθε προβλήµατος που εξετάζουµε. Πολλές φορές χρησιµοποιείται συνδυασµός διαφορετικών ειδών νευρώνα. Τα νευρωνικά δίκτυα όπως θα δούμε στην επόμενη παράγραφο εκπαιδεύονται με παραδείγματα. Ο χρήστης συγκεντρώνει αντιπροσωπευτικά δεδομένα και στη συνέχεια, καθώς τα τροφοδοτεί συστηματικά στο δίκτυο μέσω των κατάλληλων αλγορίθμων εκπαίδευσης, το δίκτυο «αντιλαμβάνεται» αυτομάτως της δομή των δεδομένων και η «γνώση» αυτή εκφράζεται ως κατάλληλες επιλογές συναπτικών βαρών. Ο χρήστης χρειάζεται να έχει κάποιες ουσιώδεις γνώσεις σχετικά με τον τρόπο επιλογής και προετοιμασίας των δεδομένων, τον τρόπο εκλογής κατάλληλου νευρωνικού δικτύου και τέλος στην ερμηνεία των αποτελεσμάτων. Τα Νευρωνικά δίκτυα είναι σχετικά ένας νέος ερευνητικός τομέας και δεν υπάρχει ουσιαστικά μεγάλη προιστορία έναντι άλλων επιστημών. Ξεκίνησε σε διεθνές επίπεδο τις τελευταίες δεκαετίες με μεγάλη ώθηση την δεκαετία του Σε αυτο συνετέλεσε η συνεχόμενη ανάπτυξη λογισμικού των Η/Υ αλλά και η ανάπτυξη νέων αλγορίθμων εκεπάιδευσης. Το πρώτο μοντέλο Νευρωνικού Δικτύου παρουσιάσθηκε από τους McCulloch και Pitts το Οι επιστημονικές κοινότητες επιλέγουν την χρήση τέτοιων δικτύων ευρέως τα τελευταία χρόνια σε πολλούς τομείς λόγω της υπολογιστικής τους ταχύτητας, της ικανότητας αντιμετώπισης πολύπλοκων μη γραμμικών λειτουργιών και της ικανότητάς τους να αναγνωρίζουν τις σχέσεις μεταξύ ποσοτήτων οι οποίες είναι δύσκολο να μοντελοποιηθούν. Υπάρχει συνεχές ενδιαφέρον για την χρήση νευρωνικών δικτύων καθώς εφαρμόζονται με μεγάλη επιτυχία σε ένα ασυνήθιστα μεγάλο φάσμα τομέων της επιστήμης και της τεχνολογίας. Στην πραγματικότητα, τα νευρωνικά δίκτυα εισάγονται σε οποιοδήποτε ζήτημα τίθεται θέμα πρόβλεψης, ταξινόμησης ή ελέγχου. 4.3 Βασικά χαρακτηριστικά ΤΝΔ Πλεονεκτήματα χρήσης ΤΝΔ Ένα νευρωνικό Δίκτυο οφείλει την υπολογιστική του ισχύ κατά πρώτον στην παράλληλη, κατανεμημένη δομή του και κατά δεύτερον στην ικανότητά του να μαθαίνει και, ως εκ τούτου να γενικεύει. Ο όρος γενίκευση αναφέρεται στην παραγωγή, από το Νευρωνικό Δίκτυο, λογικών εξόδων τις οποίες δεν έχει συναντήσει κατά τη διάρκεια της εκπαίδευσής του. Αυτές οι δύο δυνατότητες δίνουν στα

59 Σ ε λ 49 Νευρωνικά Δίκτυα τη δυνατότητα να βρίσκουν καλές προσεγγίστικές λύσεις σε πολύπλοκα προβλήματα, τα οποία είναι μη επιδεκτικά σε λύσεις. Το βασικό πλεονέκτηµα των νευρωνικών δικτύων είναι ότι µπορούν να αποθηκεύσουν γνώση και εµπειρία από το περιβάλλον, την οποία µπορεί στη συνέχεια να ανακαλέσει. Επιπλέον, έχει τη δυνατότητα να γενικεύει, δηλαδή να εξάγει τα βασικά χαρακτηριστικά ενός συστήµατος. Στον πίνακα παρουσιάζονται αναφορίκά ορισμένες χρήσιμες ιδιότητες των ΝΔ. Πίνακας 4.1: Βασικές ιδιότητες των Νευρωνικών στη χρήση των νευρωνικών δικτύων Α/Α Ιδιότητες Νευρωνικών δικτύων 1 Μη γραμμικότητα 2 Αντιστοίχηση Εισόδου Εξόδου 3 Παράλληλος τρόπος λειτουργίας 4 Προσαρμοστικότητα 5 Ανοχή σε βλάβες (fault-tolerant) 6 Ομοιομορφία ανάλυσης και σχεδίασης 7 Η ικανότητά τους για αναγνώριση προτύπων (pattern recognition) Τα Τεχνητά Νευρωνικά Δίκτυα έχουν ως στόχο να δειχθεί αν τα μοντέλα που βασίζονται σε αυτές τις απλές αρχές μπορούν να εκτελέσουν υπολογισμούς που χρησιμοποιεί ο ανθρώπινος εγκέφαλος. Δηλαδή αν μπορούν να μεταδώσουν πληροφορίες σχετικά με τα ερεθίσματα που λαμβάνουν. Τα δίκτυα εκπαιδέυονται ώστε να αναγνωρίζουν και να πειτελούν μία συγκεκριμένη διεργασία. Η εκπαίδευσή τους γίνεται με την αλλαγή των τιμών των βαρών τους. Αρχιτεκτονική ΤΝΔ Τα Νευρωνικά Δίκτυα χαρακτηρίζονται από την αρχιτεκτονική τους, τη λειτουργία που επιτελούν και τη μέθοδο εκπαίδευσής τους. Η αρχιτεκτονική του δικτύου καθορίζει τη διάταξη των συνδέσεων των νευρώνων καθώς και τον τύπο των νευρώνων. Οι νευρώνες ενός Νευρικού Δικτύου οργανώνονται σε μορφή επιπέδων και ο τρόπος με τον οποίο είναι δομημένοι σχετίζεται με τον αλγόριθμο μάθησης που χρησιμοποιείται για την εκπαίδευση αυτού του δικτύου. Υπάρχουν τρεις κατηγορίες αρχιτεκτονικών δικτύων:

60 Σ ε λ Δίκτυα πρόσθιας τροφοδότησης ενός επιπέδου (feedforward): αποτελούν την πιο απλή μορφή ενός δικτύου. Περιέχουν ένα επίπεδο εισόδου αποτελούμενο από πηγαίους κόμβους, το οποίο δείχνει στο επόμενο επίπεδο νευρώνων εξόδου (υπολογιστικοί κόμβοι) και όχι αντίστροφα. Οι νευρώνες εισόδου απλά μεταφέρουν το σήμα στο επίπεδο εξόδου χωρίς να κάνουν καμία επεξεργασία. Πράδειγμα τέτοιου δικτύου φαίνεται στην εικόνα. Εικόνα 4.2 : Παράδειγμα ΤΝΔ πρόσθιας τροφοδότησης 2. Πολυεπίπεδα δίκτυα πρόσθιας τροφοδότησης: υπάρχουν ένα ή περισσότερα κρυφά επίπεδα των οποίων οι νευρώνες ονομάζονται κρυφοί νευρώνες. Οι νευρώνες σε κάθε επίπεδο έχουν σαν εισόδους τα σήματα εξόδου μέσω των κρυφών επιπέδων. Δηλαδή και εδώ οι νευρώνες εισόδου απλά μεταφέρουν το σήμα στο επόμενο επίπεδο χωρίς να κάνουν καμία επεξεργασία, ενώ οι ρυφοί νευρώνες και οι νευρώνες εξόδου είναι υπολογιστικοί νευρώνες που ακολουθούν το μοντέλο του νευρώνα. Ένα τέτοιο δίκτυο με ένα κρυφό επίπεδο φαίνεται στην εικόνα. Σχήμα 4.3: Πολυεπίπεδο ΤΝΔ ενός κρυφού επιπέδου πρόσθιας τροφοδότησης 2 κρυμμένων επιπέδων με πλήρως συνδεδεμένους κόμβους

61 Σ ε λ Αναδρομικά δίκτυα (feedback or recurrent neural network): Σε αυτή την κατηγορία δικτύων υπάρχει τουλάχιστον ένας βρόχος ανάδρασης. Η έξοδος κάθε νευρώνα του δικτύου ανατροφοδοτεί την είσοδο των άλλων νευρώνων του ίδιου επιπέδου και σε μερικές περιπτώσεις ακόμα και τη δική του είσοδο (αυτόανάδραση). Αν η ανατροφοδότηση αφορά κόμβους του ίδιου επιπέδου, τα δίκτυα καλούνται αυτοσυσχετιζόμενες μνήμες (autoassociated memories) διαφορετικά, καλούνται ετεροσυσχετιζόμενες μνήμες (heteroassociated memories). Στα ανατροφοδοτούμενα ΤΝΔ δεν υπάρχουν συνήθως άνω του ενός ενδιάμεσα (κρυφά) επίπεδα. Αν και τα ανατροφοδοτούμενα δίκτυα είναι πολύ χρήσιμα, τα περισσότερα των νευρωνικών δικτύων είναι πρόσθιας τροφοδότησης. Σχήμα 4.4: Παράδειγμα ανατροφοδοτούμενων ΤΝΔ Διαδικασίες εκπαίδευσης Ο βασικός σκοπός της λειτουργίας ενός Τεχνητού Νευρωνικού Δικτύου είναι να είναι σε θέσει να λύσει συγκεκριμένα προβλήματα ή να επιτελεί από μόνο του ορισμένες διεργασίες. Για να γίνει όμως αυτό πρέπει πρώτα το δίκτυο να έχει εκπαιδευτεί κατάλληλα. Αυτό είναι και το πιο σημαντικό χαρακτηριστικό των Νευρωνικών Δικτύων, ότι δηλαδή μαθαίνουν ή εκπαιδεύονται. Η δομή του Τεχνητού Νευρωνικού Δικτύου μιμείται κατά το δύνατό εκείνη του βιολογικού νευρωνικού δικτύου, ώστε να εφαρμόζει παρόμοιες ιδιότητες. Κατ αναλογία επομένως με ένα δίκτυο νευρώνων εγκεφάλου, ένα τεχνητό δίκτυο αποτελείται από ένα σύνολο τεχνητών νευρώνων που αλληλεπιδρούν, δυνδεόμενοι μεταξύ τους με τις λεγόμενες συνάψεις (synapses). O

62 Σ ε λ 52 βαθμός αλληλεπίδρασης είναι διαφορετικός για κάθε ζεύγος νευρώνων και καθορίζεται από τα λεγόμενα συναπτικά βάρη (synaptics weights). Συγκεκριµένα, καθώς το Νευρωνικό δίκτυο αλληλεπιδρά µε το περιβάλλον και µαθαίνει από αυτό, τα συναπτικά βάρη µεταβάλλονται συνεχώς, ενδυναµώνοντας ή αποδυναµώνοντας την ισχύ του κάθε δεσµού. Όλη η εµπειρική γνώση που αποκτά εποµένως το νευρωνικό δίκτυο από το περιβάλλον κωδικοποιείται στα συναπτικά βάρη. Αυτά αποτελούν το χαρακτηριστικό εκείνο που δίνει στο δίκτυο την ικανότητα για εξέλιξη και προσαρµογή στο περιβάλλον. Τα ΤΝΔ πραγματοποιούν δύο βασικές λειτουργίες: τη μάθηση και την ανάκληση. Ανάκληση (recall) ονονμάζεται η διαδικασία του υπολογισμού ενός διανύσματος εξόδου για συγκεκριμένο διάνυσμα εισόδου και τιμές βαρών και μάθηση (learning) ονομάζεται η διαδικασία της τροποποίησης της τιμής των βαρών του δικτύου, ώστε δοθέντος συγκεκριμένου διανύσματος εισόδου να παραχθεί συγκεκριμένο διάνυσμα εξόδου. Η μάθηση γίνεται με τη χρήση κάποιων παραδειγμάτων εκπαίδευσης και ενός αλγορίθμου εκπαίδευσης. Υπάρχουν πολλοί αλγόριθμοι που η εφαρμογή τους έχει στόχο την προσαρμογή των τιμών των βαρών ενός Τεχνητού Νευρωνικού Δικτύου. Σκοπός των αλγορίθμων είναι μέσω επαναληπτικής διαδικασίας να αλλάζουν οι ελεύθερες παράμετροι ώστε να μειώνεται το σφάλμα μεταξύ της επιθυμητής και πραγματικής εξόδου του δικτύου. Όλες οι μέθοδοι μάθησης μπορούν να διακριθούν σε δύο βασικές κατηγορίες: α) τη μάθηση με επίβλεψη (supervised learning) και β) τη μάθηση χωρίς επίβλεψη (unsupervised learning). Μάθηση με επίβλεψη Στην περίπτωση που η εκπαίδευση γίνεται με εποπτεία το δίκτυο τροφοδοτείται µε ένα σύνολο γνωστών παραδειγµάτων, δηλαδή ένα σύνολο καταστάσεων στις οποίες µπορεί να περιέλθει το δίκτυο, µαζί µε τα αποτελέσµατα που θέλουµε να δίνει το δίκτυο για τις καταστάσεις αυτές. Για να µάθει το δίκτυο τα παραδείγµατα αυτά, χρησιµοποιούµε έναν αλγόριθµο εκπαίδευσης. Ο αλγόριθµος εκπαίδευσης που θα χρησιµοποιηθεί εξαρτάται από το εκάστοτε πρόβληµα και από τη δοµή του δικτύου που επιλέγουµε για να το αντιµετωπίσουµε.

63 Σ ε λ 53 μάθηση χωρίς επίβλεψη Όταν η μάθηση γίνεται χωρίς επίβλεψη το δίκτυο καλείται να αναγνωρίσει οµοιότητες και µοτίβα σε δεδοµένα που του έχουµε τροφοδοτήσει. Οι αλγόριθμοι της εν λόγω μάθησης αναφέρονται ως αυτό-οργανώμενοι (self-organized) και είναι διαδικασίες οι οποίες δεν απαιτούν να είναι παρών ένας «εξωτερικός» δάσκαλος ή επιβλέπων. Τα δεδοµένα παρουσιάζονται στο δίκτυο και αυτό οφείλει να προσαρµοστεί έτσι ώστε να τα χωρίσει σε οµάδες. Η διαδικασία αυτή επαναλαµβάνεται, ώσπου δεν παρατηρείται µεταβολή στην ταξινόµηση των δεδοµένων. 4.4 Μοντέλο Ταξινόμησης NATALI Εισαγωγή Το NATALI αποτελεί ακρωνύμιο του «Neural network Aerosol Typing Algorithm based on LIdar data». Πρόκειται για ένα λογισμικό που χρησιμοποιεί έναν αλγόριθμο για την ταξινόμηση αιωρούμενων σωματιδίων από οπτικά δεδομένα μετρήσεων Raman Lidar, χρησιμοποιώντας τα πλεονεκτήματα των Τεχνητών Νευρωνικών Δικτύων. Αναπτύχθηκε από τη Ρουμάνικη επιστημονική κοινότητα ( δοκιμάσθηκε και επικυρώθηκε στα πλαίσια σύμβασης με το European Space Research Institute (ESRI) υπό την αιγίδα του European Space Agency (ESA). Ο απώτερος στόχος του αλγορίθμου που χρησιμοποιεί το λογισμικό είναι να παρέχει τη δυνατότητα ανάκτησης του τύπου αερολύματος χρησιμοποιώντας τις κατάλληλες οπτικές παραμέτρους εισόδου, χωρίς συμπληρωματικές πληροφορίες. Για το λόγο αυτό χρειάζεται να αποκτηθεί ένας σχετικά μεγάλος αριθμός περιπτώσεων κατάρτισης για τα ΤΝΔ που χρησιμοποιούνται, λαμβάνοντας υπόψη τόσο καθαρούς όσο και μικτούς τύπους αερολυμάτων. Οι παράμετροι εισόδου είναι τυπικά προϊόντα δεδομένων που παρέχονται από το δίκτυο EARLINET (European Aerosol LIdar NETwork). Συγκεκριμένα έχουμε: Προφίλ συντελεστών οπισθοσκέδασης (backscatter coefficient, β) σε μήκη κύματος 1064, 532 και 355nm. Προφίλ συντελεστών εξασθένισης (extinction coefficient, α) σε μήκη κύματος 532 και 355nm. (Προαιρετικά) προφίλ γραμμικής αποπόλωσης (depolarization, δ) σε μήκος κύματος 532nm.

