Application of aerosol classification methods based on AERONET version 3 product over eastern Mediterranean and Black Sea

ÖZDEMİR, Esra KAVCI; Tuygun, Gizem Tuna; Elbir, Tolga

doi:10.1016/j.apr.2020.06.008

Cited by 42 publications

(20 citation statements)

References 85 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…In future work, our results should be compared with other ground-based aerosol classification methods. Hamil et al [42], Ozdemir et al [43], and Stefan et al [44] suggested aerosol classification methods using mainly parameters related to aerosol size and scattering properties based on AERONET measurement data, with Kaskaoutis [45] combining in situ measurement data to classify aerosol types for the first time.…”

Section: Discussionmentioning

confidence: 99%

Improving Spatial Coverage of Satellite Aerosol Classification Using a Random Forest Model

et al. 2021

View full text Add to dashboard Cite

The spatial coverage of satellite aerosol classification was improved using a random forest (RF) model trained with observational data including target (aerosol type) and input (satellite measurement) variables. The AErosol RObotic NETwork (AERONET) aerosol-type dataset was used for the target variables. Satellite input variables with many missing data or low mean-decrease accuracy were excluded from the final input variable set, and good performance in aerosol-type classification was achieved. The performance of the RF-based model was evaluated on the basis of the wavelength dependence of single-scattering albedo (SSA) and fine-mode-fraction values from AERONET. Typical SSA wavelength dependence for individual aerosol types was consistent with that obtained for aerosol types by the RF-based model. The spatial coverage of the RF-based model was also compared with that of previously developed models in a global-scale case study. The study demonstrates that the RF-based model allows satellite aerosol classification with improved spatial coverage, with a performance similar to that of previously developed models.

show abstract

Section: Discussionmentioning

confidence: 99%

Improving Spatial Coverage of Satellite Aerosol Classification Using a Random Forest Model

et al. 2021

View full text Add to dashboard Cite

show abstract

“…The climate is typical of the Mediterranean, winters are mild and rainy, whereas summers are hot and generally humid (Bouketta and Bouchahm 2020). In the region, an AERONET (AErosol RObotic NETwork) station having a ground-based sun photometer that measures atmospheric aerosol properties is available (AERONET 2020; Tuna Tuygun and Elbir 2020; Ozdemir et al 2020). This network provides continuous cloud-screened observations of spectral aerosol optical depth (AOD), precipitable water, and inversion aerosol products in diverse aerosol regimes.…”

Section: Methodsmentioning

confidence: 99%

Application of feed forward and cascade forward neural network models for prediction of hourly ambient air temperature based on MERRA-2 reanalysis data in a coastal area of Turkey

Gündoğdu

Elbir

2021

Meteorol Atmos Phys

Self Cite

View full text Add to dashboard Cite

Air temperature forecasting has been a vital climatic factor required for different applications in many areas such as energy, industry, agriculture, health, environment, and meteorology. This study compares the performances of two static neural networks (NNs) used for the prediction of hourly ambient air temperatures in a coastal area of Turkey. Thirteen parameters from Land Surface Diagnostics and Surface Flux Diagnostics Collections from the MERRA-2 reanalysis dataset including pressure, surface specific humidity, wind speed, wind direction, air density at surface, evaporation, planetary boundary layer height, total precipitable water vapor, total precipitation, total cloud area fraction, total column ozone, greenness fraction, and leaf area index were used as input parameters for the models. Feed-Forward Neural Network (FFNN) and Cascade Forward Neural Network (CFNN) models were applied to forecast hourly ambient air temperatures at 2 m height from the surface. The results indicated that the most accurate and reliable predictions were obtained by the CFNN model with 30 neurons, while the lowest prediction performance was obtained by the FFNN model with 5 neurons. The root mean squares error (RMSE), mean absolute error (MAE) and coefficient of determination (R 2 ) values for training (and testing) of the CFNN model with 30 neurons were 0.358 (0.376), 0.273 (0.283), and 0.997 (0.992), respectively, whereas the same parameters were 0.430 (0.447), 0.334 (0.343), and 0.996 (0.989) for the FFNN model with 5 neurons. The CFNN model had a lower RMSE and MAE, and a higher R 2 than the FFNN model. These results showed that increasing the number of neurons of hidden layers from 5 to 30 provided better model performance.

show abstract

“…İlkbahar ve yaz mevsiminde özellikle İç Anadolu, Marmara ve Ege Bölgesi'nde büyük AOD değerleri görülmüştür. Kentsel arazi örtüsü sınıfının yoğun olduğu bu bölgelerde yaz aylarında görülen büyük AOD değerlerinin nedeni, yağışın az olması, fotokimyasal reaksiyonlarla oluşan ikincil aerosollerin atmosferdeki varlığı, sanayi tesislerinden kaynaklanan antropojenik emisyonlar ve zaman zaman kırsal bölgelerden taşınan orman yangını ya da anız yakılması kökenli emisyonlar olarak sıralanabilir [48][49]. Ozdemir vd.…”

