Perfiles verticales de temperatura y humedad a partir de observaciones IASI: Implicaciones para el futuro MTG-IRS

Abstract

[ES]El objetivo principal de este trabajo es caracterizar las capacidades del MTG-IRS para suministrar información de los perfiles de temperatura y humedad atmosférica utilizando IASI-MetOp como proxy de MTG-IRS. Para lograr este objetivo, hemos desarrollado un método de recuperación no lineal basado en técnicas de Machine Learning/Artificial Intelligence (ML/AI) para estimar los perfiles verticales atmosféricos a partir de medidas de IASI (como proxy de MTGIRS). Se trata de un modelo de Kernel Ridge Regression (KRR), el cual nos permite minimizar el conjunto de datos de entrenamiento, seleccionando una cantidad representativa de Support Vectors (SV) para el entrenamiento y predicción de los perfiles atmosféricos de temperatura y humedad. Los resultados muestran una mejora significativa en el costo computacional de las recuperaciones de estas variables a partir de sondeadores hiperespectrales, así como en la calidad de las mismas. Esto nos permite, además de recuperar estas variables con gran precisión, determinar los perfiles de inestabilidad atmosférica en cielos cubiertos con una fracción de nubes de hasta el 80%. Los resultados de la aplicación del modelo KRR al futuro MTG-IRS proporcionarán una gran mejora en los análisis meteorológicos para las situaciones meteorológicas analizadas.

[EN]In this work, a non-linear retrieval algorithm is presented for IASI-MetOp (as a proxy of MTG-IRS) to characterize its capabilities in providing information of the atmospheric temperature and humidity profiles. To achieve this goal, we have developed a method based on Machine Learning/Artificial Intelligence techniques for IASI-MetOp (as a proxy of MTG-IRS) to estimate atmospheric vertical profiles. Obtained results show that the Kernel Ridge Regression (KRR) retrieval model developed in this work, is able to retrieve accurate atmospheric temperature and humidity profiles below skies with cloud fraction until 80%. This result is particularly important for providing the atmospheric structure information needed to improve convection forecasts. It is important to note that the principal goal for the KRR model is to enable the real-time production of the physical variables from the satellite hyperspectral resolution radiance measurements. The results from the application of the KRR model to future MTG-IRS will provide a big improvement in the meteorological analyses for analysed weather situations.