64 Σ ε λ 54 Η έξοδος συνίσταται στην επιλογή του πιθανότερου τύπου αερολύματος εντός των στρωμάτων. Ανάλογα με το φυσικό περιεχόμενο (με ή χωρίς δυνατότητα αποπόλωσης) και την ποιότητα των οπτικών δεδομένων (βαθμονόμηση, αβεβαιότητα), το typing πραγμτοποιείται λαμβάνοντας υπόψη: 1) High Resolution Typing (AH): 13 τύποι αερολυμάτων (καθαρό, μείγματα των δύο και μείγματα των τριών τύπων καθαρού τύπου αερολύματος) εφόσον όλες οι οπτικές παράμετροι που παρέχονται είναι καλής ποιότητας. 2) Low Resolution Typing (AL): 6 κυρίαρχοι τύποι αερολυμάτων (καθαρό με μέγιστο ποσοστό 30% ιχνών άλλων τύπων) εφόσον παρέχονται όλες οι οπτικές παράμετροι αλλά η αβεβαιότητα είναι υψηλή. 3) Low Resolution Typing (BL): 5 κυρίαρχοι τύποι αερολυμάτων (καθαρό με μέγιστο ποσοστό 30% ιχνών άλλων τύπων) εάν λείπει η αποπόλωση σωματιδίων. Το υψηλής ανάλυσης typing είναι κατάλληλo για προηγμένα συστήματα lidar τα οποία παρέχουν εξαιρετικά ακριβή οπτικά δεδομένα (λιγότερο από 10% αβεβαιότητα). Η πληκτρολόγηση χαμηλής ανάλυσης μπορεί ακόμα να πραγματοποιηθεί σε οπτικά δεδομένα με αβεβαιότητα μικρότερη από 20%. Οι τύποι αεροζόλ που ανακτήθηκαν συνοψίζονται στον παρακάτω πίνακα: Πίνακας 4.2: Κατηγορίες αερολυμάτων που ανακτώνται για διάφορες καταστάσεις (μαύρο χρωμα: απ ευεθείας ανακτημένοι τύποι, κυανό: αντιστοιχία σε κυρίαρχους τύπους) Πηγή & Μεταφορά Τύπος σωματιδίων Υψηλή Ανάλυση Χαμηλή Ανάλυση Land surfaces Continental Continental Continental Desert surfaces Dust Dust Dust Urban sites ContinentalPolluted Continental Polluted Continental Polluted Sea surface Marine Marine/ CC Marine Vegetation fires Smoke Smoke Smoke Dust transported over land Continental + Dust ContinentalDust Continental / Dust

65 Σ ε λ 55 Mineral particles transported over sea Volcanic Dust + Marine Volcanic + Marine MineralMixtures/ Volcanic Dust / Volcanic Biomass burning aerosols transported over land Dust mixed with burning biomass aerosol Continental + Smoke ContinentalSmoke Continental/Continental Polluted/ Smoke Dust + Smoke DustPolluted Dust / Smoke Coastal zones Continental + Marine Coastal/ CC Continental / Marine Urban coastal zones Continental Polluted + Marine CoastalPolluted ContinentalPolluted / Marine Dust transported over land and sea Continental + Dust + Marine MixedDust/ CC Continental /Dust / Marine Smoke transported over land and sea Continental + Smoke +Marine MixedSmoke/ CC ContinentalPolluted / Smoke Στη συνέχεια στον Πίνακα 4.3, παρουσιάζονται οι συμβάσεις που χρησιμοποιεί το λογισμικό ως προς την ονομασία την πηγή και τα βασικά χαρακτηριστικά των αιωρούμενων σωματιδίων. Πίνακας 4.3: Συμβάσεις για τα ονόματα των τύπων αερολυμάτων Όνομα κατηγορίας σωματιδίων Continental Dust Continental polluted Πηγή land surfaces desert surfaces industrial sites Χαρακτηριστικά των σωματιδίων medium-size, medium-spherical, medium absorbing big, non-spherical, medium absorbing small, spherical, highly absorbing Marine sea surface big, spherical, low absorbing Smoke vegetation fires small, spherical, highly absorbing Volcanic volcanoes big, non-spherical, highly absorbing Mixtures mixed combinations of the above Στην περίπτωση όπου υπάρχουν υπολείμματα από τα σύννεφα σε δεδομένα εισόδου του αερολύματος (οπισθοσκέδαση, εξασθένιση και αποπόλωση) ενδέχεται να

66 Σ ε λ 56 οδηγήσουν σε λανθασμένη ταξινόμηση: π.χ. Θαλάσσια ή μείγματα με θαλάσσια αιωρούμενα σωματίδια. Ως εκ τούτου, πιθανό "cloud corruption" έχει προστεθεί σε όλους τους τύπους που περιέχουν θαλάσσια σωματίδια, π.χ. Θαλάσσιο / CC. Σε περίπτωση που υπάρχουν τέτοιοι τύποι αερολυμάτων στα δεδομένα εξόδου, ο χρήστης θα πρέπει να ελέγξει την πιθανότητα ύπαρξης υπολειμμάτων από σύννεφα στα αρχεία εισόδου. Στην περίπτωση όπου αναφερόμαστε σε ηφαιστειακά αερολύματα αυτά δεν μπορούν να διακριθούν από τα μείγματα ορυκτών που βασίζονται στις οπτικές ιδιότητες από το lidar, ειδικά όταν δεν είναι διαθέσιμη η γραμμική αποπόλωση σωματιδίων. Ως εκ τούτου, ο ηφαιστειακός τύπος παρέχεται πάντα ως μείγμα μετάλλων. Για την ταυτοποίηση της ηφαιστειακής τέφρας απαιτούνται πρόσθετες πληροφορίες. Στις επόμενες παραγράφους γίνεται η περιγραφή του αλγορίθμου που έχει κατασκευαστεί με σκοπό την ταξινόμηση των αιωρούμενων σωματιδίων από τα οπτικά δεδομένα με την χρήση των πλεονεκτημάτων που προσφέρουν τα Νευρωνικά Δίκτυα. Όπως αναφέραμε έχουν την ικανότητα να εκπαιδεύονται και να μαθαίνουν μη γραμμικές πολύπλοκες σχέσεις, να μην επηρεάζονται αρκετά από τα θορυβώδη σήματα και να κατηγοριοποιούνται σε πραγματικό χρόνο κατόπιν κατάλληλης διαδικασίας επεξεργασίας. Η μέθοδος αναπτύσσεται σε δύο στάδια: το πρώτο στάδιο συνίσταται στην ταξινόμηση ενός μεγάλου συνόλου δεδομένων τόσο από προσομοιώσεις όσο και από πραγματικές μετρήσεις για εκπαίδευση και στη συνέχεια σε δεύτεο στάδιο γίνονται οι κατάλληλες ταξινομήσεις τύπων με σκοπό να αυξηθεί ο αριθμός των ιδανικών ταξινομημένων τύπων αερουμάτων Περιγραφή αλγορίθμου NATALI Ο αλγόριθμος βασίζεται σε ένα σύνολο Τεχνητών Νευρωνικών Δικτύων (ANNs) τα οποια εκπαιδεύονται ώστε να είναι σε θέση να αναγνωρίζουν τον τύπο αερολύματος στηριζόμενα σε ένα σύνολο οπτικών δεδομένων εισόδου. Τα οπτικά δεδομένα πρέπει να είναι χαρακτηριστικά για ένα συγκεκριμένο τύπο σωματιδίων, δηλαδή να είναι ανεξάρτητα από την πυκνότητα των σωματιδίων, επομένως για δεδομένα lidar συστήματος 3β+2α (+1δ) χρησιμοποιούνται αρχικά για τον υπολογισμό των εντατικών ιδιοτήτων όπως ο εκθέτης Angstrom, χρωματικοί δείκτες (color indexes) και λόγοι lidar (lidar ratio). Τα συγκεκριμένα χρησιμοποιούνται περεταίρω από τα Τεχνητά Νευρωνικά Δίκτυα για διαδικασίες ταξινόμησης. Η ικανότητα της ANN να

67 Σ ε λ 57 ανακτήσει τον τύπο αερολύματος εξαρτάται έντονα από το φυσικό περιεχόμενο των οπτικών εισόδων, καθώς και από την αβεβαιότητά τους. Έχει σχεδιαστεί μία σχετική βάση δεδομένων για να παρέχει επαρκείς υποδείξεις κατάρτισης προς το νευρωνικό δίκτυο αποτελούμενη από συνθετικές και πραγματικές μετρήσεις των οπτικών παραμέτρων των αερολυμάτων. Τα συνθετικά αερολύματα προσομοιώθηκαν ξεκινώντας από τις μικροφυσικές ιδιότητες των βασικών συστατικών, αναμεμιγμένων σε διάφορες αναλογίες. Η ικανότητα των ΤΝΔ να ανακτήσουν τον τύπο αερολύματος εξαρτάται έντονα από το φυσικό περιεχόμενο των οπτικών εισόδων καθώς επίθσης και από την αβεβαιότητα τους. Κάθε ΤΝΔ έχει εκπαιδευτεί μέσα σε ένα ολοκληρωμένο σύνολο από συνθετικές περιπτώσεις που ελήφθησαν από ειδικά σχεδιασμένο μοντέλο αερολυμάτων. Κάθε τύπος αερολύματος (καθαρός) κατασκευάζεται ως εσωτερικό μίγμα τυπικών συστατικών που δεν αλληλεπιδρούν φυσικά ή χημικά, με διαφορετικές αναλογίες ανάμιξης. Τα βασικά συστατικά συλλέγονται από το OPAC (Hess et al 1998): υδατοδιαλυτά, αδιάλυτα, αιθάλης, ορυκτά (πυρήνωση, συσσώρευση, χονδρόκοκκα), θειικά άλατα, θαλάσσιο άλας (συσσώρευση, χονδρόκοκκο). Η βάση δεδομένων GADS χρησιμοποιείται για τις μικροφυσικές ιδιότητες κάθε συστατικού (Koepke et al., 1997). Προκειμένου να συμπεριληφθεί η μη σφαιρικότητα των σωματιδίων, ο κώδικας Τ-Matrix χρησιμοποιείται για τον υπολογισμό των οπτικών ιδιοτήτων του αερολύματος. Τα αερολύματα θεωρούνται σφαιροειδή με διαφορετικούς λόγους άξονα. Αυτές οι τιμές ελήφθησαν από τη βιβλιογραφία (Munoz et al., 2001, Dubovik et al., 2006). Η χημική σύνθεση κάθε τύπου αερολύματος ποικίλει σε ορισμένα όρια, προκειμένου να μιμηθεί όσο το δυνατόν περισσότερο η μεγάλη ποικιλία σωματιδίων που υπάρχουν στην ατμόσφαιρα. Για να αυξηθεί το ποσοστό αξιοπιστίας του «Typing», αναπτύχθηκαν τρία Τεχνητά Νευρωνικά Δίκτυα με διαφορετικές δομές για κάθε περίπτωση (AH, AL, BL): 1) Δίκτυο Jordan/Elman με 6 κρυφά επίπεδα και κανόνας μάθησης Momentum. 2) Δίκτυο Jordan/Elman με 8 κρυμμένα στρώματα και κανόνα μάθησης Conjugate. 3) Γενικευμένο δίκτυο feedforward με 6 (class A) ή 10 κρυμμένα επίπεδα (class B)

68 Σ ε λ 58 Στην εικόνα 4.5 απεικονίζεται γραφικά η δομή του αλγόριθμου επεξεργασίας για το aerosol typing που χρησιμοποιεί το λογισμικό ΝΑΤΑLI. Εικόνα 4.5: Σχηματική απεικόνιση δομής του αλγορίθμου για aerosol Τyping Το λογισμικό NATALI βασίζεται και αναπτύσσεται σε τρεις βασικές ενότητες: 1) Μονάδα εισόδου: Για την προετοιμασία των εισροών στη συγκεκριμένη μορφή των Τεχνητών Νευρωνικών Δικτύων. 2) Μονάδα Typing: Για να πραγαμτοποιηθεί η εκτέλεση του ΤΝΔ και να αποφασίσουμε για τον πιθανό τύπο του αερολύματος. 3) Μονάδα εξόδου: Για την αποθήκευση των αποτελεσμάτων και των αρχείων κααγραφής. Στη μονάδα εισόδου, πραγματοποιείται η ανάγνωση των αρχείων από μετρήσεις lidar σε μορφή NetCDF, που έχουν ανακτηθεί από τη βάση δεδομένων EARLINET. Παράλληλα ελέγχεται η διαθεσιμότητα όλων των απαιτούμενων παραμέτρων (β1064, β532, β355, α532, α355 και προαιρετικά δ532), προσδιορίζονται τα γεωμετικά χαρακτηριστικά όρια των στρωματώσεων καθώς επίσης υπολογίζεται η μέση τιμή και

69 Σ ε λ 59 η σχετική τους αβεβαιότητα. Για τον υπολογισμό των ορίων των στρωμάτων εφαρμόζεται η μέθοδος κλίσης (gradient method) στο προφίλ του συντελεστή οπισθοσκέδασης σε μ.κ 1064nm (Belegante et al., 2014). Τα εμπλεκόμενα σημεία της δεύτερης παραγώγου από τα δεδομένα προφίλ (όπως υπολογίστηκαν με το φίλτρο Savistky-Golay) δίνουν το άνω και κάτω όριο του στρώματος των αιωρούμενων σωματιδίων. Η ακαθάριστη ή καλή δομή των στρωμάτων αποκαλύπτεται από μία υψηλότερη ή μία χαμηλότερη τιμή της παραμέτρου εξομάλυνσης FINESSE (ρυθμιζόμενο). Μόνο στρώματα τα οποία έχουν πάχος μεγαλύτερο από 300m θεωρούνται σχετικά, λόγω του σημαντικού ποσοστού αναλογία σήματος προς το θόρυβο. Οι εντατικές οπτικές παράμετροι μαζί με τις σχετικές αβεβαιότητες, υπολογίζονται για το μέσο τμήμα κάθε στρώματος για το οποίο ο λόγος σήματος προς το θόρυβο είναι υψηλότερος ώστε να αποκλείονται τα περιθώρια που επηρεάζονται από την εξομάλυνση. Ακολουθούν οι σχέσεις με τις οποίες υπολογίζονται οι εντατικές οπτικές παράμετροι: Πίνακας 4.4: Σχέσεις υπολογισμού ενταικών οπτικών παραμέτρων Angstrom coefficient AE = ln(α 355 α 532 ) ln( ) UV/VIS Color ratio CR = β 355 β 532 VIS/IR Color ratio CI = ln(β 355 β 532 ) ln( ) UV/VIS Color index CI = ln(β 532 β 1064 ) ln( ) VIS/IR Color index CI = ln(β 532 β 1064 ) ln( ) UV Lidar ratio LR 355 = α 355 β 355 VIS Lidar ratio LR 532 = α 532 β 532 Για κάθε στρώμα και για όλες τις περιπτώσεις χρήσης των παραπάνω σχέσεων, η ενότητα υπολογίζει τους μέσους όρους και τις σχετικές αβεβαιότητες. Αρκετά φίλτρα εφαρμόζονται στα δεδομένα και εξετάονται περεταίρω για τυποποίηση (typing), μόνο τα στρώματα που πληρούν συγκεκριμένα κριτήρια: 1) Διαθεσιμότητα όλων των

