DOI QR코드

DOI QR Code

Sensitivity Analysis of Satellite BUV Ozone Profile Retrievals on Meteorological Parameter Errors

기상 입력장 오차에 대한 자외선 오존 프로파일 산출 알고리즘 민감도 분석

  • Shin, Daegeun (Department of Atmospheric Science, Pusan National University) ;
  • Bak, Juseon (Harvard-Smithsonian Center for Astrophysics) ;
  • Kim, Jae Hwan (Department of Atmospheric Science, Pusan National University)
  • 신대근 (부산대학교 대기과학과) ;
  • 박주선 (하버드-스미소니언 천체물리학센터 대기관측그룹) ;
  • 김재환 (부산대학교 대기과학과)
  • Received : 2018.03.22
  • Accepted : 2018.05.16
  • Published : 2018.06.30

Abstract

The accurate radiative transfer model simulation is essential for an accurate ozone profile retrieval using optimal estimation from backscattered ultraviolet (BUV) measurement. The input parameters of the radiative transfer model are the main factors that determine the model accuracy. In particular, meteorological parameters such as temperature and surface pressure have a direct effect on simulating radiation spectrum as a component for calculating ozone absorption cross section and Rayleigh scattering. Hence, a sensitivity of UV ozone profile retrievals to these parameters has been investigated using radiative transfer model. The surface pressure shows an average error within 100 hPa in the daily / monthly climatological data based on the numerical weather prediction model, and the calculated ozone retrieval error is less than 0.2 DU for each layer. On the other hand, the temperature shows an error of 1-7K depending on the observation station and altitude for the same daily / monthly climatological data, and the calculated ozone retrieval error is about 4 DU for each layer. These results can help to understand the obtained vertical ozone information from satellite. In addition, they are expected to be used effectively in selecting the meteorological input data and establishing the system design direction in the process of applying the algorithm to satellite operation.

자외선 관측 자료로부터 최적 추정법을 이용해 오존 프로파일을 산출하기 위해서는 복사모델을 이용한 정확한 복사모의가 매우 중요하다. 복사모델 입력 변수는 복사 모의의 정확도를 결정하는 중요한 요소이며, 특히 온도와 지면 기압과 같은 기상 입력 변수는 각각 오존 흡수 계수와 레일리 산란을 계산하는데 사용되어 복사 스펙트럼 모의에 직접적인 영향을 준다. 따라서 그 영향을 평가하기 위해, 복사전달 모델을 이용하여 온도와 지면 기압에 대한 자외선 오존 프로파일 산출 민감도 검사가 수행되었다. 지면 기압은 기상 수치 예보모델 기반의 일 자료와 월 기후 자료에서 100 hPa 미만의 평균 오차를 보였으며, 해당 오차에 대해 계산된 오존 산출 오차는 각 층에 대해 약 0.2 DU 미만이다. 한편, 온도는 일 자료와 월 기후 자료에 대해서 지점과 고도에 따라 1~7K의 오차를 보였으며, 이에 대해 계산된 오존 산출 오차는 층별로 약 4 DU으로 나타났다. 이 같은 결과들은 위성 관측 값으로부터 산출된 연직 오존 정보를 이해하는데 도움이 될 뿐만 아니라, 알고리즘의 현업화 과정에서 기상 입력 자료의 선택 및 시스템 설계 방향 수립에 효과적으로 활용 가능할 것으로 기대된다.

