Published April 7, 2015 | Version v1
Publication Open

Monsoonal variations in aerosol optical properties and estimation of aerosol optical depth using ground-based meteorological and air quality data in Peninsular Malaysia

Creators

  • 1. Universiti Sains Malaysia
  • 2. Goddard Space Flight Center

Description

Abstract. Obtaining continuous aerosol-optical-depth (AOD) measurements is a difficult task due to the cloud-cover problem. With the main motivation of overcoming this problem, an AOD-predicting model is proposed. In this study, the optical properties of aerosols in Penang, Malaysia were analyzed for four monsoonal seasons (northeast monsoon, pre-monsoon, southwest monsoon, and post-monsoon) based on data from the AErosol RObotic NETwork (AERONET) from February 2012 to November 2013. The aerosol distribution patterns in Penang for each monsoonal period were quantitatively identified according to the scattering plots of the Ångström exponent against the AOD. A new empirical algorithm was proposed to predict the AOD data. Ground-based measurements (i.e., visibility and air pollutant index) were used in the model as predictor data to retrieve the missing AOD data from AERONET due to frequent cloud formation in the equatorial region. The model coefficients were determined through multiple regression analysis using selected data set from in situ data. The calibrated model coefficients have a coefficient of determination, R2, of 0.72. The predicted AOD of the model was generated based on these calibrated coefficients and compared against the measured data through standard statistical tests, yielding a R2 of 0.68 as validation accuracy. The error in weighted mean absolute percentage error (wMAPE) was less than 0.40% compared with the real data. The results revealed that the proposed model efficiently predicted the AOD data. Performance of our model was compared against selected LIDAR data to yield good correspondence. The predicted AOD can enhance measured short- and long-term AOD and provide supplementary information for climatological studies and monitoring aerosol variation.

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

الملخص: يعد الحصول على قياسات مستمرة للهباء الجوي - العمق البصري (AOD) مهمة صعبة بسبب مشكلة الغطاء السحابي. مع وجود الدافع الرئيسي للتغلب على هذه المشكلة، يتم اقتراح نموذج التنبؤ بـ AOD. في هذه الدراسة، تم تحليل الخصائص البصرية للهباء الجوي في بينانغ، ماليزيا لأربعة مواسم موسمية (الرياح الموسمية الشمالية الشرقية، والرياح الموسمية السابقة، والرياح الموسمية الجنوبية الغربية، والرياح الموسمية اللاحقة) بناءً على بيانات من AErosol RObotic NETwork (AERONET) من فبراير 2012 إلى نوفمبر 2013. تم تحديد أنماط توزيع الهباء الجوي في بينانغ لكل فترة موسمية كميًا وفقًا لمخططات التشتت لأس أنغستروم مقابل AOD. تم اقتراح خوارزمية تجريبية جديدة للتنبؤ ببيانات AOD. تم استخدام القياسات الأرضية (أي الرؤية ومؤشر ملوثات الهواء) في النموذج كبيانات تنبؤ لاسترداد بيانات AOD المفقودة من AERONET بسبب تكوين السحب المتكرر في المنطقة الاستوائية. تم تحديد معاملات النموذج من خلال تحليل الانحدار المتعدد باستخدام مجموعة بيانات مختارة من البيانات في الموقع. معاملات النموذج المعايرة لها معامل تحديد، R2، قدره 0.72. تم إنشاء AOD المتوقع للنموذج بناءً على هذه المعاملات المعايرة ومقارنتها بالبيانات المقاسة من خلال الاختبارات الإحصائية القياسية، مما أسفر عن R2 قدره 0.68 كدقة التحقق من الصحة. كان الخطأ في المتوسط المرجح لخطأ النسبة المئوية المطلقة (wMAPE) أقل من 0.40 ٪ مقارنة بالبيانات الحقيقية. كشفت النتائج أن النموذج المقترح تنبأ بكفاءة ببيانات AOD. تمت مقارنة أداء نموذجنا ببيانات LIDAR المختارة لإنتاج مراسلات جيدة. يمكن أن يعزز AOD المتوقع AOD المقاس على المدى القصير والطويل ويوفر معلومات تكميلية للدراسات المناخية ومراقبة تباين الهباء الجوي.