70 Σ ε λ 60 απαραίτητων εντατικών οπτικών παραμέτρων και 2) Αποδεκτά όρια για τις τιμές των εντατικών παραμέτρων (βλ. Πίνακα 4.5 ). Πίνακας 4.5: Αποδεκτά όρια για τις μέσες έντατικές οπτικές παραμέτρους των στρωμάτων Intensive parameter Min. acceptable value Max. acceptable value Angstrom coefficient Color ratio -2 6 Color index -2 6 Lidar ratio (sr) Linear particle depolarization ratio (%) 0 60 Τα αποδεκτά όρια για τις παραπάνω περιπτώσεις λαμβάνουν τιμές αρκετά μεγάλες συγκριτικά με τη διεθνή βιβλιογραφία (π.χ. color ratio πρέπει γενικά να είναι στο διάστημα 0-2). Η επέκταση των αποδεκτών διαστημάτων εφαρμόστηκε για να διευκολυνθεί η ανάλυση δεδομένων τα οποία δεν έχουν βαθμονονηθεί τελείως. Tα ΤΝΔ εξακολουθούν να είναι σε θέση να επιστρέψουν τον τύπο αερολύματος εαν μία ή δύο εντατικές οπτικές παράμετροι δεν είναι οι κατάλληλες. Ωστόσο οι πιθανότητες να επιστρέψει τύπο «Uknown» είναι αυξημένη. Η μονάδα εξόδου προετοιμάζει και αποθηκεύει τα αρχεία σε δύο μορφές: α) Αρχεία CSV και β) έγγραφα κειμένου αναγνώσιμα από τον χρήστη (telegrams). Συγκεκριμένα τα αρχεία αυτά περιέχουν τις παρακάτω πληροφορίες: Αναγνώριση του συνόλου δεδομένων για τα οποία έγινε το «typing» Για κάθε στρώμα που έχει αναγνωριστεί: - Το άνω και κάτω όριο του στρώματος - Τις εντατικές παραμέτρους και τις σχετικές αβεβαιότητες - Τον τύπο των αιωρούμενων σωματιδίων που ανακτώνται από κάθες ΤΝΔ, το επίπεδο εμπιστοσύνης και ο αριθμός των συμφωνιών - Ο πιθανότερος τύπος που επιλέχθηκε βάσει της διαδικασίας «voting» (σε χαμηλή και υψηλή ανάλυση ξεχωριστά) - Σχόλια σε περιπτώσεις οπτικών δεδομένων που δεν πληρούσαν τα κριτήρια ποιότητα ή σφάλματα στη διαδικασία ανάκτησης.

71 Σ ε λ 61 Ο κώδικας του λογισμικού είναι δομημένος σε διάφορες ενότητες που πραγματοποιούν συνολικά την όλη επεξεργασία. Συγκεκριμένα: - Μονάδα επεξεργασίας δεδομένων: nt_data.py - Μονάδα typing: nt_typing.py - Μονάδα εξόδου: nt_output.py - Ένα γραφικό περιβάλλον φιλικό για τον χρήστη: nt_ui.py Εικόνα 4.6: Απεικόνιση δομής λειτουργίας του λογισμικού στις αντίστοιχες ενότητες Γραφικό περιβάλλον λογισμικού (GUI) Το NATALI διαθέτει ένα γραφικό περιβάλλον (GUI) που είναι φιλικό προς όλους τους χρήστες με δυνατότητα χρήσης από τον χώρο εργασίας. Ένα βασικό στοιχείο του είναι ότι αποτελεί ανοιχτή πηγή λογισμικού. Επίσης ο κώδικας στον οποίο βασίζεται είναι γραμμένος σε γλώσσα Python, εύκολο στο να συνδεθεί με το Single Chain Calculus το οποίο έχει στοιχειώδη δομή.

72 Σ ε λ 62 Εικόνα 4.7: Γραφικό περιβάλλον λογισμικού κατά τη διάρκεια εφαρμογής του ΝΑΤΑLΙ Πριν από την έναρξη της επεξεργασίας, δίνεται η ευκαιρία στον χρήστη να ρυθμίσει όπως επιθυμεί, τις διάφορες παραμέτρους οι οποίες μπορούν να αλλάξουν τον τρόπο λειτουργίας του λογισμικού. Αξίζει να τονίσουμε ιδιαίτερα το κομμάτι αυτό καθώς η τροποποίηση των παραμέτρων αυτών αποτελεί βασικό σκοπό της παρούσας μελέτης, με την κατασκευή διαφορετικών σεναρίων εφαρμογής στα δεδομένα. Η επιλογή των παραμέτρων παρουσιάζεται στο παράθυρο Ρυθμίσεις, το οποίο μπορεί να ανοίξει με την επιλογή της καρτέλας "Ρυθμίσεις" που βρίσκεται στη γραμμή εργαλείων. Εικόνα 4.8: Παράθυρο επιλογής παραμέτρων λειτουργίας του λογισμικού

73 Σ ε λ 63 Οι αλλαγές που μπορεί ο χρήστης να κάνει σχετικά με την επιλογή των παραμέτρων θα δώσει διαφορετικά αποτελέσματα με την ολοκλήρωση της επεξεργασίας. Ο πλήρης κατάλογος παραμέτρων που μπορούν να αλλάξουν από τον χρήστη παρατίθεται στον παρακάτω πίνακα, μαζί με την επίδρασή τους στο λογισμικό και τις προεπιλεγμένες (default) τιμές τους: Πίνακας 4.6: Κατάλογος αποδεκτών ρυθμίσεων, παραδείγματα και επεξηγήσεις Παράμετρος Σκοπός Default τιμή Altitude scale Ρύθμιση ελάχιστης και μέγιστης τιμής στον κάθετο άξονα (υψομέτρο). Μπορούμε να το αλλάξουμε πριν ή 0-5 μετά την επεξεργασία. ANN Folder Είναι ο φάκελος που περιέχει όλα τα ΤΝΔ (A1L, A1H, A2L, κλπ.) "ANNs" Βελτιώνει την επίδραση της εξομάλυνσης της Filter window παραγώγου. Έχει αντίκτυπο στην επιλογή «FINESSE» που σχετίζεται με την δομή των στρωμάτων που ταυτοποιούνται. Το εύρος τιμών είναι 500 με Minimum layer depth (m) Finesse Minimum accepted confidence (%) Minimum agreement ratio (%) Απορίπτει τις δευτερεύουσες στρωματώσεις με τιμή μικρότερη από την επιλεγμένη (σε μέτρα). Χρησιμοποιούμε τιμές σε εύρος Αριθμός τιμών που δημιουργούνται μεταξύ [τιμής αβεβαιότητας] και [τιμής + αβεβαιότητας] για κάθε «intensive» οπτική παράμετρο. Προσθέτει στατιστική σημασία στις περιπτώσεις που υποβλήθηκαν από τα ΤΝΔ. Χρησιμοποιούμε τιμές σε εύρος 10 με 50. Όριο εμπιστοσύνης πάνω από το οποίο γίνονται αποδεκτές οι απαντήσεις από τα ΤΝΔ. Χρησιμοποιούμε τιμές σε εύρος 0.6 με 0.8. Όριο αριθμού συμφωνιών πάνω από το οποίο η απάντηση από ένα ΤΝΔ θεωρείται σχετική και μεταβιβάζεται σε «voting» Κατά τη διαδικασία εφαρμογής του αλγορίθμου στα δεδομένα Lidar, είναι πολύ πιθανό να προκύψει κάποιο σφάλμα στην διαδικασία ανάκτησης ή σε περιπτώσεις όπου δεν πληρούνταν τα κριτήρια ποιότητας των δεδομένων. Το αρχείο εξόδου που παίρνουμε κατά την ολοκλήρωση, περιλαμβάνει τις αναφορές προόδου και τα τυχόν σφάλματα που παρουσιάζει η λειτουργία του λογισμικού ως προς την ταξινόμηση των στρωμάτων ως προς τις αντίστοιχες κατηγορίες. Στον Πίνακα 4.7 παρουσιάζονται οι πιθανές ενδείξεις και η αιτία των σφαλμάτων.

74 Σ ε λ 64 Πίνακας 4.7: Πιθανά ενδείξεις για σφάλματα κατά την εφαρμογή του ΝΑΤΑLI Σχόλιο Typing not possible: intensive parameter [...] cannot be calculated Αιτία Μία ή περισσότερες «extensive» παράμετροι δεν είναι διαθέσιμη στο ύψος του στρώματος Typing not possible: values of the intensive parameter [...] out of acceptable range Μία ή περισσότερες «intensive» παράμετροι δεν έχουν τιμές φυσικά αδύνατες (βλ. Πίνακα 1) Typing not possible: no ANN passed the confidence criteria Typing not possible: no ANN passed the minimum agreement criteria Typing uncertain: relative error of intensive parameters [...] higher than 20% Καμία προσέγγιση Τεχνητού Νευρωνικού Δικτύου δεν έφτασε σε ποσοστό εμπιστοσύνης 70% για κανένα τύπο αιωρούμενων σωματιδίων. Τα οπτικά δεδομένα δεν είναι πιθανώς καλά βαθμονομημένα Καμία προσέγγιση ΤΝΔ δεν έφτασε σε ποσοστό εμπιστοσύνης 20% για τις περιπτώσεις μεταξύ των γραμμών σφαλμάτων. Τα οπτικά δεδομένα δεν είναι πιθανώς καλά βαθμονομημένα Μία ή περισσότερες «intensive» παράμετροι έχουν μεγάλες αβεβαιότητες, υψηλότερες από τις αποδεκτές των ΤΝΔ, η απάντηση μπορεί να μην είναι σωστή, καθώς ΤΝΔ «μαντεύουν» 4.5 Μέθοδος ταξινόμησης με την χρήση της απόστασης Mahalanobis Για την ταξινόμηση αιωρούμενων σωματιδίων διατίθενται όλο και περισσότερες πληροφορίες, όπως π.χ. το οπτικό βάθος, ο δείκτης διάθλασης, ανακλαστικότητα μεμονωμένης σκέδασης καθώς και η αποπόλωση οπισθοσκέδασης, σε καθένα από τα διαθέσιμα μήκη κύματος, όπως επίσης και αρκετές παράμετροι μεγέθους και σχήματος των σωματιδίων. Απαιτούνται αντικειμενικές, πολυδιάστατες μέθοδοι ανάλυσης για μια βέλτιστη χρήση αυτών των διάφορων προιόντων. Η απόσταση Mahalanobis (Mahalanobis, 1936) μπορεί να χρησιμοποιηθεί για την ταξινόμηση σημείων, καθένα από τα οποία αντιπροσωπεύει μία παρατήρηση, σε κατηγορίες ή ομάδες που έχουν προκαθορισμένα ειδικά χαρακτηριστικά π.χ. συγκεκριμένες οπτικές ιδιότητες. Η απόσταση Mahalanobis υπολογίζεται από κάθε σημείο σε κάθε προκαθορισμένη ομάδα (cluster) για να ταξινομήσει ένα σημείο (δλδ. μία μέτρηση) σχετικά με τη μικρότερη απόσταση από μία συγκεκριμένη ομάδα. Oι Burton et al. (2012), χρησιμοποίσηαν την απόσταση Mahalanobis για ταξινόμηση των παρατηρούμενων αιωρούεμενων σωματιδίων σε τύπους (π.χ. ρύπανση, καύση

75 Σ ε λ 65 βιομάζας, ερμική σκόνη, θαλάσσια) χρησιμοποιώντας ένα σύνολο τεσσάρων διαφορετικών παραμέτρων που περιλαμβάνουν του λόγου γραμμικής αποπόλωσης σωματιδίων (532nm), το λόγο Lidar (532nm), εκθέτης Angstrom Οπισθοσκέδασης (532/1064nm) και την αναλογία των λόγων αποπόλωση (1064 και 532nm). Μία παρόμοια μέθοδος περιγράφεται και από τους Russel et al. (2014). Στην παρούσα εργασία, χρησιμοποιούμε μία τροποποιημένη αυτόματη μέθοδο, η οποία βασίζεται στην ερευνητική μελέτη των Papagiannopoulos et al. (2016), με σκοπό να είναι συμβατή με μετρήσεις του δικτύου EARLINET. Στις επόμενες παραγράφους περιγράφεται αναλυτικά η μεθοδολογία που ακολουθήσαμε για την εφαρμογή της μεθόδου στα πειραματικά μας δεδομένα Μεθοδολογία Αρχικά, συγκεκριμένα δείγματα γνωστων τύπων αερολυμάτων συνδυάζονται για να φτιάξουν κατανομές μοντέλων. Στη συνέχεια, το πλήρες σύνολο δεδομένων των μετρήσεων lidar ταξινομείται συγκριτικά με τα μοντέλα αυτά. Ο αριθμός των κατηγοριών εξαρτάται σε κάποιο βαθμό από τις περιπτώσειςόπου ο τύπος αερούματος είναι γνωστός με μεγάλη αξιοπιστία και δεν πρέπει να θεωρείται οριστικός. Η επιλογή των ομάδων επίσης αντανακλά την επιθυμία οι κατηγορίες να έχουν ουσιαστική σημασία και να προτείνουν πιθανές πηγές αιωρούμενων σωματιδίων. Για το σκοπό αυτό οι βασικές ομάδες προέρχονται από πραγματικές μετρήσεις που έχουν ήδη δημοσιευθεί στην διεθνή βιβλιογρραφία (Pappalardo et al., 2010; Wandinger et al., 2011; Papagiannopoulos et al., 2016a). Εξήντα τέσσερα δείγματα παρατηρήσεων έχουν επσιημανθεί χρησιμοποιώντας εκ των προτέρων γνώση τα οποία και χρησιμοποιούμε στην εργασία μας ως σύνολο δεδομένων εκπαίδευσης (training dataset). Οι μετρήσεις όπως πραγματοποιήθηκαν με τη διάταξη Lidar για την περίοδο , αποτελούν τα δεδομένα δοκιμής (test dataset) και είναι αυτά τα οποία επιθυμούμε να ταξινομήσουμε Απόσταση Mahalanobis Οι τεχνικές αυτόματης ταξινόμησης που βασίζονται στην απόσταση (π.χ. k-nearest neighbor, support vector machine algorithms) είναι απλές, και συγκεκριμένα η απόφαση για την ταξινόμηση εξαρτάται από το υπολογισμό της απόστασης μεταξύ της παρατήρησης και του προ-ταξινομημένου δείγματος. Στην παρούσα μέθοδο

76 Σ ε λ 66 χρησιμοποιούμε ως ταξινομητή την απόσταση Mahalanobis, η οποία εισήχθη από τον P. Mahalnobis το 1936 και χρησιμοποιείται ευρέως στην πολυμεταβλητή στατιστική ανάλυση. Έχει μεγάλη γκάμα εφαρμογών και μπορεί να χρησιμοποιηθεί για να κατηγοριοποιήσει σημεία δεδομένων, τα οποία αντιπροσωπεύουν μία παρατήρηση, σε συγκεκριμένες ομάδες (clusters) τα οποία έχουν προκαθορισμένα χαρακτηριστιικά. Οι αποστάσεις μεταξύ της παρατήρησης και των διαφορετικών ομάδων υπολογίζονται και στη συνέχεια η παρατήρηση αποδίδεται στην ομάδα για την οποία η απόσταση ήταν η μικρότερη (Σχήμα 4.1). Η απόδοση ενός ταξινομητή εξαρτάται σε μεγάλο βαθμό από τα χαρακτηριστικά των προς ταξινόμηση δεδομένων. Δεν υπάρχει ένας μοναδικός ταξινομητής που να λειτουργεί με την πλέον αξιοπιστία και ακρίβεια σε όλα τα δεδομένα προβλήματα. Έχουν πραγματοποιηθεί διάφορες εμπειρικές δοκιμές για να συγκριθούν οι επιδόσεις ενός ταξινομητή και να βρεθούν τα χαρακτηριστικά των δεδομένων που καθορίζουν την απόδοσή του. Η απόσταση Mahalanobis (DM) χρησιμοποιείται για να δημιουργήσει μία κλίμακα για τα πολυμεταβλητά δεοδμένα λαμβάνοντας υπόψη τις συσχετίσεις μεταξύ των μεταβλητών. Η ικανότητα της DM να λαμβάνει υπόψη τις συσχετίσεις αυτες αποτελεί σημαντικό πλεονέκτημα έναντι άλλων απσοτάσεων όπως για παράφδειγμα η Ευκλείδια απόσταση. Σχήμα 4.1: Αποστάσεις Mahalanobis ενός σημείου από τις συστάδες (clusters) C 1 και C 2, τα οποία απεικονίζονται ως ελλείψεις. Το σημείο X ανήκει στο cluster C 2 έχοντας την μικρότερη απόσταση (πηγή: Papagiannopoulos et al, 2016).