Keywords

1. 서론

오존은 인체에 유해한 기체로써 대류권의 오존은 대기질을 악화시키고 식물의 생장을 방해할 뿐만 아니라 광화학 스모그를 발생시켜 인명 피해를 유발한다(Wang et al., 2009). 반면 성층권의 오존은 지표 오존과는 달리 지구로 입사되는 유해 자외선을 흡수하여 생태계를 보호하고 생명을 유지시킨다(Hofmann and Montzka, 2009). 또한 오존은 온실기체로써 대기 복사 수지를 변화시키며, 수산화 라디칼(hydroxyl radical, OH)의 전구 물질로써 대기의 산화력을 조절하는 등(Forster et al., 2007), 지구 대기에 있어 매우 다양한 역할을 수행하고 있다. 이처럼 지구 환경 유지에 필수적인 오존량의 변화는 인간 생존과 직접적으로 연결되기 때문에 오존에 대한 관측과 감시는 과거부터 꾸준히 지속되고 있다(Komhyr et al., 1995; Kivi et al., 2003; Thompson et al., 2004; Tarasick et al., 2010; Labow et al., 2013). 특히, 인공위성은 시공간적으로 균질한 관측이 가능하여 오존 관측에 매우 효과적으로 활용되어 왔다. 오존은 오존 흡수선이 존재하는 자외선, 가시광선, 또는 적외선 영역에서 관측된 복사 스펙트럼의 분광 분석을 통해 산출되는데, 자외선 영역은 특히 오존의 흡수선이 강할 뿐만 아니라 이산화질소, 이산화황, 포름 알데하이드 등의 흡수선이 밀집되어 있어 대기 오염기체 관측에 활용도가 높다. 이와 같은 이유로 대기 오염 감시를 위한 환경 관측위성에는 자외선 관측 채널을 포함하는 센서들이 주로 탑재되고 있다 (McPeters et al., 1998; Burrows et al., 1999; Bovensmann et al., 1999; Callies et al., 2000; Levelt et al., 2006).

자외선 관측 센서는 지구 대기 및 지표면으로부터 후방 산란된 자외선 스펙트럼을 관측하며, 이때 관측되는 신호에는 오존을 포함한 미량기체의 흡수, 공기 입자에 의한 레일리 산란 및 라만 산란, 구름 및 에어로졸 입자의 미(Mie) 산란, 지표면 반사에 의한 복사전달 효과 등이 혼재되어있다. 이러한 자외선 관측 신호로부터 대기정보를 복원하는데 사용되는 대표적인 역변환 방법(inverse method)인 최적 추정(optimal estimation) 방법은 복사전달 모델을 통해 계산된 복사값을 관측된 복사값과 비교하여 최적의 연직 오존 정보를 산출한다 (van Oss et al., 2002; Liu et al., 2005, 2010). 최적 추정 방법을 이용한 오존 프로파일 산출에서 관측 스펙트럼의 복사검정과 복사모의 정확도는 산출물의 정확도에 직접적인 영향을 미치는데(Bhartia et al., 1996; Chance et al., 1997; Liu et al., 2010), 정확한 복사모의를 수행하기 위해서는 모델 입력 변수의 정확도를 최대화하는 것이 매우 중요하다. 특히 최적 추 방법 반복적인 복사 모의를 기반으로 하기 때문에 산출 결과를 분석하고 이해하기 위해서 복사 모델 입력 변수들에 대한 영향 평가는 필수적이다. 대기의 흡수 및 산란을 모의하기 위해서는 지면고도 및 지면 반사도 등의 지면 정보와 연직 온도 및 압력, 구름 등의 기상 정보 뿐만 아니라 에어로졸을 포함하는 다양한 기체 정보가 입력 자료로써 요구되며 이들은 직 간접적으로 연직 오존 산출에 영향을 미치게 된다(Liu et al., 2007; van Diedenhoven et al., 2008; Liu et al., 2013; Bai et al., 2014; Choi et al., 2015). 이러한 다양한 인자들 중 실시간의 복사 전달 계산을 수행하는 오존 프로파일 산출 알고리즘에서는 고품질의 자료 확보가 가능하고 자외선의 흡수와 산란에 미치는 영향이 높은 인자가 중요시된다. 에어로졸과 구름의 경우 정확한 모의를 하기 위해서는 입자의 종류 및 크기 분포 등에 대한 정보가 필요하지만 실시간 자료 처리 시스템에서는 이에 대한 정확한 입력 자료의 확보가 어려울 뿐만 아니라 계산 시간도 급격히 늘어나게 되는 문제를 포함하고 있다. 또한 지면 반사도의 경우에는 시간에 따른 변화가 크지 않기 때문에 실시간 자료의 중요도가 높지 않다. 반면, 대기 온도와 지면 기압과 같은 기상 정보는 매우 유동적으로 변화하는 인자인 동시에 수치 모델에서 꽤나 정확한 모의가 가능하여 예보장, 분석장, 기후값 등 상대적으로 현업에서 활용할 수 있는 자료 선택의 폭이 넓다. 알고리즘의 현업화를 위해서는 단순히 자료의 정확도 뿐만 아니라 계산 속도 및 자료 획득 절차 등 고려해야 할 사항이 많기 때문에 최적의 입력 자료를 선택 함에 있어서 대기 온도와 지면 압력과 같은 기상 입력 정보의 정확도가 오존 프로파일 산출에 미치는 영향에 대한 정밀한 분석은 필수적이다.