Section: Aod Verisinin Mekansal Değişiminin Analiz Edilmesi Için Literatürde öNerildiği Gibi Normalleştirilmiş Fark Bitki öRtüsü Indeksi unclassified

“…Ozdemir vd. (2020) tarafından yapılan çalışmada, bölgede AERONET istasyonlarının olduğu konumlarda aerosol karakteristiklerinin belirlenmesine yönelik hem AERONET hem de MERRA-2 yeniden analiz verileri bir çalışma gerçekleştirilmiş ve sonuçlar meteorolojik parametrelerle birlikte incelenerek detaylı olarak tartışılmıştır [49]. Bu çalışmada yaz aylarında yüksek nem etkisiyle bölgede büyük AOD değerleri oluştuğu belirlenmiştir.…”

Section: Aod Verisinin Mekansal Değişiminin Analiz Edilmesi Için Literatürde öNerildiği Gibi Normalleştirilmiş Fark Bitki öRtüsü Indeksi unclassified

Türkiye’de Terra ve Aqua MODIS Uydularından Elde Edilen Aerosol Optik Derinliğinin Zamansal ve Mekansal Değişimi

KARSLIOĞLU¹,

TEZCAN²,

Tuygun³

et al. 2022

Deu Muhendislik Fakultesi Fen Ve Muhendislik

View full text Add to dashboard Cite

ÖzAtmosferik aerosollerin izlenmesi amacıyla uydular tarafından üretilen Aerosol Optik Derinliği (AOD) verisi kullanılmaktadır. Kısaca, belli bir dalga boyundaki elektromanyetik enerjinin atmosferdeki aerosoller nedeniyle azalması olarak tanımlanan bu parametreyi küresel ölçekte başarı ile üreten uyduların başında Terra ve Aqua uyduları gelmektedir. Her iki uydu sahip oldukları Moderate Resolution Imaging Spectroradiometer (MODIS) isimli özel bir sensör ile yerküre üzerinde günlük AOD gözlemi yapmaktadır. Ancak, AOD tespitini zorlaştıran ve bölgelere göre değişkenlik gösteren çeşitli etmenler vardır. Bu çalışmada, Terra ve Aqua uydularının güncel MODIS veri koleksiyonundan (C6.1) iki farklı algoritma (Dark Target-DT ve Deep Blue-DB) kullanılarak üretilen AOD verilerinin Türkiye'deki değişimleri belirlenmiştir. Çalışmada DT algoritması ile üretilen iki farklı mekansal çözünürlüklü (3 km ve 10 km) ürün incelenirken DB algoritmasının sadece 10 km çözünürlüklü veri üretmesi nedeniyle tek ürün değerlendirilmiştir. Ülke genelinde mekansal değişimler irdelenirken normalleştirilmiş fark bitki örtüsü indeksi (NFBÖİ) verileri kullanılmıştır. Çalışma sonuçlarına göre ülkemizde NFBÖİ değeri yüksek olan bölgelerde DT algoritmasının DB algoritmasına göre daha başarılı olduğu görülmüştür. Ülkemizde AOD verilerinin mevsimlere göre farklılık gösterdiği, genelde ilkbahar ve yaz aylarında daha büyük AOD değerleri elde edildiği görülmüştür. Ayrıca, Terra uydusunun Aqua'ya göre daha fazla veri ürettiği ve 10 km'lik ürünlerin 3 km'lik ürünlere göre daha başarılı olduğu sonucu elde edilmiştir. Bu çalışma kapsamı itibariyle ülkemizde gerçekleştirilen ilk çalışma olup, gelecekte AOD verisi kullanacak araştırmacılara çalışılacak bölgeye uygun uydu, algoritma ve ürün seçiminde yol göstereceği düşünülmektedir. Özellikle, yerleşim alanlarında ölçülen yer seviyesindeki partikül madde (PM10, PM2.5) konsantrasyonlarını AOD verisi yardımıyla tahmin etmeye yönelik hazırlanacak istatistiksel tahmin modellerine de katkı sağlayacaktır.

show abstract

Application of aerosol classification methods based on AERONET version 3 product over eastern Mediterranean and Black Sea

Cited by 42 publications

References 85 publications

Improving Spatial Coverage of Satellite Aerosol Classification Using a Random Forest Model

Improving Spatial Coverage of Satellite Aerosol Classification Using a Random Forest Model

Application of feed forward and cascade forward neural network models for prediction of hourly ambient air temperature based on MERRA-2 reanalysis data in a coastal area of Turkey

Türkiye’de Terra ve Aqua MODIS Uydularından Elde Edilen Aerosol Optik Derinliğinin Zamansal ve Mekansal Değişimi

Contact Info

Product

Resources

About