77 Σ ε λ 67 Η απόσταση Mahalanobis για μία παρατήρηση 𝑥 (𝑥1, 𝑥2, 𝑥3,, 𝑥𝑁 ) από μία ομάδα (cluster) που έχει μέση τιμή 𝜇 (𝜇1, 𝜇2, 𝜇3,, 𝜇𝑁 ) και πίνακα συνδιακύμανσης S ορίζεται σύμφωνα με την εξίσωση: DM ( x) * (4.1) ( x )T S 1 ( x ) Ο συμβολισμός Τ στην πρώτη παρένθεση υποδηλώνει την αναστροφή του όρου. Στην πολυμεταβλητή στατιστική ανάλυση το ενδιαφέρον δεν εστιάζεται στην κατανομή κάθε τυχαίας μεταβλητής 𝑋𝑖, 𝑖 = 1,, 𝑝 ξεχωριστά, αλλά στη μελέτη πολλών τυχαίων μεταβλητών 𝑋1, 𝑋1,, 𝑋𝑝 συγχρόνως. Παρουσιάζουμε ένα πίνακα δεδομένων που έχει ως γραμμές τις παρατηρήσεις του δείγματος και ως στήλες τις μεταβλητές του (το σύνολο των οπτικών εντατικών παραμέτρων) Πίνακας 4.8: Πίνακας αναπαράστασης πολυμεταβλητών δεδομένων Χαρακτηριστικό ή Μεταβλητή 1 Χαρακτηριστικό ή Μεταβλητή 2 Χαρακτηριστικό ή Μεταβλητή p Παρατήρηση 1 X11 X12 X1p Παρατήρηση 2 X21 X22 X2p Xn1 Xn2 Xnp... Παρατήρηση n Όπου n o αριθμός των παρατηρήσεων προς μελέτη, p ο αριθμός των μεταβλητών και Xij η τιμή της παρατήρησης για την περίπτωση της j μεταβλητής. Ο πίνακας δεδομένων (Data Matrix) θα είναι διάστασης n x p και θα έχει την εξής μορφή: X 11 X 21 X X n1 X 12 X 22 X n2 X1 p X 2 p X np Παρατηρούμε ότι για κάθε παρατήρηση δεν έχουμε μόνο μία τιμή, αλλά έχουμε ένα διάνυσμα τιμών. Κάθε διάνυσμα της σειράς είναι μία παρατήρηση για τον αριθμό των μεταβλητών που επιλέγονται. Το μέσο διάνυσμα αποτελείται από τις μέσες τιμές κάθε μεταβλητής και ο πίνακας συνδιακύμανσης αποτελείται από τις διακυμάνσεις μεταξύ

78 Σ ε λ 68 κάθε ζεύγους μεταβλητών στις θέσεις του πίνακα. Ο τύπος για τον υπολογισμό της συνδιασποράς των μεταβλητών Χ και Υ είναι: 2 Var( X ) Cov( X, Y ) Cov( X, Z) X XY XZ 2 S Cov( X, Y ) Var( Y ) Cov( Y, Z) XY Y YZ 2 Cov( X, Z) Cov( Y, Z) Var( Z) XZ YZ Z (4.2) Η διασπορά ή διακύμανση (variance) μίας μεταβλητής εκφράζει το μέσο ποσό μεταβλητότητας των παρατηρήσεων X i από τη μέση τιμή τετραγωνικές μονάδες και υπολογίζεται από την σχέση: Χ, εκφράζεται σε Cov( X, X ) Var( X ) 2 i1 N ( X X )( X X ) i N 1 i (4.3) Η συνδιασπορά ή συνδιακύμανση (covariance) δύο μεταβλητών εκφράζει το μέσο ποσό της «ταυτόχρονης» μεταβλητότητας των Χ και Υ από τις μέσες τιμές τους και υπολογίζεται από τη σχέση: XY Cov( X, Y) N i1 ( X X )( Y Y ) i N 1 i (4.4) Στο σημείο αυτό τονίζουμε ιδιαίτερα ότι η Ευκλείδια απόσταση έχει το μειονέκτημα ότι εξαρτάται από την κλίμακα μέτρησης και καθορίζεται σε πολύ μεγάλο βαθμό από τις μεταβλητές με μεγάλες απόλυτες τιμές. Ο τύπος που δίνει την απόσταση Mahalanobis λαμβάνει υπόψη του τις συνδιακυμάνσεις μεταξύ των μεταβλητών, κάτι που δεν κάνουν οι άλλες περιπτώσεις αποστάσεων. Για σταθερές τιμές της απόστασης Mahalanobis μπορούμε να ορίσουμε πολυδιάστατα ελλειψοειδή με κέντρο τη μέση τιμή της κατανομής, μ. Στην εικόνα 4.2 παρουσιάζεται η περίπτωση της Mahalanobis (έλλειψη) και Ευκλείδιας (κύκλος) απόστασης. Η έλλειψη αντιπροσωπεύει το περίγραμμα μίας διμεταβλητής κανονικής κατανομής. Τα σημεία που βρίσκονται στην περίμετρο έχουν όλα ίσες πιθανότητες ενώ τα σημεία εντός της έλλειψης έχουν μεγαλύτερη πυκνόητα πιθανότητας. Αντιθέτως, ενώ όλα τα σημεία που βρίσκονται στον κύκλο είναι ισοδύναμα, ένα σημείο που ανήκει στον μικρό άξονα της έλλειψης αποκλίνουν περισσότερο έναντι ενό σημείου που βρίσκεται στον μεγάλο άξονα.

79 Σ ε λ 69 Σχήμα 4.2: Ευκλείδια απόσταση (κύκλος) και απόσταση Mahalanobis (έλλειψη) (πηγή: Papagiannopoulos et al., 2016) Μια τυχαία μεταβλητή συνδέεται πάντα με μια κατανομή πιθανότητας. Η ελλειψη απεικονίζει μια πυκνότητα πιθανότητας και η πιθανότητα συνδέεται με κάθε μέτρηση ακολουθώντας μία κατανομή χ2 (chi-squared distribution) με τόσους βαθμούς ελευθερίας k, όσες και οι επιλεγμένες παράμετροι. Αν τα 𝛸1,, 𝛸𝑘 είναι ανεξάρτητες, κανονικές τυχαίες μεταβλητές, τότε το άθροισμα των τετραγώνων τους k Q X i2 (4.5) i 1 κατανέμεται σύμφωνα με την κατανομή χ2 (chi-squared). Αυτό συνήθως εκφράζεται ως: Q ~ 2 ( k ) ή Q ~ 2 (4.6) Οι κατανομές χ2 ποικίλλουν ανάλογα με τους βαθμούς ελευθερίας. Ανεξάρτητα από το πόσους βαθμούς ελευθερίας υπάρχουν το σχήμα μιας κατανομής χ2, καμπυλώνει προς τα δεξιά. Ωστόσο, καθώς αυξάνεται ο βαθμός ελευθερίας, το σχήμα της κατανομής προσεγγίζει περισσότερο μια κανονική κατανομή με συμμετρικό σχήμα καμπάνας. Στο παρακάτω γράφημα, κάθε καμπύλη αντιπροσωπεύει την ατανομή χ2 για διαφορετικό βαθμό ελευθερίας:

80 Σ ε λ 70 Σχήμα 4.3: Συνάρτηση πυκνότητας πιθανότητας (Probability density function, pdf) κατανομής χ 2 για βαθμούς ελευθερίας k=1,2,3,4,6,9 (πηγή: Σχήμα 4.4 : Aθροιστική συνάρτηση κατανομής χ 2 (cumulative distribution function, cdf) για βαθμούς ελευθρίας k=1,2,3,4,5,6,9 (πηγή:

81 Σ ε λ 71 Όπως αναφέρθηκε προηγουμένως, η μέθοδος της ταξινόμησης αναφέρεται σε ένα γνωστό αριθμό ομάδων (clusters), όπως προέκευψαν από το σύνολο δεδομένων εκπαίδευσης, και ο λειτουργικός της στόχος είναι να αναθέτει νέες παρατηρήσεις σε μία από τις υπάρχουσες ομάδες. Oι Papagianopoulos et al. (2016) χρησιμοποίησαν επτά τύπους αιωρούμενων σωματιδίων από ένα δείγμα εξήντα τεσσάρων περιπτώσεων: Dust (D), Polluted Dust (PD=Dust + Smoke), Mixed Dust (MD=Dust + Marine), Clean Continental (PC), Smoke (S) και Mixed Marine (MD). Για την παρούσα μελέτη, πραγματοποιήσαμε συγχώνευση κάποιων κατηγοριών αιωρούμενων σωματιδίων με το ίδιο όμως σύνολο δεδομένων εκπαίδευση. Η συγχώνευση ορισμένων τύπων έγινε εξαιτίας της ομοιότητας που παρουσιάζουν οι οπτικές τους ιδιότητες και είναι δύσκολο να γίνει διάκριση για το που ανήκουν. Έτσι για παράδειγμα, η κατηγορία «Smoke» και «Polluted Continental» αντιπροσωπεύουν τον γενικότερο τύπο μικρών απορροφητικών σωματιδίων τους. Συγκεκριμένα δημιουργήθηκαν οι εξής ομάδες: Dust (MD=D+MD+PD), PollSmoke (PS=PD+S), Clear Continental (CC) και Marine (M). Στη συνέχεια αναλύουμε τον τρόπο με τον οποίο επιλέγονται οι κατάλληλες οπτικές ιδιότητες (παράμετροι) που θα μας δώσουν την απαραίτητη πληροφορία για την ταξινόμηση Κριτήριο επιλογής οπτικών παραμέτρων Υπάρχουν αρκετά κριτήρια τα οποία ενδέχεται να δώσουν διαφορετικές επιλογές ως προς τον αριθμό των παραμέτρων που πρόκειται να πλαισιώνουν τη διακριτική ισχύ ταξινόμησης, για το λόγο αυτό απαιτείται κάποια επιφύλαξη ως προς την πιστότητά τους. Όπως περιγράφεται από τους Burton et al. (2012), Hill and Lewicki (2007) η επιλογή του κριτηρίου Λ (Wilk s lambda) δίνει την ένδειξη για το πόσο καλά τα δεδομένα προσφέρονται για διαχωρισμό σε συστάδες (clusters). Στην μελέτη των Papagiannopoulos et al. (2016) στην οποία στηριζόμαστε, χρησιμοποιήθηκαν δύο στατιστικές παράμετροι οι οποίοι επισημαίνουν την ικανότητα των επιλεγμένων οπτικών παραμέτρων για καλύτερη διάκριση μεταξύ των συστάδων: α) ο ολικός και β) ο μερικός δείκτης Λ (Wilk s lamda). Αρχικά, ο ολικός στατιστικός δείκτης Λ (total Wilk s lambda) δείχνει την τάση των διαφορετικών συστάδων, να διαχωριστούν. Στη συνέχεια, ο μερικός στατιστικός δείκτης Λ (partial Wilk s lambda) υπολογίζεται ξεχωριστά για κάθε μία από τις εντατικές ιδιότητες και υποδεικνύει τη διακριτική ισχύ των εντατικών παραμέτρων που χρησιμοποιούνται. Και στις δύο

82 Σ ε λ 72 περιπτώσεις οι τιμές των δεικτών για τις παραμέτρους κυμαίνονται από 0 μέχρι 1, όπου κοντά στο μηδέν σημαίνει ότι έχουμε υψηλή διακριτική ικανότητα ενώ όσο πιο κοντά στην μονάδα ισχύει το αντίστροφο. Σύμφωνα με το παραπάνω κριτήριο, πραγματοποιήθηκε ανάλυση από Papagiannopoulos et. al (2016) στο δείγμα πραγματικών μετρήσεων που λειτουργεί ως «training dataset», από το αποτέλεσμα της οποίας πήραμε την πληροφορία για τις τρεις παραμέτρους με την καλύτερη δυνατή επίδοση, οι οποίοι είναι: α) ο λόγος lidar (Lidar Ratio - Saer) στα 532nm, η αναλογία των λόγων lidar (Ratio of lidar ratios - RSaer) στα 355 και 532nm και ο εκθέτης Angstrom που σχετίζεται με την οπισθοσκέδαση, ΒΑΕ ή χρωματικός δείκτης όπως αλλιώς ονομάζεται, στα 355 και 1064 nm. Για το συγκεκριμένο σύνολο δεδομένων ο δείκτης BAE υποδηλώνει ότι η παράμετρος αυτή έχει το περισσότερο βάρος σχετικά με την ταξινόμιση. Στον πίνακα 4.9, παρουσιάζονται οι μέσες τιμές των παραμέτρων που επιλέχθηκαν για κάθε μία περίπτωση κατηγορίας αιωρούμενων σωματιδίων, όπως ομαδοποιήθηκαν απο τα δεδομένα εκπαίδευσης. Πίνακας 4.9: Μέσες τιμές εντατικών παραμέτρων των κατηγοριών και τυπική απόκλιση των δειγμάτων που χρησιμοποιήθηκαν για τον υπολογισμό των κατανομών των μοντέλων. Aerosol Type BAE S aer RSaer Dust (D) 0.5±0.3 53±9 1.1±0.24 PollSmoke (PS) 1.3±0.2 67±15 0.9±0.22 Clear Continental (CC) 1.1±0.3 41±6 0.8±0.2 Mixe Maritime (MM) 0.9±0.2 24±8 0.9±0.1 Στο σχήμα 4.5 παρουσιάζονται τα χαρακτηριστικά του συνόλου των δεδομένων εκπαίδευσης συγκρτικά με τις τρεις εντατικές παραμέτρους που επιλέχθηκαν για την ταξινόμηση. Ο χρωματισμός αντιστοιχεί στις τέσσερις προεπιλεγμένες ομάδες (clusters). Οι ελλείψεις 2-σ υπολογίζονται χρησιμοποιώντας τις ιδιοτιμές και τα ιδιοδιανύσματα του πίνακα συνδιακύμανσης. Για το ζεύγος παραμέτρων S aer και ΒΑΕ, τα διάφορα στρώματα αερολυμάτων τείνουν να διαχωρίζονται σε συγκεκριμένες περιοχές του γραφήματος ενώ για τα υπόλοιπα ζεύγη παραμέτρων δεν παρατηρείται εμφανής ομαδοποίηση.