대기 온도와 지면 기압은 각각 오존 흡수와 레일리 산란 계산에 필요한 값으로써, 자외선 파장 영역에서 오존의 흡수량은 오존 수밀도와 오존의 흡수 단면적 (absorption cross section)에 의해서 결정된다. 오존의 흡수 단면적은 온도에 대한 1차항과 2차항을 포함하는 함수이기 때문에 온도에 따라 오존의 복사 흡수량이 달라지게 되며, 자외선 파장 영역에서 지배적으로 작용하는 레일리 산란은 대기 투과 길이와 파장의 함수로써 지면 기압은 자외선의 대기 투과 길이를 결정짓는 중요한 성분이다. 특히 Huggins band에서는 오존 흡수 단면적의 온도에 대한 민감도가 크게 나타날 뿐만 아니라 상대적으로 레일리 산란의 영향을 적게 받아 광선이 지표까지 도달할 수 있기 때문에 온도와 지면 기압 정보는 대류권 오존 산출에 중요하게 작용할 수 있다(Bhartia et al., 1996; Chance et al., 1997; Bak et al., 2013). van Oss et al.(2002)은 OMI 오존 프로파일 알고리즘에서 5K의 온도 오차가 층 별로 1.5% 미만의 시스템 오차를 유발할 수 있음을 밝고,같은 방법으로 Liu et al.(2005, 2010)은 모든 층에 대한 3K의 온도 오차가 대류권 각 층에 약 10%의 오차를 유발할 수 있다고 보고하고 있다. 또한 Bai et al.(2014)은 지면 기압의 차이가 오존의 가중함수(Weighting function) 차이를 유발하며 오존 전량 및 오존 프로파일 산출 결과에 상당한 영향을 줄 수 있음을 보였다. 이와 같은 기존의 연구들은 일반적으로 계산된 오차 정보만을 제시하고 있으며, 실제 어떠한 성분과 조건에 의해서 산출 오차가 확대되거나 축소될 수 있는지에 대한 실질적인 분석이 상당히 부족한 실정이다.

본 연구의 목적은 OMI 스펙트럼 영역에 대해 모의된 복사값과 최적 추정 방법의 오차 분석 기법을 기반으로, 오존 프로파일 산출에 가장 직접적인 영향을 미치는 기상 입력 변수인 온도 및 지면 기압에 대한 자외선 오존 프로파일 산출 민감도 검사를 수행하는데 있다. 첫 번째로 기상 입력자료의 오차를 정량화하기 위해 스미소니안 천체물리 관측소의 오존 프로파일 산출 알고리즘 (Liu et al., 2010)에서 이용된 바 있는 National Center for Environmental Prediction(NCEP) Final(FNL) Operational Global Analysis 기상 자료의 오차를 오존 존데 관측 자료를 이용하여 분석하였다. 다음으로 다양한 관측 기하 조건 하에서 온도 및 지면 기압에 대한 복사 민감도 검사를 수행하였고, 최종적으로 앞서 분석한 기상 입력 자료의 오차로 인해 발생하는 오존 프로파일 정보의 산출 오차를 직접 계산하여 분석하였다.

