Application of artificial neural  nneettwwoorrkkss ttoo tthhee ddeevveellooppmmeenntt ooff  improved multi‐sensor retrievals of  near‐surface air temperature and  hhuummiiddiittyy oovveerr oocceeaann J. Brent Roberts1, Franklin R. Robertson1,  Carol Anne Clayson* 11 NNAASSAA//MMSSFFCC, EEaarrtthh SScciieennccee OOffffiiccee * Woods Hole Oceanographic Institution Outline • BBackkgroundd • Approach • Results • CConcllusiions andd FFutture WWorkk Motivation for Retrieving Surface Parameters • Estimating the surface  heat fluxes from satellite  requires:  • Sea surface temp (SST) • Specific humidity (Qa) • Air temperature   (Ta) • WWiindd speedd    ((WWspdd)) • Current estimates show  ssyysstteemmaattiicc ddiiffffeerreenncceess ooff  25‐50Wm‐2 • QQa  & Ta differences are a  major driver of the  differences between  these products. Large‐scale patterns are similar but amplitudes  can be very different. Retrievals of near‐surface parameters from microwave  brightness temperatures • Observations at  microwave frequencies  shhow ddependdenciies on: • Water Vapor (QV) • Surface wind speed • SSea SSurfface  Temperature • TThhiis sensiittiiviitty iis sttatte  dependent • Presence of clouds • Sensitivity to surface  layer (i.e. within 10m) is  llooww Based on simulations from CRTM Forward and  Jacobian model. Sources of information in successful retrievals of near‐ surface temperature and humidity • There is a strong connection between the near  surface air‐temperature and humidity. • Clausius‐Clapeyron • The sea surface temperature and air  temperature are typically strongly correlated • Narrow distribution of (SST‐TA) • SSttuddiies hhave shhown ttottall collumnar watter vapor  (precipitable water) and surface air temperature  to be highly correlated (Liu, 1988). • Nonlinearity arises: • Dependence on atmospheric state • Deppendence on surface conditions • Inherent relationships between moisture  and temperature. From Roberts et al. (2010) Inverse retrieval approach TB  F ( X ) 1 X  F (TB) GOAL: FIND F‐1() LINEAR NON‐LINEAR • Stepwise linear regression  • Neural Network (Jones et al.,  (Jackson et al.,2006) 1999) •• GGeenneettiicc AAllggoorriitthhmmss ((SSiinngghh eett  al., 2006) • Neural Network with first  guess (Roberts et al., 2010) Data Fusion: Merging AMSR‐E and AMSU‐A Training dataset • Direct in situ  measurements are co‐ llooccaatteedd wwiitthh ssaatteelllliittee‐ observations.  • CCRRTTMM‐bbaasseedd ssiimmuullaattiioonnss  can be used to  AMSR‐E and AMSU‐A sensors on AQUA have co‐ supplement the in situ located footprints with minimal time between  ddaattaasseett. samples. • Co‐located measurements  between AMSR‐E and  AMSU‐A are available from  mid‐2002. Improved Surface Humidity Retrieval AQUA Advantage • AMSU‐A contains  channels sensitive to  lower troppospphere  temperature • AAMMSSRR‐EE ccoonnttaaiinnss  channels sensitive to  PW, CLW,  and SST • Results in improved  surface humidity  retriievalls. IImmpprroovveedd SSuurrffaaccee TTeemmppeerraattuurree RReettrriieevvaall • Overall improvements are  ffoundd ffor near‐surfface  temperature • The near‐surface stability is  also better represented. • Improved by taking  information directly related  ttoo tthhee ssuurrffaaccee tteemmppeerraattuurree  and temperatures in the  lower troposphere. Conclusions • A statistical retrieval methodology for surface parameters iis iimprovedd usiing a nonlliinear approachh • Due to nonlinear nature of the problem • Retrieval of the near-surface parameters is improved through use of multiple sensors • AAddddiittiioonnaall iinnffoorrmmaattiioonn iiss aavvaaiillaabbllee ffoorr iinnvveerrssiioonn • It is important to include a synthetic component of the ttrraaiinniinngg ddaattaasseett;; cchhooiicceess aarriisseess rreeggaarrddiinngg ssaammpplliinngg • Future work : add a priori information to help regularize the nneettwwoorrkk ((ii.ee. aa BBaayyeessiiaann aapppprrooaacchh)).