83 Σ ε λ 73 Σχήμα 4.5 : Απεικόνιση των προκαθορισμένων clusters του δείγματος για τα διαφορετικά ζεύγη εντατικών παραμέτρων Τα μοντέλα κατηγοριών των αιωρούμενων σωματιδίων που βασίζονται σε δείγματα παρατήρησεων υποδεικνύονται από 2-σ ελλείψεις, όπως υπολογίστηκαν από τα ιδιοδιανύσματα και τις ιδιοτιμές των πινάκων συνδιακύμανσης. Αφού υπολογίστηκαν όλα τα μοντέλα κατανομής, η απόσταση Mahalanobis χρησιμοποιείται για να ταξινομήσει τις παρατηρήσεις αιωρούμενων σωματιδίων από τις μετρήσεις που έγιναν με την διάταξη lidar του ΕΦΑ. Τα σημεία που έχουν απόσταση μεγαλύτερη από μία οριακή τιμή συγκριτικά με όλες τις κατηγορίες, θεωρούνται ως υπερβάσεις και εξαιρούνται από την ταξινόμηση. Η οριακή τιμή αυτή (MD = 4.0) αντιστοιχεί στο ποσοστό 99.9% της αθροιστικής πιθανότητας των κατανομών των ομάδων, το οποίο προέρχεται από την υπόθεση ότι οι αποστάσεις Mahalanobis ανήκουν σε μία χ 2 κατανομή. Για τα σημεία όπου η απόσταση Mahalanobis σε μία ή περισσότερες κλάσσεις βρίσκεται εντός οριακής τιμής, η αναγνώριση της κλάσης στην οποία ανήκει προκύπτει από την μικρότερη τιμή απόστασης. Εκτός ότι μας παρέχει την πιθανότερη ταυτοποίηση σε μία κλάση για κάθε μέτρηση, ο υπολογισμός της απόστασης Mahalanobis δίνει μία εκτίμηση της πιθανότητας για κάθε κλάση. Οι τέσσερις πιθανότητες κανονικοποιούνται για να δώσουν μία εκτίμηση της σχετικής πιθανότητας για κάθε κλάση.

84 Σ ε λ Επεξεργασία δεδομένων 5.1 Δεδομένα μετρήσεων Lidar Οι μετρήσεις που χρησιμοποιούμε στην παρούσα εργασία πραγματοποιήθηκαν στο ΕΦΑ στη Θεσσαλονίκη για τη χρονική περίοδο Πρόκεται για νυχτερινές μετρήσεις Raman οι οποίες πραγματοποιήθηκαν σε εβδομαδιαίο πρόγραμμα δύο φορές (Δευτέρα και Πέμπτη) για περίπου λεπτά η καθεμία. Οι μετρήσεις πραγματοποιούνται σε ένα χρονικό εύρος ±2 ώρες γύρω από το ηλιοβασίλεμα για να μειώουν την επίδραση του υποβάθρου στα αποτελέσματα. Οι καιρικές συνθήκες που επικρατούν στη διάρκεια του έτους, περιορίζουν σε μεγάλο τη διαθεσιμότητα των παρατηρήσεων, ιδιαίτερα τους χειμερινούς μήνες για τη Θεσσαλονίκη. Σε περιπτώσεις όπου η εφαρμογή της μεθόδου Raman δεν ήταν εφικτή κατά τη διάρκεια των νυχτερινών μετρήσεων, εφαρμόστηκε η μέθοδος Klett-Fernald στα οπτικά προιόντα που παράγονται από τον αλγόριθμο του ΕΦΑ. Στο σχήμα 5.1 παρουσιάζεται η κατανομή του συνόλου των Raman μετρήσεων ανά έτος, για την περίοδο Σχήμα 5.1 : Αριθμός νυχτερινών μετρήσεων (ημέρες) με τη διάταξη lidar του ΕΦΑ ανά έτος, για την περίοδο

85 Σ ε λ 75 Το σύνολο των δεδομένων αναφέρεται σε 54 ημέρες παρατήρησης με την αντίστοιχη κατανομή κατά έτος όπως φαίνεται στο σχήμα. Είναι εμφανές ότι για το έτος 2013 έχουμε τις περισσότερες μετρήσεις ενώ γιατο 2012 τις λιγότερες, Οι μετρήσεις αυτές απότελούν και την βάση δεδομένων μας, που θα χρησιμοποιιήσουμε για την εφαρμογή των μεθόδων αυτόματης ταξινόμησης που αναλύσαμε στο προηγούμενο κεφάλαιο. 5.2 Εφαρμογή λογισμικού NATALI σε δεδομένα lidar του ΕΦΑ Οι διαθέσιμες μετρήσεις πρέπει να είναι σε κατάλληλη μορφή ώστε να μπορεί να εφαρμοστεί ο αλγόριθμος του NATALI. Πρόκεται για μετρήσεις οι οποίες έχουν υποστεί την κατάλληλη επεξεργασία ώστε να υπολογιστούν τα εκάστοτε διαθέσιμα οπτικά μεγέθη. Τα πρωτογενή δεδομένα των μετρήσεων lidar μετατράπηκαν σε μορφή NetCDF αρχείων ώστε να γίνει η ανάγνωσή τους από το λογισμικό. Για κάθε μέτρηση δημιουργήσαμε τρία αρχεία NetCDF, λειτουργούν ως δεδομένα εισόδου. Οι παράμετροι εισόδου για το NATALI είναι τυπικά δεδομένα από τη βάση EARLINET: 1) Συντελεστής οπισθοσκέδασης στα 1064, 532 και 355nm 2) Προφίλ συντελεστή εξασθένισης στα 532 και 355nm 3) Προφίλ γραμμικής αποπόλωσης σωματιδίων στα 532 nm (προαιρετικά) Οι παράμετροι αυτοί είναι πολύ σημαντικές καθώς τα αποτελέσματα που λαμβάνονται μπορούν να διαφέρουν ανάλογα με τις παραμέτρους που δίνει ο χρήστης ως είσοδο. Οι διαφορές στα αποτελέσματα οφείλονται σε διαφορές στην εκτίμηση των παραμέτρων αυτών. Αρχικά η μονάδα εισόδου του ΝΑΤΑLI διαβάζει τα αρχεία lidar σε μορφή NetCDF, ελέγχει τη διαθεσιμότητα όλων των απαιτούμενων παραμέτρων (b1064, b532, b355, a532, a355, και προαιρετικά δ532), προσδιορίζει τα γεωμετρικά χαρακτηριστικά του κάθε στρώματος, υπολογίζονται οι εντατικές οπτικές παράμετροι (εκθέτης Angstrom, χρωματικοί δείκτες και λόγοι lidar) σε κάθε στρώμα, η μέση τιμή τους και η σχετική αβεβαιότητα. Η έξοδος συνίσταται στον πιο πιθανό τύπο αερολύματος εντός των στρωμάτων. Η ικανότητα των ΤΝΔ να ανακτήσουν τον τύπο αερολύματος εξαρτάται έντονα από το φυσικό περιεχόμενο των οπτικών εισόδων καθώς και από την αβεβαιότητά τους. Πριν από την έναρξη της επεξεργασίας, ο χρήστης μπορεί επίσης να ρυθμίσει διάφορες παραμέτρους που μπορούν να αλλάξουν τον τρόπο λειτουργίας του λογισμικού. Αυτά παρουσιάζονται στην καρτέλα των Ρυθμίσεων της γραμμής

86 Σ ε λ 76 εργαλείων. Οι αντίστοιχες αλλαγές των παραμέτρων αυτών επιφέρουν και διαφορετικές επιπτώσεις στο λογισμικό και τα αποτελέσματα. Στην περίπτωσή μας, εφαρμόζουμε το λογισμικό NATALI για την περίπτωση τριών διαφορετικών σεναρίωνν, όπως θα τα ονομάσουμε Scenario_1, Scenario_2, Scenario_3, με αντίστοιχες αλλαγές των αρχικών τιμών εισόδου του NATALI. Συγκεκριμένα στον παρακάτω πίνακα παρουσιάζουμε τα τρία σενάρια με τις αντίστοιχες τιμές των ρυθμίσεων στις αρχικές παραμέτρους κάθε φορά. Πίνακας 5.1: Σενάρια διαφορετικών ρυθμίσεων στις παραμέτρους του NATALI Settings Scenario_1 Scenario_2 Scenario_3 Filter Window ` 700 Minimum layer depth (m) Finesse Minimum accepted confidence (%) Minimum accepted confidence (%) (*) Με κόκκινο χρώμα επισημαίνονται οι παράμετροι που αλλάζουν για κάθε σενάριο Σκοπός μας είναι να δούμε, καθώς αλλάζουμε τις παραμέτρους εισόδου του NATALI πως διαμορφώνονται τα αποτελέσματα, δηλαδή τα στρώματα των αιωρούμενων σωματιδίων. Απότ ην εφαρμογή του NATALI και αφού επεξεργάστηκαν όλα τα δεδομένα των μετρήσεων παρουσιάζονται στη συνέχεια γραφικές παραστάσεις χρονοσειρών των στρωμάτων αιωρούμενων σωματιδίων που ανιχνεύθηκαν στο σύνολο των επεξεργασμένων δεδομένων.

87 Σ ε λ 77 Εικόνα 5.1: Ταξινόμηση στρωμάτων των αιωρούμενων σωματιδίων σε κατηγορίες από την εφαρμογή του λογισμικού ΝATALI σε μετρήσεις Lidar του ΕΦΑ για το χρονικό διάστημα έως

88 Σ ε λ 78 Εικόνα 5.2: Ταξινόμηση στρωμάτων των αιωρούμενων σωματιδίων σε κατηγορίες από την εφαρμογή του λογισμικού ΝATALI σε μετρήσεις Lidar του ΕΦΑ για το χρονικό διάστημα έως

89 Σ ε λ 79 Εικόνα 5.3: Ταξινόμηση στρωμάτων των αιωρούμενων σωματιδίων σε κατηγορίες από την εφαρμογή του λογισμικού ΝATALI σε μετρήσεις Lidar του ΕΦΑ για το χρονικό διάστημα έως

90 Σ ε λ 80 Εικόνα 5.4: Ταξινόμηση στρωμάτων των αιωρούμενων σωματιδίων σε κατηγορίες από την εφαρμογή του λογισμικού ΝATALI σε μετρήσεις Lidar του ΕΦΑ για το χρονικό διάστημα έως

91 Σ ε λ 81 Εικόνα 4.5: Ταξινόμηση στρωμάτων των αιωρούμενων σωματιδίων σε κατηγορίες από την εφαρμογή του λογισμικού ΝATALI σε μετρήσεις Lidar του ΕΦΑ για το χρονικό διάστημα έως

92 Σ ε λ 82 Εικόνα 5.6: Ταξινόμηση στρωμάτων των αιωρούμενων σωματιδίων σε κατηγορίες από την εφαρμογή του λογισμικού ΝATALI σε μετρήσεις Lidar του ΕΦΑ για το χρονικό διάστημα έως

93 Σ ε λ 83 Εικόνα 5.7: Ταξινόμηση στρωμάτων των αιωρούμενων σωματιδίων σε κατηγορίες από την εφαρμογή του λογισμικού ΝATALI σε μετρήσεις Lidar του ΕΦΑ για το χρονικό διάστημα έως

94 Σ ε λ 84 Στο σχήμα 5.1, παρουσιάζεται η κατανομή του συνόλου των στρωμάτων όπως ανιχνευθηκαν από το ΝATALI και απεικονίστηκαν στις εικόνες προηγουεμένως. Οι κατηγορίες αιωρούμενων σωμτιδίων που έχουν αναγνωρισθεί και επισημαίνονται με διαφορετικό χρώμα, αναφέρονται σε: Dust, Smoke, Polluted Continental, Clear Continental, Marine. Επίσης αρκετά στρώματα χαρακτηρίστηκαν ως «Unknown» ή με την ένδειξη «N/A». Οι αριθμοί πάνω από κάθεστήλη αντιπροσωπεύουν το πλήθος των στρωμάτων κάθε κατηγορίας. Σχήμα 5.1: Κατανομή συνολικού αριθμού στρωμάτων ως προς τον τύπο αιωρούμενων σωματιδίων, για τα τρία σενάρια, μετά την εφαρμογή του λογισμικού NATALI στα δεδομένα Lidar για την περίοδο Από τα αποτελέσματα που παίρνουμε από τo NΑΤΑLI, μας παρέχεται επίσης ένα αρχείο.csv το οποίο περιέχει όλη την απαραίτητη γεωμετρική πληροφορία των στρωμάτων των αερολυμάτων (ύψος βάσης, ύψος κορυφής, κεντρικό ύψος στρώματος) καθώς επίσης και οι μέσες τιμές όλων των οπικών μεγεθών του κάθε στρώματος που αποτελούν την οπτική πληροφορία. Το αρχείο εξόδου που παίρνουμε περιλαμβάνει τις αναφορές προόδου και τα τυχόν σφάλματα που παρουσιάζει το λογισμικό καθώς και τα αποτελέσματα των υπολογισμών. Στη συνέχεια παρουσιάζονται στους πίνακες 5.2, 5.3 και 5.4, τα παρατηρούμενα στρώματα που απορρίφθηκαν εξαιτίας εμφάνισης μηνύματος σφάλματος από το λογισμικό.

95 Σ ε λ 85 Πίνακας 5.2: Περιπτώσεις στρωμάτων σωματιδίων που εμφάνισαν κάποιο σφάλμα στις εντατικές παραμέτρους κατά την διαδικασία εφαρμογής του μοντέλου NATALI στις μετρήσεις lidar (Scenario_1). A/A Date Bottom[m] Top[m] Error Typing uncertain: relative error of intensive parameter(s) ['CI355_532'] higher than 20%. Typing not possible: intensive parameter(s) ['CI355_532'] cannot be calculated No typing possible: No L-type ANN passed the minimum agreement criteria No typing possible: No L-type ANN passed the minimum agreement criteria. No typing possible: No L-type ANN passed the minimum agreement criteria. Typing not possible: values of the intensive parameter(s) ['CR532_1064'] out of acceptable range. Typing uncertain: relative error of intensive parameter(s) ['CI355_532'] higher than 20%. Typing not possible: intensive parameter(s) ['LR532'] cannot be calculated Typing not possible: intensive parameter(s) ['LR532'] cannot be calculated Typing uncertain: relative error of intensive parameter(s) ['CI355_532'] higher than 20%. Typing uncertain: relative error of intensive parameter(s) ['AE355_532'] higher than 20%. Typing uncertain: relative error of intensive parameter(s) ['AE355_532'] higher than 20%. Typing uncertain: relative error of intensive parameter(s) ['CI355_532'] higher than 20%.

96 Σ ε λ 86 Πίνακας 5.3: Περιπτώσεις στρωμάτων σωματιδίων που εμφάνισαν κάποιο σφάλμα στις εντατικές παραμέτρους κατά την διαδικασία εφαρμογής του μοντέλου NATALI στις μετρήσεις lidar (Scenario _2). A/A Date Bottom[m] Top[m] Error No typing possible: No L-type ANN passed the minimum agreement criteria. No typing possible: No L-type ANN passed the minimum agreement criteria. Typing not possible: values of the intensive parameter(s) ['CR532_1064'] out of acceptable range. Typing uncertain: relative error of intensive parameter(s) ['CI355_532'] higher than 20%. No typing possible: No L-type ANN passed the minimum agreement criteria. Typing uncertain: relative error of intensive parameter(s) ['AE355_532'] higher than 20%. No typing possible: No L-type ANN passed the minimum agreement criteria. Πίνακας 5.4: Περιπτώσεις στρωμάτων αιωρούμενων σωματιδίων που εμφάνισαν κάποιο σφάλμα στις εντατικές παραμέτρους κατά την διαδικασία εφαρμογής του μοντέλου NATALI στις μετρήσεις lidar (Σενάριο_3). A/A Date Bottom[m] Top[m] Error No typing possible: No L-type ANN passed the minimum agreement criteria. No typing possible: No L-type ANN passed the minimum agreement criteria. No typing possible: No L-type ANN passed the minimum agreement criteria. No typing possible: No L-type ANN passed the minimum agreement criteria. No typing possible: No L-type ANN passed the minimum agreement criteria. No typing possible: No L-type ANN passed the minimum agreement criteria. No typing possible: No L-type ANN passed the minimum agreement criteria.