2. 자료 및 방법

1) 복사 전달 모델

본 연구에서는 자외선 스펙트럼을 모의하기 위해 LInearized Discrete Ordinate Radiative Transfer Model (LIDORT) 복사 전달모델을 이용하였다(Spurr, 2006). 이 모델은 자외선 스펙트럼을 모의하는데 강점이 있는 복사 모델로써, van Oss et al.(2002)와 Liu et al.(2005)에서 각각 OMI와 GOME의 관측 스펙트럼을 모의하는데 사용되었으며, 편광 효과 모의가 가능한 벡터 버전인 VLIDORT의 경우에는 Liu et al.(2010)과 Valks et al.(2008) 에서 각각 OMI와 GOME-2의 복사량 모의에 사용된 바 있다. LIDORT는 대기의 어떤 깊이와 방향에서도 자유롭게 복사량을 계산할 수 있으며 자외선과 가시광선은 물론, 적외선 파장 영역까지 모의가 가능하다. 또한 선형화된 모델이기 때문에 단 한번의 실행만으로써 복사량과 대기 성분의 가중함수를 동시에 계산하며 직사광의 감쇠는 곡면 대기로, 모든 산란광은 평면 대기로 계산하는 준 구면 대기 접근법(pseudo-spherical approximation)을 이용한다. LIDORT는 3개의 광학 입력변수를 통해 복사량을 계산하는데 광학 두께(optical depth, Δ)와 일 산 알베도(single scattering albedo, ω), 그리고 전체 산란에 대한 위상 함수(phase function)을 규정하는 모멘텀 l에 대한 Greek 행렬 Bl이 이에 해당한다. 오존의 흡수와 레일리 산란만이 고려된 대기에서, 파장 λ에 대한 레일리 산란과 오존의 흡수 단면적을 \(σ_λ^{ray}\)\(σ_λ^{o3}\), p층에서 공기 밀도와 오존량을 Dp와 Up로 각각 정의하면, LIDORT 광학 입력변수는 식(1)~식(3)과 같이 정의된다(Spurr, 2006)

\(\delta_{p}=\sigma_{\lambda}^{r a y} \cdot d_{p}+\sigma_{\lambda}^{o 3} \cdot u_{p}\)       식(1)

\(\omega_{p}=\frac{\sigma_{\lambda}^{r a y} d_{p}}{\delta_{p}}\)       식(2)

\(b_{l, p}=\frac{\sigma_{\lambda}^{r a y} d_{p} \cdot b_{l, r a y}}{\sigma_{\lambda}^{r a y} d_{p}}\)       식(3)

복사모의 실험에는 Brion et al.(1993)의 오존 흡수 단면적 자료와 NCEP FNL 기상 입력 자료(https://rda. ucar.edu/datasets/ds083.2/)가 이용되었고, 순수하게 온도와 지면 압력 오차가 오존 프로파일 산출에 미치는 영향을 평가하기 위해 구름 및 에어로졸을 제외하고 실험을 수행하였다. 또한 복사 전달 계산에 있어서 충분한 계산 속도를 보장하면서 정확도 손실을 최소화하기 위하여 스트림(stream) 개수는 8개로 설정하였다. 본 연구에 사용된 모델 세부 설정 내용은 Table 1과 같으며, 이렇게 설계된 복사모델을 통해 2004년부터 오존 관측자료를 산출하고 있는 OMI 관측 사양에 맞추어 복사 스펙트럼을 모의 하였다. 이를 위해 270~330 nm의 오존 흡수 파장영역에 대해서 0.01 nm 파장간격으로 조밀하게 계산된 복사 스펙트럼에 OMI 기기 반응 함수(Gaussian, 0.45 nm 반치폭)로 합성곱(convolution)을 적용하였으며, 약 0.42 nm의 OMI의 파장 간격으로 내삽하여 분석을 수행하였다.