Translated Description (French)

Résumé. L'obtention de mesures continues de la profondeur optique des aérosols (AOD) est une tâche difficile en raison du problème de la couverture nuageuse. Avec la motivation principale de surmonter ce problème, un modèle de prédiction AOD est proposé. Dans cette étude, les propriétés optiques des aérosols à Penang, en Malaisie, ont été analysées pour quatre saisons de mousson (mousson du nord-est, pré-mousson, mousson du sud-ouest et post-mousson) sur la base des données de l'AErosol RObotic NETwork (AERONET) de février 2012 à novembre 2013. Les patrons de distribution des aérosols à Penang pour chaque période de mousson ont été identifiés quantitativement en fonction des diagrammes de diffusion de l'exposant d'Ångström par rapport à l'AOD. Un nouvel algorithme empirique a été proposé pour prédire les données AOD. Des mesures au sol (c.-à-d., la visibilité et l'indice de polluants atmosphériques) ont été utilisées dans le modèle comme données prédictives pour récupérer les données AOD manquantes d'AERONET en raison de la formation fréquente de nuages dans la région équatoriale. Les coefficients du modèle ont été déterminés par une analyse de régression multiple à l'aide d'un ensemble de données sélectionnées à partir de données in situ. Les coefficients du modèle étalonné ont un coefficient de détermination, R2, de 0,72. L'AOD prédit du modèle a été généré sur la base de ces coefficients étalonnés et comparé aux données mesurées par des tests statistiques standard, donnant un R2 de 0,68 en tant que précision de validation. L'erreur dans l'erreur moyenne pondérée en pourcentage absolu (wMAPE) était inférieure à 0,40 % par rapport aux données réelles. Les résultats ont révélé que le modèle proposé prédisait efficacement les données AOD. Les performances de notre modèle ont été comparées aux données lidar sélectionnées pour obtenir une bonne correspondance. L'AOD prédite peut améliorer l'AOD mesurée à court et à long terme et fournir des informations supplémentaires pour les études climatologiques et la surveillance de la variation des aérosols.

Translated Description (Spanish)

Resumen. La obtención de mediciones continuas de profundidad óptica de aerosol (AOD) es una tarea difícil debido al problema de la cobertura de nubes. Con la principal motivación de superar este problema, se propone un modelo de predicción de AOD. En este estudio, se analizaron las propiedades ópticas de los aerosoles en Penang, Malasia, durante cuatro temporadas monzónicas (monzón del noreste, premonzón, monzón del suroeste y posmonzón) según los datos de AErosol RObotic NETwork (AERONET) desde febrero de 2012 hasta noviembre de 2013. Los patrones de distribución de aerosoles en Penang para cada período monzónico se identificaron cuantitativamente de acuerdo con los gráficos de dispersión del exponente de Ångström frente al AOD. Se propuso un nuevo algoritmo empírico para predecir los datos de AOD. Las mediciones basadas en tierra (es decir, la visibilidad y el índice de contaminantes del aire) se utilizaron en el modelo como datos predictivos para recuperar los datos de AOD faltantes de AERONET debido a la frecuente formación de nubes en la región ecuatorial. Los coeficientes del modelo se determinaron a través de un análisis de regresión múltiple utilizando un conjunto de datos seleccionados a partir de datos in situ. Los coeficientes del modelo calibrado tienen un coeficiente de determinación, R2, de 0,72. La AOD predicha del modelo se generó en función de estos coeficientes calibrados y se comparó con los datos medidos a través de pruebas estadísticas estándar, obteniendo un R2 de 0,68 como precisión de validación. El error en el porcentaje de error absoluto medio ponderado (wMAPE) fue inferior al 0,40% en comparación con los datos reales. Los resultados revelaron que el modelo propuesto predijo de manera eficiente los datos de AOD. El rendimiento de nuestro modelo se comparó con los datos LIDAR seleccionados para obtener una buena correspondencia. La AOD prevista puede mejorar la AOD medida a corto y largo plazo y proporcionar información complementaria para estudios climatológicos y monitoreo de la variación de aerosoles.