97 Σ ε λ Typing uncertain: relative error of intensive parameter(s) ['CI355_532'] higher than 20%. No typing possible: No L-type ANN passed the minimum agreement criteria. No typing possible: No L-type ANN passed the minimum agreement criteria. No typing possible: No L-type ANN passed the minimum agreement criteria. No typing possible: No L-type ANN passed the minimum agreement criteria. No typing possible: No L-type ANN passed the minimum agreement criteria. No typing possible: No L-type ANN passed the minimum agreement criteria. Typing not possible: values of the intensive parameter(s) ['CR532_1064'] out of acceptable range. No typing possible: No L-type ANN passed the minimum agreement criteria. Typing uncertain: relative error of intensive parameter(s) ['CI355_532'] higher than 20%. No typing possible: No L-type ANN passed the minimum agreement criteria. Typing not possible: intensive parameter(s) ['LR532'] No typing possible: No L-type ANN passed the minimum agreement criteria. Typing uncertain: relative error of intensive parameter(s) ['AE355_532'] higher than 20%. Typing uncertain: relative error of intensive parameter(s) ['AE355_532'] higher than 20%. No typing possible: No L-type ANN passed the minimum agreement criteria. No typing possible: No L-type ANN passed the minimum agreement criteria. No typing possible: No L-type ANN passed the minimum agreement criteria.

98 Σ ε λ 88 Επίσης, εκτός των μετρήσεων που απορίφθηκαν λόγω ότι παρουσίασαν κάποια ένδειξη σφάλματος κατά την στάδιο επεξεργασίας, θεσπίσαμε κάποια κριτήρια ακόμη σχετικά με την επιλογή των κατάλληλων στρωμάτων. Συγκεκριμένα στρώματα τα οποία το πάχος τους δεν ξεπερνούσε τα 300m δεν τα λάβαμε υπόχη και εξαιρέθηκαν για περεταίρω ανάλυση, διότι δεν θεωρούνται ρεαλιστικά και αντιπροσωπευτικά. Επίσης εξαιρούνται στρώματα που βρίσκονται εξ ολοκλήρου ή το μεγαλύτερο τμήμα τους κάτω από 1km διότι δεν είναι ιδιαίτερα αξιόπιστα εξαιτίας μεγάλου σφάλματος που υπεισέρχεται από λόγω συνάρτησης επικάλυψης. Ακόμη, βάλαμε ένα όριο να μη δεχθούμε στρώματα με ύψος κορυφής άνω των 5.5 km καθώς το σήμα σε μεγάλα ύψη εμφανίζεται να είναι ιδιαίτερα ασθενές. Επιπρόσθετα, αφαιρέθηκαν στρώματα που χαρακτηρίστηκαν με την ένδειξη Unknown και Ν/Α. Η εικόνα της κατανομής των αποτελεσμάτων που παίρνουμε μετά τις σχετικές παρουσιάζεται στο σχήμα 5.2. Σχήμα 5.2: Κατανομή στρωμάτων ανά τύπο αερολύματος, από την εφαρμογή του NATALI για τα τρία σενάρια που εφαρμόσαμε, μετά την αφαίρεση στρωμάτων που δεν ικανοποιούσαν τα απαραίτητα κριτήρια. Από το σχήμα 5.2, παρατηρούμε ότι ο μεγαλύτερος αριθμός στρωμάτων σημειώνεται για το Scenario_1, 124 στρώματα, αμέσως μετά για το Scenario_2, 81 στρώματα ενώ

99 Σ ε λ 89 για το Scenario_3 τα λιγότερα, 71 στρώματα. Είνα εμφανές ότι πολύ λίγα στρώματα έχουν χαρακτηρισθεί ως σωματίδια θαλάσσιας προέλευσης και στα τρία σενάρια. Γενικά για την κατηγορία αυτή όπως αναφέραμε και στην θεωρία υπάρχει μία δυσκολία ως προς την αναγνώριση και ταξινόμηση. Για το Scenario_3 αφαιρέθηκαν οι περισσότερες από τις αρχικές παρατηρήσεις στρωμάτων, συγκριτικά με τα άλλα δύο, καθώς το μεγαλύτερο μέρος αποτελούνταν από στρώματα τα οποία χαρακτηρίστηκαν ως Unknown. Έτσι η τελική εικόνα διαμορφώνεται από τις κατανομές του σχήματος 5.2. Το σύνολο αυτό των στρωμάτων θα αποτελέσει την βάση δεδομένων μας για την εφαρμογή της ταξινόμησης σύμφωνα με την απόσταση Mahalanobis στη συνέχεια. 5.3 Εφαρμογή μεθόδου ταξινόμησης Mahalanobis Το πρώτο βήμα για τη δημιουργία του αυτόματου αλγόριθμου ταξινόμησης αιωρούμενων σωματιδίων είναι να χρησιμοποιήσουμε προκαθορισμένες μετρήσεις αιωρούμενων σωματιδίων για να φτιάξουμε κατανομές μοντέλων σύμφωνα με τις οποίες θα είναι δυνατή η αυτόματη ταξινόμηση. Ο αλγόριθμος που διενεργεί την ταξινόμηση είναι γνωστός ως ταξινομητής (classifier), στην περίπτωσή μας η απόσταση Mahalanobis. Όπως έχουμε ήδη αναφέρει, πρόκεται για μία τεχνική επιβλεπόμενης μάθησης, δηλαδή ο ταξινομητής μαθαίνει μέσω των σωστά ταξινομημένων παρατηρήσεων εκπαίδευσης να προβλέπει αποτελεσματικά την κατηγορία, στην οποία ανήκουν νέες, άγνωστες παρατηρήσεις. Χρησιμοποίθηκαν τα αποτελέσματα ήδη ταξινομημένων παρατηρήσεων από το δίκτυο EARLINET που έχουν δημοσιευτεί στη βιβλιογραφία (Pappalardo et al. 2010; Wandinger et al., 2011; Pappagianopoulos et al., 2016) για ένα σύνολο εξήντα τεσσάρων δειγμάων που αποτελούν το (training dataset). Οι ομάδες (clusters) επιλέχθηκαν έτσι ώστε να έχουν φυσική σημασία οι τύποι αριωορύμενων σωματιδίων και να αντικατοπτρίζουν τις πηγές από τις οποίες προέρχονται. Για το σκοπό αυτό οι Pappagianopoulos et al. (2016) στην μελέτη τους, χρησιμοποίησαν επτά τύπους αερολυμάτων και εξήντα τέσσερα δείγματα: Dust (D), Polluted Dust (PD = Dust + Smoke), Mixed Dust (MD = Dust + Marine), Polluted Continental (PC), Smoke (S) και Mixed Marine (MM). Από την ανάλυση που πραγματοποίηθηκε, για την επιλογή των παραμέτρων που παρέχουν τις καταλληλότερες πληροφορίες, επιλέχθηκαν: α) ο λόγος lidar (Lidar Ratio - Saer) στα

100 Σ ε λ nm, η αναλογία των λόγων lidar (Ratio of lidar ratios - RSaer) στα 355 και 532nm και ο εκθέτης Angstrom που σχετίζεται με την οπισθοσκέδαση, ΒΑΕ ή χρωματικός δείκτης όπως αλλιώς ονομάζεται, στα 355 και 1064 nm. Λόγω του περιορισμένου αριθμού διαθέσιμων εντατικών παραμέτρων και της αλληλεπικάλυψης μεταξύ των ήδη υφιστάμενων τύπων αερολυμάτων, πραγματοποιήσαμε συγχώνευση των κατηγοριών που τείνουν να αντανακλούν τα ίδια χαρακτηριστικά. Η επιλογή αυτή επιφέρει ανάλογη επίδραση στην ικανότητα πρόβλεψης του αλγορίθμου. Κατά συνέπεια, η κατηγορία Smoke (S) και Polluted Continental (PC), αντιπροσωπεύουν τώρα μία πιο γενική κατηγορία που αντιπροσωπεύει τα μικρά απορροφητικά σωματίδια. Με έξι τάξεις, το ολικό λάμδα του Wilk (total Wilk s lambda) τείνει να αυξάνεται. Στη συνέχεια, πραγματοποίησαμε ομαδοποίηση της κατηγορίας Pure Dust (D) μαζί με τα δύο μείγματα σκόνης, Mixed Dust (MD) και Polluted Dust (PD) και έτσι οι ομάδες (clusters) έγιναν τέσσερις με τον δείκτη του Wilk να παίρνει ακόμη μεγαλύτερη τιμή γεγονός που σημαίνει ότι μειώνεται η ικανότητα για καλύτερο διαχωρισμό. Αφού υπολογιστούν όλα τα μοντέλα κατανομών των κλάσσεων, η απόσταση Mahalanobis χρησιμοποιείται για να ταξινομήσει το νέο σημείο (παρατήρηση) στην αντίστοιχη ομάδα (cluster) που θα σημείωσει την ελάχιστη απόσταση από αυτό. Τα σημεία που παρουσιάζουν απόσταση μεγαλύτερη από μία οριακή τιμή (DM = 4.0) θεωρούνται υπερβάσεις (Ν/Α) και δεν θα λαμβάνονται υπόψιν. Η οριακή αυτή τιμή προκύπτει υποθέτοντας ότι η απόσταση Mahalanobis ανήκει σε μία κατανομή χ 2 και η τιμή αντιπροσωπεύει το 99% της αθροιστικής πυκότητας πιθανότητας της κατανομής των ομάδων και ποικίλλει ανάλογα με τον αριθμό των βαθμών ελευθερίας. Εκτός ότι μας παρέχει την πιθανότερη ταυτοποίηση της εκάστοτε ομάδας για κάθε μέτρηση, η απόσταση Mahalanobis δίνει παράλληλα την εκτίμηση της πιθανότητας για κάθε ομάδα. Οι τέσσερις πιθανότητες (όσος και αριθμός των clusters) κανονικοποιούνται ώστε να δώωσουν μία εκίτιμηση της σχετικής πιθανότητας για κάθε ομάδα. Το σύνολο δεδομένων δοκιμής (test dataset) περιλαμβάνουν αντίστοιχα 124 δείγματα για το Scenario_1, 81 δείγματα για το Scenario_2 και 71 δείγματα για το Scenario_3, ως αποτελέσματα από την εφαρμογή του NATALI. Για το σύνολο αυτών, εφαρμόζουμε την τεχνική ταξινόμησης που βασίζεται στην απόσταση Mahalanobis.

101 Σ ε λ 91 Τα αποτελέσματα της ταξινόμησης στις αντίστοιχες σωματιδίων παρουσιάζονται στο σχήμα 5.3. κατηγορίες αιωρούμενων Σχήμα 5.3: Κατανομές αποτελεσμάτων ταξινόμησης Mahalanobis ως προς τις αντίστοιχες ομάδες αναφοράς (clusters) για την περίπτωση των τριών σεναρίων. Αρχικά παρατηρούμε ότι και για τα τρία σενάρια σημειώνονται περιπτώσεις όπου δεν ήταν δυνατή η ταξινόμηση σε κάποια από τις κατηγορίες (κίτρινο χρώμα N/A), εξαιτίας μεγαλύτερης τιμής DΜ από την οριακή. Στη συνέχεια οι περιπτώσεις αυτές δεν σσυμμετέχουν στη σύγκριση μεταξύ των δύο μεθόδων. Επίσης, στο σύνολο των σεναρίων, παρατηρούμε ότι δεν έχουν ανιχνευθεί στρώματα που να αντιστοιχούν σε σωματίδια θαλάσσιας προέλευσης (Marine). Ο τύπος αυτός αερολύματος όπως και στην περίπτωση του NATALI εμφανίζει ιδιαίτερη δυσκολία ως προς την ανίχνευση και την ταξινόμιση. Επίσης παρατηρούμε ότι περισσότερα στρώματα αναγνωρίζονται να ανήκουν στην κατηγορία PSmoke (Polluted Continental + Smoke) έναντι των άλλων.

102 Σ ε λ Σύγκριση μεθόδων ταξινόμησης Το επόμενο βήμα, είναι να πραγματοποιήσουμε τη σύγκριση μεταξύ των δύο μεθόδων και να δούμε το επίπεδο συμφωνίας που παρουσιάζουν ως προς την ταξινόμηση σε κοινές κατηγορίες αιωρούμενων σωματιδίων. Επισημαίνουμε, ότι παρατηρήσεις που χαρακτηρίστηκαν ότι ανήκουν στις κατηγορίες Smoke και Polluted Continental από την εφαρμογή του NATALI, αντιμετωπίζονται ως μία κατηγορία για να είναι εφικτή η σύγκριση με την μέθοδο Mahalanobis και την αντίστοιχη κατηγορία PSmoke (Polluted Continental +Smoke). Σχήμα 5.4: Κατανομές συμφωνίας (%) μεταξύ των μεθόδων ταξινόμησης NATALI και Μahalanobis, για τα τρία επιλεγμένα σενάρια. Στο σχήμα 5.4, η συμφωνία μεταξύ των αποτελεσμάτων από εφαρμογή του NATALI και της μεθόδου που χρησιμοποεί την απόσταση Mahalanobis, είναι ~66% (Scenario_1), ~65% (Scenario_2) και ~70% (Scenario_3). Το ποσοστό των δειγμάτων που αποκλίνουν, πρόκειται για μετρήσεις που έχουν επισημανθεί σε άλλες κατηγορίες αερολυμάτων, ή δεν εκχωρούνται καθόλου λόγω χαμηλής εμπιστοσύνης (DM < 4.0 για τρεις βαθμούς ελευθερίας). Οι τύποι αιωρούμενων σωματιδίων που συμφωνούν λιγότερο είναι αυτά με θαλάσσια προέλευση (Marine). Παρατηρούμε ότι το

103 Σ ε λ 93 μεγαλύτερο ποσοστό στις κατανομές και στις τρεις περιπτώσεις καταλαμβάνει η κατηγορία που συνδυάζει σωματίδια καπνού (Smoke) και ηπειρωτικά μολυσμένα (Polluted Continental) όπως ομαδοποιήθηκαν στην ίδια καηγορία PSsmoke. Στην περίπτωση όπου είχαμε την δυνατότητα χρήσης της παραμέτρου γραμμικής αποπόλωσης στις μετρήσεις, θα ήταν πιθανώς διαφορετικά τα ποσοστά ως προς την αναγνώριση αερολυμάτων σκόνης. Αποτελεί γενικά ένα ισχυρό μέσο για την διάκριση διαφόρων τύπων αερολυμάτων και έχει χρησιμοποιηθεί σε πολλές μελέτες που επικεντρώθηκαν σε πληροφορίες σχετικά με σωματίδια σκόνης (Liu et al., 2008; Tesche et al., 2013; Burton et al., 2014). Στον πίνακα παρακάτω παρουσιάζονται τα επιμέρους ποσοστά συμφωνίας επί των συνολικών για κάθε κατηγορία αερολύματος κατόπιν της σύγκρισης των αποτελεσμάτων μεταξύ των δύο μεθόδων ταξινόμησης. Πίνακας 5.5: Ποσοστά συμφωνίας μεταξύ των δύο μεθόδων ταξινόμησης ανά κατηγορία σωματιδίων, για κάθε σενάριο. Agreement per cluster (%) Clusters Sceanrio_1 (66.1%) Scenario_2 (65.4%) Scenario_3 (70.4%) Dust Polluted/Smoke Clear Continental Marine