Table 1. Configuration of LIDORT

OGCSBN_2018_v34n3_481_t0001.png 이미지

2) 산출 민감도 계산

기상 입력 변수에 대한 오존 산출 민감도 분석을 위해 최적 추정법의 오차 분석 기법이 사용되었다(Rodgers, 2000). 실제 대기 상태벡터 x에 대한 산출벡터 \(\hat x\)의 오차는 식(4)와 같이 분석할 수 있다.

\(\begin{aligned} \hat{x}-x=&(a-\mathrm{i})\left(x-x_{a}\right)+g_{y} k_{b}(b-\hat{b})+\\ & g_{y} \delta f+g_{y} \varepsilon \end{aligned}\)       식(4)

\(g_{y}=\frac{\partial_{x}}{\partial_{y}}=\left(k^{t} s_{y}^{-1} k+s_{a}^{-1}\right)^{-1} k^{t} s_{y}^{-1}\)       식(5)

식(4)에서 우항의 첫번째 항은 위성 관측의 수직분해 능 한계로 인해 발생하는 smoothing error 항으로써 이를 정의하기 위해서는 Averaging kernel(A = GK)에 대한 이해가 요구된다. Averaging kernel은 관측정보에 대한 산출값의 민감도 정보를 제공하며, 1에 가까울수록 산출 과정에 있어서 관측정보에 대한 의존도가 높아지고, 0에 가까울수록 a priori 정보에 대한 의존도가 높아진다 (Rodgers, 2000). 우항의 나머지 항들은 복사값 오차에 기인한 산출 오차항들로써 각각 모델 입력 변수 오차, 복사모델 오차, 기기관측 오차에 기인한 산출 오차를 나타낸다. 여기서 b와 \(\hat b\)은 복사 입력 변수의 참값과 모델 입력값을 나타내며, Kb는 입력 변수 b에 대한 복사 민감도, Δf는 실제 물리과정에 대한 복사모델 오차, ε는 관측 오차값을 의미한다. 식(4)에 나타난 바와 같이 각 오차 성분들에 대한 상태벡터 x의 산출 오차는 복사값에 대한 산출 민감도를 의미하는 기여함수(Contribution function, Gy)를 복사값 오차에 곱하여 얻을 수 있으며, 여기서 기여함수는 피팅 변수들의 a priori 오차 공분산 (Sa)과 가중함수(K), 그리고 관측 오차 공분산(Sy)으로부 터 식(5)와 같이 계산된다

오존 프로파일 산출의 경우 기상 입력 변수는 식(4)에서 복사모델 입력 변수인 b에 해당하며, b의 오와 복사 민감도를 안다면, 기여 함수를 이용하여 연쇄 법칙에 의해 다음과 같이 오존 산출 오차를 추정할 수 있다.

\(\delta o_{3}=\frac{\partial \widehat{x_{o_{3}}}}{\partial_{y}} \cdot \frac{\partial y}{\partial x_{b}} \cdot \delta x_{b}\)       식(6)

위 식에서 Δxb와 ΔO3는 각각 모델 입력 변수의 오차와 이로 인한 오존 산출 오차를 의미하며, (∂Y/∂xb)는 모델 입력 변수값 변화에 대한 복사량의 변화, 즉 가중함수를 나타낸다. 지면 압력 및 오존의 가중함수는 복사 전달 모델에서 유한 차분법을 이용하여 계산되며 (Spurr, 2006), 온도의 가중함수는 오존의 가중함수로부터 추정 가능하다(Bhartia et al., 2002). 또한 (\(\partial \widehat{x_{o_{3}}}\)/∂Y)는 산출오존에 대한 기여함수로써 식(5)에 제시한 Gy와 같다. 본 실험에서는 기여함수 Gy를 구성하기 위하여 오존 산출에 가장 중요하게 작용하는 오존과 지표 반사도를 피팅 변수로 설정하였고, 오차 공분산 값으로는 중위도 지역에 해당하는 a priori 오차 공분산과 OMI 관측 오차 공분산을 각각 사용하였다.