Files

acp-15-3755-2015.pdf.pdf

Files (2.1 MB)

⚠️ Please wait a few minutes before your translated files are ready ⚠️ Note: Some files might be protected thus translations might not work.
Name Size Download all
md5:cb940ec414bdb89ba0b420fb99cf2c71
2.1 MB
Preview Download

Additional details

Additional titles

Translated title (Arabic)
التغيرات الموسمية في الخصائص البصرية للهباء الجوي وتقدير العمق البصري للهباء الجوي باستخدام بيانات الأرصاد الجوية الأرضية وجودة الهواء في شبه جزيرة ماليزيا
Translated title (French)
Variations monstrueuses des propriétés optiques des aérosols et estimation de la profondeur optique des aérosols à l'aide de données météorologiques au sol et de données sur la qualité de l'air en Malaisie péninsulaire
Translated title (Spanish)
Variaciones monzónicas en las propiedades ópticas de los aerosoles y estimación de la profundidad óptica de los aerosoles utilizando datos meteorológicos y de calidad del aire basados en tierra en Malasia Peninsular

Identifiers

Other
https://openalex.org/W2013624685
DOI
10.5194/acp-15-3755-2015

Is supplement to
https://openalex.org/W4366778313 (Other)
https://openalex.org/W2890782080 (Other)
https://openalex.org/W2750830902 (Other)
https://openalex.org/W2418673772 (Other)
https://openalex.org/W2314040517 (Other)
https://openalex.org/W2145265567 (Other)
https://openalex.org/W2086153848 (Other)
https://openalex.org/W2014316009 (Other)
https://openalex.org/W1999371752 (Other)
https://openalex.org/W1988447094 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
Malaysia

References

  • https://openalex.org/W1784757680
  • https://openalex.org/W1963665483
  • https://openalex.org/W1970588829
  • https://openalex.org/W1973401183
  • https://openalex.org/W1975278507
  • https://openalex.org/W1975875502
  • https://openalex.org/W1977518971
  • https://openalex.org/W1980849465
  • https://openalex.org/W1982232999
  • https://openalex.org/W1982728053
  • https://openalex.org/W1988675282
  • https://openalex.org/W1990687171
  • https://openalex.org/W1991146308
  • https://openalex.org/W1993814425
  • https://openalex.org/W1996782635
  • https://openalex.org/W1998402226
  • https://openalex.org/W2004341293
  • https://openalex.org/W2005695278
  • https://openalex.org/W2012247153
  • https://openalex.org/W2020306346
  • https://openalex.org/W2025713353
  • https://openalex.org/W2037764838
  • https://openalex.org/W2041333688
  • https://openalex.org/W2043496753
  • https://openalex.org/W2047442548
  • https://openalex.org/W2050250373
  • https://openalex.org/W2052184093
  • https://openalex.org/W2055713966
  • https://openalex.org/W2056711494
  • https://openalex.org/W2057392978
  • https://openalex.org/W2058441636
  • https://openalex.org/W2061442105
  • https://openalex.org/W2069249953
  • https://openalex.org/W2071043523
  • https://openalex.org/W2077075342
  • https://openalex.org/W2078592921
  • https://openalex.org/W2080420173
  • https://openalex.org/W2086648668
  • https://openalex.org/W2087199341
  • https://openalex.org/W2089433206
  • https://openalex.org/W2096345554
  • https://openalex.org/W2099755566
  • https://openalex.org/W2104098396
  • https://openalex.org/W2106184140
  • https://openalex.org/W2106712306
  • https://openalex.org/W2108162680
  • https://openalex.org/W2109647656
  • https://openalex.org/W2112079828
  • https://openalex.org/W2113092801
  • https://openalex.org/W2119469797
  • https://openalex.org/W2125485680
  • https://openalex.org/W2129410043
  • https://openalex.org/W2142477999
  • https://openalex.org/W2143089171
  • https://openalex.org/W2147610133
  • https://openalex.org/W2149888895
  • https://openalex.org/W2152421638
  • https://openalex.org/W2153295784
  • https://openalex.org/W2154082295
  • https://openalex.org/W2154197430
  • https://openalex.org/W2155108279
  • https://openalex.org/W2155191484
  • https://openalex.org/W2155918986
  • https://openalex.org/W2159539860
  • https://openalex.org/W2160508458
  • https://openalex.org/W2161634883
  • https://openalex.org/W2165669929
  • https://openalex.org/W2167074169
  • https://openalex.org/W2167530636
  • https://openalex.org/W2167547568
  • https://openalex.org/W2170638486
  • https://openalex.org/W2767377409
  • https://openalex.org/W335226109