104 Σ ε λ Ειδικά επεισόδια σωματιδιακής ρύπανσης 6.1 Εισαγωγή Στην περιοχή της Ανατολικής Μεσογείου, η Θεσσαλονίκη βρίσκεται σε μία γεωγραφική θέση όπου εκτός από τις τοπικές πηγές αιωρούμενων σωματιδίων παρατηρείται μεταφορά αιωρημάτων από απομακρυσμένες πηγές. Ανάλογα με τις επικρατούσες μετεωρολογικές συνθήκες που επικρατούν έχουν ως αποτέλεσμα τον υψηλό φορτίο σωματιδίων και ισχυρές διακυμάνσεις των σωματιδίων από μέρα σε μέρα στην περιοχή. Συγκεκριμένα κατηγορίες όπως είναι τα θαλάσσια αιωρήματα, τα ερημικά σωματίδια σκόνης από τη Σαχάρα και αερολύματα που έχουν ανθρωπογενή προέλευση από εξαιρετικά πολυπληθή αστικά κέντρα και βιομηχανικές περιοχές της Κεντρικής και Ανατολικής Ευρώπης όπως είναι τα σωματίδια καπνού που προέρχονται από την καύση βιομάζας σε γειτονικές περιοχές (Amiridis et al., 2008; Balis et al., 2003, 2004; Papayannis et al., 2005). Στο κεφάλαιο αυτό, παρουσιάζονται δύο χαρακτηριστικές περιπτώσεις μεταφοράς αιωρούμενων σωματιδίων από περιοχές εκτός της Ελλάδας. Συγκεκριμένα επιχειρούμε την ταυτοποίηση δύο περιπτώσεων όπως προέκυψαν από τις μεθόδους ταξινόμησης, που υποδεικνύουν την παρουσία σωματιδίων ερημικής σκόνης και σωματιδίων καπνού. Για την ταυτοποίηση των αποτελεσμάτων ως προς τον χαρακτηρισμό του τύπου αερολύματος των στρωμάτων που ανιχνεύθηκαν, χρησιμοποιούμε συνεργιστικά υπολογιστικά μοντέλα (DREAM, HYSPLIT) και δορυφορικά δεδομένα (MODIS) για την αναγνώριση της πηγής προέλευσης των αερολυμάτων. 6.2 Μοντέλο πρόβλεψης σκόνης BSC-DREAM8b Η μεγάλης κλίμακας μεταφορά σκόνης και η επίδρασή της στα επίπεδα των αιωρούμενων σωματιδίων μελετάται με τη βοήθεια αριθμητικών μοντέλων προσομοίωσης της ατμοσφαιρικής κυκλοφορίας της σκόνης. Στη συγκεκριμένη εργασία χρησιμοποιήθηκε το ατμοσφαιρικό μοντέλο DREAM (Dust Regional Atmospheric Modeling) (Nickovic et al., 2001), το οποίο προσομοιώνει την ατμοσφαιρική κυκλοφορία της σκόνης της ερήμου και αποτελεί τμήμα του μοντέλου NCEP/ETA. Το μοντέλο αυτό είναι Ουλεριανού τύπου και επιλύει μη γραμμικές διαφορικές εξισώσεις για τον υπολογισμό της ροής μάζας της σκόνης λαμβάνοντας υπόψιν στους υπολογισμούς του όλες τις κύριες φάσεις του κύκλου ζωής της σκόνης

105 Σ ε λ 95 στην ατμόσφαιρα (παραγωγή, διάχυση, διασπορά, απομάκρυνση). Η τρέχουσα λειτουργική έκδοση είναι το μοντέλο BSC-DREAM8b (Nickovic et al., 2012, Pérez et al., 2006a, Basart et al., 2012a) το οποίο λειτουργεί και υποστηρίζεται από το Barcelona Supercomputing Center (BSC-CNS, Τα βασικά βελτιωμένα χαρακτηριστικά που διαθέτει συγκριτικά με την αρχική έκδοση του μοντέλου το αναδεικνύουν σε ένα λεπτομερέστερο και αξιόπιστο λειτουργικό που συμπεριλαμβάνει όλες τις αλληλεπιδράσεις της σκόνης με την ακτινοβολία. Εικόνα 6.1: Διαδικασίες εκπομπής, μεταφοράς και εναπόθεσης της σκόνης (Shao et al., 2008) 6.3 Μοντέλο υπoλογισμού Οπισθοτροχιών (HYSPLIT) Οι αναλυτικές οπισθοτροχιές (backtrajectories) παρέχουν πληροφορίες σχετικά με την προέλευση των παρατηρούμενων αερολυμάτων και για τα συνοπτικά πρότυπα που αντιστοιχούν στις μετρήσεις. Οι συστηματικές μελέτες αιωρούμενων σωματιδίων που βασίζονται σε συνδυασμένες οπισθοτροχιές και μακροχρόνιες παρατηρήσεις αερολυμάτων μπορούν να εξηγήσουν μία πιθανή εξάρτηση των οπτικών ιδιοτήτων του αερολύματος από την προέλευση της μάζας του αέρα και έχουν εφαρμοστεί με επιτυχία σε κεντρικές ευρωπαικές περιοχές. Στην μελέτη μας υπολογίστηκαν οπισθοτροχιές για συγκεκριμένο αριθμό

106 Σ ε λ 96 ημερών ανά περίπτωση, για τις ημέρες ενδιαφέροντος, χρησιμοποιώντας το μοντέλο Hybrid Single Particle Langrangian Integrated Trajectory (HYSPLIT) [Draxler and Hess, 1997, Draxler and Rolph, 2011] το οποίο διατίθεται στην ιστοσελίδα Το μοντέλο HYSPLIT χρησιμοποιεί τα μετεωρολογικά δεδομένα που παράγονται από το μοντέλο ΕΤΑ της Εθνικής Μετεωρολογικής Υπηρεσίας για τον υπολογισμό της διάχυσης και διασποράς των αερίων μαζών. Αποτελεί ένα πολύ χρήσιμο εργαλείο χωίς το οποίο δεν θα ήταν εφικτός ο χαρακτηρισμός των στρωμάτων αιωρούμενων σωματιδίων καθώς μπορεί να δώσει μία πληθώρα ποτελεσμάτων. 6.4 Περιγραφή αερολυμάτων ερημικής προέλευσης Μία από τις μεγαλύτρες φυσικές πηγές σωματιδίων στην ατμόσφαιρα είναι οι έρημοι. Η ορυκτή σκόνη που σχηματίζεται από δυναμικές διεργασίες πάνω από ξηρές περιοχές συχνά μεταφέρονται σε αποστάσεις πολλών χιλιάδων χιλιομέτρων. Κυρίαρχο ρόλο διαδραματιζουν μετεωρολογικές συνθήκες που επικρατούν στις περιοχές των ερήμων, και είναι αυτές που καιορίζουν αν θα συμβεί μέσης ή μεγάλης κλίμακα μεταφορά σωματιδιακής σκόνης που έχει διεσιδύσει στην ελεύθερη τροπόσφαιρα. Σε παγκόσμια κλίμακα, η έρημος Σαχάρα είναι η σημαντικότερη πηγή ορυκτών αερολυμάτων. Από την περιοχή αυτή υπλογίζεται ότι κάθε έτος αρκετές εκατοντάδες εκατομμύρια τόνοι (Prospero et al., 1996) σκόνης εξάγονται στο Βόρειο Ατλαντικό Ωκεανό και τη Μεσόγειο. Η ευρύτερη περιοχή της Μεσογείου δέχεται μεγάλες ποσότητες σκόνης στη διάρκεια του έτους λόγω της εγγύτητας με την περιοχή της Βορείου Αφρικής. Ιδιαίτερα, κατά τη διάρκεια της άνοιξης και του καλοκαιριού, η μαζική έγχυση της σκόνης της Σαχάρας στην τροπόσφαιρα, σε συνδυασμό με την έλλειψη βροχοπτώσεων, αυξάνει την πιθανότητα για αυτό το είδος αερολύματος να φθάσει στην Κεντρική και Ανατολική Ευρώπη, συμπεριλαμβανομένης της Ελλάδας. Τα επεισόδια μεταφοράς σκόνης από τη Σαχάρα προς τη περιοχή της Μεσογείου έχουν μελετηθεί για περισσότερο από 20 έτη, κυρίως με την χρήση δορυφορικών στοιχείων (Dulac et al., 1992; Jankowiak και Tanré, 1992; Moulin et al., 1997a; Moulin et al., 1997b). Τα σωματίδια ορυκτής σκόνης παρουσιάζουν σημαντικά διαφορετικές ιδιότητες σε σύγκριση με τους υπόλοιπους τύπους αερολυμάτων. Το σημαντικότερο χαρακτηριστικό είναι το μη σφαιρικό τους σχήμα και το μεγάλο τους

107 Σ ε λ 97 μέγεθος. Η μη σφαιρικότητά τους προκαλεί μία σημαντική αποπόλωση στο οπισθοσκεδαζόμενο φως. Επίσης οδηγεί σε υψηλές τιμές του λόγου Lidar. Γενικά η ερημική σκόνη είναι αρκετά διακρίσιμη έναντι άλλων τύπων αερολυμάτων. 6.5 Αιωρούμενα σωματίδια καύσης βιομάζας Τα αιωρούμενα σωματίδια καύσης βιομάζας ή ο καπνός παράγονται τόσο από την ανθρωπογενή δραστηριότητα (π.χ. καύση ξύλου και καλλιεργειών) όσο και από φυσικές διεργασίες (φυσικές δασικές πυρκαγιές). Η παραγωγή αερολύματος καπνού εξαρτάται σε μεγάλο βαθμό από τη χρήση της γης, τον κύκλο της βλάστησης, τις εποχιακές καιρικές συνθήκες και την ανθρώπινη συμπεριφορά. Κατά τη διάρκεια της ξηρής περιόδου τα αερολύματα καύσης βιομάζας κυριαρχούν στις τροπικές και υποτροπικές περιοχές της Νότιας Αμερικής, της Αφρικής και της Ασίας. Οι πυρκαγιές δασικών πυρκαγιών είναι σημαντικές πηγές αερολυμάτων στα υψηλότερα γεωγραφικά πλάτη. Το είδος της καύσης καθώς και η ποιότητα της καιόμενης βλάστησης επηρεάζει έντονα το μέγεθος των σωματιδίων καπνού και την ποσότητα αιθάλης που απελευθερώνεται και συνεπώς τις οπτικές ιδιότητες του αερολύματος καύσης βιομάζας. Επίσης η μεταβλητότητα των οπτικών ιδιοτήτων εξαρτάται και από την ηλικία της αέριας μαζας και από τις μετεωρολογικές και δυναμικές διεργασίες στην ατμόσφαιρα. Μικρότερα και πολύ απορροφητικά σωματίδια παρατηρούνται σε έντονες εν ενεργεία πυρκαγιές, ενώ οι πυρκαγιές που υποκαίουν εκπέμπουν μεγαλύτερα και λιγότερο απορροφητικά σωματίδια. Επιπλέον, τα σωματίδια καπνού τείνουν να αναπτύσσονται και να αλλάζουν τις οπτικές τους ιδιότητες κατά τη διάρκεια της μεταφοράς λόγω διεργασιών όπως είναι η υγροσκοπική ανάπτυξη, συμπύκνωση οργανικών και ανόργανων ατμών, πήξης και φωτοχημικών διεργασιών (Muller et al., 2005; Amiridis et al., 2009; Alados-Arboledas et al., 2011; Nicolae et al., 2013). Σύμφωνα με δορυφορικές παρατηρήσεις (MODIS) για ενεργές εστίες πυρκαγιών, μπορούμε να διακρίνουμε ορισμένες περιοχές τις Ευρώπης οι οποίες χαρακτηρίζονται ως βασικές πηγές αερολυμάτων καύσης βιομάζας (Ουκρανία, περιοχή Μαύρης Θάλασσας, Νότια Ιταλία, Βαλκάνια, Ιβηρική χερσόνησος κ.ά)

108 Σ ε λ Επεισόδιο μεταφοράς σκόνης: 20 Μαϊου 2013 Από τα αποτελέσματα της εφαρμογής του αλγορίθμου NATALI και την μεθόδου ταξινόμησης Mahalanobis στα δεδομένα lidar, όπως παρουσιάστηκαν αναλυτικά στο (κεφ. 5), επιχειρούμε να ταυτοποιήσουμε για τις 20 Μαϊου 2013 την ύπαρξη στρωμάτων αερολυμάτων σκόνης στην περιοχή της Θεσσαλονίκης. Έτσι χρησιμοποιούμε συνεργιστικά το μοντέλο πρόβλεψης σκόνης DREAM, το μοντέλο υπολογισμού οπισθοτροχιών αερίων μαζών HYSPLIT καθώς επίσης και δορυφορικές εικόνες από το όργανo ΜΟDIS με σκοπό τον προσδιορισμό της πηγής προέλευσης των αιωρούμενων σωματιδίων που παρατηρήθηκαν.αρχικά, στο σχήμα 1, παρουσιάζονται τα κακόρυφα προφίλ κατανομής των οπτικών ιδιοτήτων ύστερα από την επεξεργασία των σημάτων Raman lidar για τις 20 Μαϊου 2013 στις 19:00UTC, στη Θεσσαλονίκη. Συγκεκριμένα παρουσιάζονται τα προφίλ: (α) του συντελεστή οπισθοσκέδασης των σωματιδίων (baer) στα 1064, 532 και 355nm, (β) του συντελεστή εξασθένισης (αaer) στα 532 και 355nm, (δ) τον εκθέτη Angstrom ου σχετίζεται με την οπισθοσκέδαση 1064/355nm και (δ) τους λόγους lidar στα 355 και 532nm. Σχήμα 6.1: Κατακόρυφες κατανομές: [a] του συντελεστή εξασθένησης (αaer) στα 355 nm, [b] του συντελεστή οπισθοσκέδασης (baer) στα 1064, 532 και 355 nm, (c) του εκθέτη Ångström (BAE) υπολογιζόμενο από τους συντελεστές οπισθοσκέδασης (355/1064 nm) και (d) του λόγου lidar στα 355 και 532 nm, για τις 20 Μαϊου 2013 στη Θεσσαλονίκη. Με γκρι σκίαση σημειώνονται τα στρώματα αιωρούμενων σωματιδίων όπως προέκυψαν από την χρήση του αλγορίθμου του ΝΑΤΑLΙ. Οι δύο στρωματώσεις

109 Σ ε λ 99 παρουσίασαν μεγάλη σταθερότητα ως προς τους λόγους lidar και τον εκθέτη Angstrom κατά την διάρκεια των μετρήσεων. Η τιμή του λόγου lidar παρουσιάζεται σχεδόν σταθερή με μέση τιμή αντίστοιχα για τo πρώτο στρώμα ( m) ίση με 45 (±3) sr για 355nm και 43(±4) sr για τα 532nm και για το δεύτερο στρώμα ( m) αντίστοιχα 45 (±2) sr για τα355nm και 41 (±6) sr για τα 532nm (οι τιμές στην παρένθεση αντιστοιχούν στο αντίστοιχο τυπικό σφάλμα του μέσου όρου). Η σταθερότητα του λόγου lidar για τις στρωματώσεις υποδεικνύει ότι τα αιωρούμενα σωματίδια σε αυτή την περιοχή υψών είναι του ίδιου τύπου. Ο χρωματικός δείκτης είναι ο αντίστοιχος συντελεστής Ångström της εξασθένισης, για την περίπτωση της οπισθοσκέδασης. Από φυσικής άποψης, αποτελεί έναν δείκτη για το μέγεθος των σωματιδίων, μιας και είναι αντιστρόφως ανάλογος της μέσης διαμέτρου του σω-ματιδιακού φόρτου. Η μέση τιμή του χρωματικού δείκτη (color index BAE) για τα δύο στρώματα, στα επιλεγμένα μήκη κύματος 355 και 1064 nm υπολογίσθηκε ίση με 0.08±0.06 και 0.2±0.1 αντίστοιχα, υποδεικνύοντας την παρουσία μεγάλων σχετικά αιωρούμενων σωματιδίων. Ο χρωματικός δείκτης για μεγάλα σωματίδια σκόνης είναι μικρότερος του 0.5 (Ansmann et al., 2003). Τιμές του λόγου lidar και του χρωματικού δείκτη μη αναμενόμενες σύμφωνα με τη βιβλιογραφία, μπορεί να υποδηλώνουν την ανάμιξη των σωματιδίων σκόνης με άλλου τύπου αιωρήματα όπως τα θαλάσια και τα ανθρωπογενή. Από την εφαρμογή αυτόματης ταξινόμησης Mahalanobis στις μετρήσεις τις 20 ης Μαϊου και συγκεκριμένα στα στρώματα που προσδιορίστηκαν προηγουμένως, πήραμε την κατανομή σχετικά με τις αντίστοιχες αποστάσεις των παρατηρήσεων ως προς τις κλάσεις των αερολυμάτων. Στο σχήμα 6.2, παρουσιάζονται οι τιμές των αποστάσεων ως προς τις κλάσεις από όπου είναι εμφανής η ταξινόμηση των στρωμάτων στην κατηγορία αερολυμάτων σκόνης, δότι παρουσιάζουν τη μικρότερη δυνατή απόσταση. Επιπλέον στο σχήμα 6.3, παρουσιάζονται και οι σχετικές αθροιστικές πιθανότητες, 68% και 44.6% αντίστοιχα για τα στρώματα.