3. 기상 입력 변수 오차

온도와 지면 기압 정보는 직접 및 원격 관측을 통해 다양하게 수집되고 있지만 관측 자료의 시공간적인 한계로 인하여 실시간 관측값만을 이용한 자료 처리 시스템의 운용은 현실적으로 불가능하다. 따라서 현업의 오존 프로파일 산출 알고리즘은 NCEP 또는 European Centre for Medium-Range Weather Forecasts(ECMWF) 등의 기상 수치 모델 자료를 주로 사용하게 되며, 위성 자료 처리 시스템의 운용 상황에 따라 예측자료, 재분석 자료 그리고 기후값 등이 활용되고 있다(Liu et al., 2005, 2010; van Peet et al., 2014). 이러한 수치 모델 자료가 갖는 불확실성은 오존 산출 정확도에 직접적인 영향을 미치며, 산출 결과 분석에 앞서 기상 입력 자료가 가질 수 있는 오차에 대한 이해는 필수적이다. 이에 따라, 대표적인 수치모델 자료인 NCEP FNL 자료를 통해 오존 산출 알고리즘에 사용되는 기상 입력 변수인 온도와 지면 기압값에 대한 수치 모델 자료의 오차 분석을 수행하였다. FNL 자료는 NCEP에서 현업에 사용하는기상 수치예보 모델의 최종 분석장 자료로써 해당 시간의 관측자료를 최대한 포함하여 예보를 수행한 결과를 제공한다. 시간 분해능에 따른 자료의 품질 저하를 정량적으로 비교해 보고자 6시간 간격으로 제공되는 1°×1° 공간분해능의 NCEP FNL 자료를 일별로 가중평균하여 구축 일 자료와, 10년간의 월별 자료 분석을 통해 구축한 월 기후 자료를 각각 존데 관측 자료를 이용하여 평가하였다. 시공간 해상도의 차이가 존재하는 존 데 관측자료와 수치 예보자료는 관측자료를 기준으로 가장 가까운 시간과 공간의 모델자료로 시공간 일치시켰고, 2004~2008년의 기간 동안 전 지구적으로 다양한 위도에 위치하면서 안정적인 관측 자료를 제공한 9개의 관측 지점을 선택하여 오차의 평균 및 표준편차 분석을 수행하였다. Table 2는 9개 지점의 위치 정보 및 오차 분석 결과를 나타내며, Fig. 1은 위도별로 대표적인 3개 지점을 선택하여 그림으로 표현한 것이다. 연직 온도의 경우 대체로 일 자료보다 월 기후 자료에서 큰 오차를 나타내며, 고위도 지점으로 갈수록 월 자료의 오차 변동폭이 눈에 띄게 커지는 것을 확인할 수 있다. 저 위도인 HILO 지점에서는 일 자료와 월 기후자료 모두 지표면 근처에서 존데 관측자료와 2K 이내의 오차를 보였으나 상층으로 갈수록 음의 편이가 점차 커져 두 자료 모두 존데 관측자료와 약 4.5K까지 차이가 났다. 한편 중위도인 POHANG 지점에서는 전 고도에 걸쳐 일 자료는 약 2K 전후의 오차를 보인 반면 월 기후자료는 3~5K의 오차를 보였다. 마지막으로 고위도에 해당하는 SODANKYLA 지점에서는 상층을 제외하고 2K 이내의 오차를 보인 일 자료에 비해 월 기후자료는 5K 내외의 상당히 큰 오차를 나타냈다. 이처럼 고위도 지역으로 갈수록 월 기후자료의 오차 범위가 커지는 것은 연간 태양 입사 에너지가 크게 변하지 않는 저위도 지역에 비해 고위도 지역은 상대적으로 입사되는 에너지량의 변화가 크고 이로 인해 온도의 변동성이 커지기 때문이다. 지면 기압의 경우 같은 방법으로 존데 관측값에 대한 일 자료와 월 기후자료의 오차를 각각 분석했을 때, WALLOPS ISLAND의 0.92±1.67 hPa부터 HILO 의 83.12±56.71까지 지점별로 상이한 모습을 보였고, 대체로 일 자료보다 월 자료의 오차가 크게 나타났으나 그 편차가 온도의 경우처럼 뚜렷하지 않았다[Table 2]. 또한 온도와는 다르게 위도에 따른 오차 특성이 거의 나타나지 않았고, 지역적인 편차가 크게 나타났다. 이러한 결과는 지면 기압이 연직 온도에 비해 지표 특성에 의한 영향을 크게 받는 것에 기인한다. 1°×1°의 넓은 공간해상도를 갖는 수치모델 자료는 해당 관측 지점뿐만 아니라 주변 지형의 특성을 모두 포함하게 되며 이로 인해 관측 지점의 특성을 충분히 반영하기에는 한계가 따른다. 더욱이 지면 기압은 온도에 비해 수치의 변동폭이 작기 때문에 결과적으로 위도에 따른 오차 특보다 지역적인 편차가 크게 나타난 것으로 보인다