110 Σ ε λ 100 Σχήμα 6.2: Απόσταση Mahlanobis μεταξύ των διαθέσιμων κλάσεων (clusters) Σχήμα 6.3: Πιθανότητα παρατηρούμενων στρωμάτων να ανήκουν σε κάποια από τις διαθέσιμες κλάσεις (clusters). Προκειμένου να προσδιορίσουμε την πηγή προέλευσης των αιωρούμενων σωματιδίων για την περίπτωση της 20ης Μαϊου 2013, χρησιμοποιήσαμε συνεργιστικές μετρήσεις και εκτιμήσεις μοντέλων. Αρχικά υπολογίσαμε με το μοντέλο HYSPLIT (Draxler and Rolph, 2011) τις οπισθοτροχιές 7 ημερών των αερίων μαζών για να συλλέξουμε πληροφορίες σχετικά με την προέλευση των παρατηρούμενων αιωρούμενων σωματιδίων και τα συνοπτικά πρότυπα που αντιστοιχούν στις μετρήσεις. Επίσης χρησιμοποιήσαμε το μοντέλο πρόβλεψης σκόνης DREAM (Nickovic et al., 2012 ) για την επαλήθευση της μεταφοράς ερημικής σκόνης από τη Σαχάρα καθώς και μία δορυφορική εικόνα που αναδεικνύει τη μεταφορά σκόνης, αναφορικά με την ανάλυση των οπισθοτροχιών.

111 Σ ε λ 101 Με το μοντέλο HYSPLIT δημιουργήσαμε οπισθοτροχιές 7 ημερών για αέριες μάζες που φθάνουν πάνω από την περιοχή της Θεσσαλονίκης σε συγκεκριμένα επίπεδα ύψους 1000 και 2200m, που αποτελούν τις μέσες τιμές τω στρωμάτων όπως αυτά προσδιορίστηκαν προηγουμένως. Οι ατμοσφαιρικές οπισθοτροχιές υπολογίστηκαν για ώρα άφιξης 19:00UT η οποία αντιστοιχεί περίπου στην ώρα που πραγματοποιήθηκε η Raman lidar παρατήρηση. Η κατακόρυφη συνιστώσα κίνησης των αερίων μαζών παρουσιάζεται στο κάτω μέρος της απεικόνισης του χάρτη. Σχήμα 6.4: Οπισθοτροχιές αεριών μαζών 7 ημερών για τις 20 Μαϊου 2013 και ώρα άφιξης 19:00UTC στην Θεσσαλονίκη, σύμφωνα με το μοντέλο HYSPLIT Παρατηρώντας τις οπισθοτροχιές αερίων μαζών στο σχήμα 1, είναι προφανές ότι οι αέριες μάζες πλούσιες σε σωματίδια σκόνης από τη Σαχάρα ακολουθούν μία προτιμητέα κατεύθυνση ξεκινώντας από την περιοχή της Σαχάρας και καταλήγοντας στη Θεσσαλονίκη. Οι τροχιές των αερίων μαζών στα συγκεκριμένα ύψη άφιξης, δείχνουν ότι προηγουμέως είχαν διέλθει από την περιοχή της Σαχάρα σε διάφορα είπεδα ( m ύψους). Για την οπισθοτροιχά με το μπλε χρώμα, παρατηρούμε

112 Σ ε λ 102 ότι πριν φτάσει στη Θεσσαλονίκη πέρασε πάνω από την περιοχή της Νότιας Ιταλίας όπου πιθανώς να εμπλουτίστηκε με ηπειρωτικά σωματίδια. Στην περίπτωση της τροχιάς με το κόκκινο χρώμα, παρατηρείται το πέρασμα πάνω από τη Μεσόγειο όπου δεν αποκλείτεται η επίδραση θαλάσσιων αερολμάτων. Οι Νότιοι άνεμοι που επικρατούν κυρίως το καλοκαίρι και την Άνοιξη, συνδέονται και ευνοούν την μεταφορά ορυκτών αιωρούμενων σωματιεδίων από την περιοχή της Σαχάρας στην ελέυθερη τροπόσφαιρα της Θεσσαλονίκης. Συνεργιστικά με τον υπολογισμό των οπισθοτροχιών χρησιμοποιούμε τα δεδομένα πρόβλεψης σκόνης από το μοντέλο DREAM, όπως παρουσιάζονται στο σχήμα παρακάτω για τις 20 Μαϊου Σχήμα 6.5: Σχηματική αναπαράσταση της συγκέντρωσης σκόνης (αριστερά), του φόρτου αερομεταφερόμενης σκόνης (δεξιά πάνω) και της νεφοκάλυψης (δεξιά κάτω), όπως υπολογίστηκαν με το μοντέλο BSC-DREAM8b για τις 20 Μαϊου 2013 στη Θεσσαλονίκη. Στο Σχήμα 6.5 παρουσιάζεται η κατακόρυφη κατανομή συγκέντρωσης σωματιδιακή σκόνης καθώς και οι αναλυτικοί χάρτες με τις συνθηκες νεφοκάλυψης και της επιφανειακής πυκνότητας σωματιδιακού φόρτου που αφορά την σκόνη που μεταφέρθηκε από την Σαχάρα, για τις 20 Μαίου 2013 στη Θεσσαλονίκη, σύμφωνα

113 Σ ε λ 103 με το μοντέλο DREAM. Είναι ππροφανές από την ανάλυση της νεφοκάλυψης ότι για την συγκεκριμένη ημέρα, υπήρχαν καθαρές ανέφελες συνθήκες σε ολόκληρη την Ελλάδα, γεγονός που διευκόλυνυνε τις μετρήσεις Lidar που δεν θα είχαν πραγματοποιηθεί υπό την παρουσία των νεφών. Τόσο από τις οπισθοτροχιές των αερίων μαζών όσο και από τα αποτελέσματα του μοντέλου DREAM, είναι φανερό ότι πρόκειται για επεισόδιο μεταφοράς σκόνης από την Σαχάρα που καταγράφηκε στο ΕΦΑ. Παράλληλα με την χρήση των δύο υπολογιστικών μοντέλων, παραθέτουμε μία εικόνα από δορυφορική παρατήρηση για να επιβεβαιώσουμε περεταίρω το γεγονός μεταφοράς σκόνης από την περιοχή της Βορείου Αφρικής. Εικόνα 6.2: Στιγμιότυπο μεταφοράς σκόνης από την περιοχή της Β. Αφρικής προς τη Νότια Ευρώπη, όπως παρατηρήθηκε από όργανο MODIS ( 6.7 Μεταφορά σωματιδίων καπνού: 2 Σεπτεμβρίου 2013 Όπως και προηγουμένως, παρουσιάζουμε τα κατακόρυφα προφίλ των οπτικών ιδιοτήτων όπως ανακτήθηκαν από την επεξεργασία των σημάτων Raman lidar για τις 2 Σεπτεμβρίου 2013 στις 17:36 UTC στην περιοχή της Θεσσαλονίκης. Συγκεκριμένα παρουσιάζονται τα προφίλ: (α) του συντελεστή οπισθοσκέδασης των σωματιδίων (baer) στα 1064, 532 και 355nm, (β) του συντελεστή εξασθένισης (αaer) στα 532 και 355nm, (δ) τον εκθέτη Angstrom ου σχετίζεται με την οπισθοσκέδαση 1064/355nm και (δ) τους λόγους lidar στα 355 και 532nm.

114 Σ ε λ 104 Σχήμα 6.6: Κατακόρυφες κατανομές: (a) του συντελεστή εξασθένησης (αaer) στα 355 nm, [b] του συντελεστή οπισθοσκέδασης (baer) στα 1064, 532 και 355 nm, (c) του εκθέτη Ångström (BAE) υπολογιζόμενο από τους συντελεστές οπισθοσκέδασης (355/1064 nm) και (d) του λόγου lidar στα 355 και 532 nm, για τις 2 Σεπτεμβρίου 2013 στη Θεσσαλονίκη. Με γκρι σκίαση σημειώνονται τα στρώματα αιωρούμενων σωματιδίων όπως προέκυψαν από την χρήση του αλγορίθμου του ΝΑΤΑLΙ. Οι δύο στρωματώσεις παρουσίασαν μεγάλη σταθερότητα ως προς τους λόγους lidar και τον εκθέτη Angstrom κατά την διάρκεια των μετρήσεων. Η τιμή του λόγου lidar παρουσιάζεται σχεδόν σταθερή με μέση τιμή αντίστοιχα για τo πρώτο στρώμα ( m) ίση με 68 (±0.4) sr για 355nm και 69 (±0.7) sr για τα 532nm και για το δεύτερο στρώμα ( m) αντίστοιχα 69 (±2) sr για τα355nm και 75 (±5) sr για τα 532nm (οι τιμές στην παρένθεση αντιστοιχούν στο αντίστοιχο τυπικό σφάλμα του μέσου όρου). Η σταθερότητα του λόγου lidar για τις στρωματώσεις υποδεικνύει ότι τα αιωρούμενα σωματίδια σε αυτή την περιοχή υψών είναι του ίδιου τύπου. Η μέση τιμή του χρωματικού δείκτη (color index BAE) για τα δύο στρώματα, στα επιλεγμένα μήκη κύματος 355 και 1064 nm υπολογίσθηκε ίση με 1.3±0.03 και 1.3±0.4 αντίστοιχα, υποδεικνύοντας την παρουσία μικρών σε μέγεθος αιωρούμενων σωματιδίων.

115 Σ ε λ 105 Από την εφαρμογή αυτόματης ταξινόμησης Mahalanobis σε δεδομένα μετρήσεων στις 2 Σεπτεμβρίου 2013 και συγκεκριμένα στα στρώματα που προσδιορίστηκαν προηγουμένως, πήραμε την κατανομή σχετικά με τις αντίστοιχες αποστάσεις των παρατηρήσεων ως προς τις κλάσεις των αερολυμάτων. Όπως αποφανθήκαμε προηγουμένωςγια το παράδειγμα μεταφοράς σκόνης, στη συγκεκριμένη περίπτωση τα στρώματα ταξινομούνται ως αιωρούμενα σωματίδια που προέρχονται από την καύση βιομάζας σημειώνοντας την μικρότερη απόσταση για την κλάσση αυτή, 0.2 και 0.6 αντίστοιχα. Επιπλέον στο σχήμα 6.8, παρουσιάζονται και οι σχετικές αθροιστικές πιθανότητες, 97.4% και 90.1% αντίστοιχα για τα δύο στρώματα αιωρούμενων σωματιδίων. Σχήμα 6.7: Απόσταση Mahalanobis μεταξύ των διαθέσιμων κλάσεων (clusters) Σχήμα 6.8: Πιθανότητα στρωμάτων αιωρούμενων σωματιδίων να ανήκουν σε κάποια από τις διαθέσιμες κλάσεις (clusters).

116 Σ ε λ 106 Με το μοντέλο HYSPLIT δημιουργήσαμε οπισθοτροχιές 5 ημερών για αέριες μάζες που φθάνουν πάνω από την περιοχή της Θεσσαλονίκης σε συγκεκριμένα επίπεδα ύψους 2300 και 3300m, που αποτελούν τις μέσες τιμές των στρωμάτων όπως αυτά προσδιορίστηκαν προηγουμένως από το NATALI. Οι ατμοσφαιρικές οπισθοτροχιές υπολογίστηκαν για ώρα άφιξης 18:00UT η οποία αντιστοιχεί περίπου στην ώρα που πραγματοποιήθηκε η Raman lidar παρατήρηση. Η κατακόρυφη συνιστώσα κίνησης των αερίων μαζών παρουσιάζεται στο κάτω μέρος της απεικόνισης του χάρτη. Σχήμα 6.9: Οπισθοτροχιές αεριών μαζών 5 ημερών για τις 2 Σεπτεμβρίου 2013 και ώρα άφιξης 18:00UTC στην Θεσσαλονίκη, σύμφωνα με το μοντέλο HYSPLIT Σύμφωνα με τις οπισθοτροχιές που παρουσιάζονται στο σχήμα, οι αέριες μάζες για τις στρωματώσεις που μελετάμε μεταφέρθηκαν στην Θεσσαλονίκη από περιοχές της Βόρειας και Νότιας Ιταλίας, όπου παρατηρήθηκαν εκτεταμένες πυρκαγιές (Σχήμα 6.9). Παρατηρούμε ότι οι αέριες μάζες πριν μεταφερθούν πάνω από την Θεσσαλονίκη, πέρασαν από την περιοχή της Αλβανίας και των Σκοπίων, όπου εμπλουτίστηκαν από τις εκπομπές καπνού λόγω καύσης βιομάζας. Επίσης, είναι εμφανή ότι η αέριες μάζες που έφτασαν πάνω από την Θεσσαλονίκη σε υψόμετρο 2300m, δεν παρουσίασαν κάποια αξιόλογη κατακόρυφη κίνηση, στη διάρκεια της πορείας που ακολούθησαν τις προηγούμενες ημέρες πριν φτάσουν στην Θεσσαλονίκη. Είναι επίσης πιθανό, λόγω των γνωστών ανθρωπογενών πηγών που

117 Σ ε λ 107 υπάρχουν στην περιοχή, να έχουμε εμπλουτισμό των αέριων μαζών με εκπομπές από καύση ορυκτών καυσίμων. Συνεργιστικά με την πορεία των οπισθοτροχιών όπως υπολογίστηκαν με το HYSPLIT, για επιβεβαίωση των πηγών των αερολυμάτων χρησιμοποιούμε δορυφορικά δεδομένα για τις εστίες πτυρκαγιών (όργανο MODIS). Συγκεκριμένα χρησιμοποιούμε χάρτες που απεικονίζουν τις εστίες πυρκαγιών σε γεωγραφικές περιοχές που παρατηρήθηκαν πυρκαγιές με την χρήση δορυφορικών δεδομένων. Το MODIS βρίσκεται στους δορυφόρους Aqua και Terra της NASA και καλύπτει καθημερινά το μεγαλύτερο μέρος του πλανήτη. Τα δεδομένα με τις τοποθεσίες όπου συμβαίνουν οι πυρκαγιές όπως καταγράφονται από το όργανο MODIS διανέμονται σε διάφορες μορφές μέσω του συστήματος διαχείρισης FIRMS (Fire Information for Resource Management System) στο Πανεπιστήμιο του Maryland. Οι μετρήσεις πυρκαγιών χρησιμοποιούνται για τη δημιουργία χαρτών, οι οποίοι έχουν μεγάλη αξία για να χαρακτηρίσουν περιοχές ως πηγές καπνού. Οι χάρτες αυτοί είναι διαθέσιμοι από το Σύστημα EOSDIS της NASA και είναι ελεύθερο σε πρόσβαση στον χρήστη μέσω της σελίδας του Κάθε έγχρωμη κουκίδα (κόκκινη) δείχνει μια θέση όπου το MODIS ανίχνευσε τουλάχιστον μία εστία πυρκαγιάς κατά τη διάρκεια της περιόδου σάρωσης που έκανε. Ο χάρτης που παρουσιάζεται την εικόνα 6.3, περιλαμβάνει τον αριθμό πυρκαγιών όπως παρατηρήθηκαν στη διάρκεια 10 ημερών. Εικόνα 6.3: Απεικόνιση των πυρκαγιών από το όργανο MODIS των δορυφόρων Terra και Aqua για την χρονική περίοδο 23 Αυγούστου 2013 εώς 2 Σεπτεμβρίου 2013.