OGCSBN_2018_v34n3_481_f0001.png 이미지

Fig. 1. Mean and standard deviation of the difference between sonde and FNL temperature profile (dashed: FNL daily profile solid: FNL monthly climate profile) from 2004 to 2008: (a) HILO; (b) POHANG; (c) SODANKYLA.

Table 2. Mean and standard deviation of the difference between sonde and FNL data from 2004 to 2008 (The number in the bracket represents standard deviation of the difference between sonde and FNL data)

OGCSBN_2018_v34n3_481_t0002.png 이미지

4. 온도와 지면압력에 대한 오존 산출 민감도 분석

온도와 지면압력에 대한 연직 오존 산출 오차를 계산하기 위해서는 식(6)에서 나타낸 바와 같이 각각의 파라미터에 대한 복사 민감도(∂Y/∂xb)가 요구된다. 여기서, 복사 민감도는 해당 입력 변수가 관측 스펙트럼 영역에서 갖는 광학적 특성을 대표하는 값으로써, 산출 오차 분석에 앞서 이에 대한 이해는 매우 중요하다. 중위도의 구름이 없는 맑은 날, 온도와 지면 기압의 복사 민감도를 살펴보면 Fig. 2와 같다.

OGCSBN_2018_v34n3_481_f0002.png 이미지

Fig. 2. Weighting functions (WFs) of (a) temperature profile and (b) surface pressure for a geometric condition of mid-latitude (solar zenith angle: 65.00, viewing zenith angle: 2.00, azimuth angle: 82.00, albedo: 0.01). The dashed line in (a) represents the ozone vertical distribution.

온도의 경우 300 nm 미만의 짧은 파장들은 30 km 이상의 높은 고도에서 민감도가 크게 나타나는 반면, 300 nm 이상의 긴 파장들은 오존 농도가 가장 높은 최대 오존층에 해당하는 20~30 km 고도에서 대부분 높은 복사 민감도를 보이고 있다. 지표 근처에서는 300 nm 이상의 파장에서 상대적으로 높은 민감도가 나타나지만, 이는 해당 파장이 최대 오존층에서 나타내는 민감도보다는 낮은 수준이다. 300 nm보다 짧은 파장은 레일리 산란이 강하게 작용하기 때문에 상층에서 대부분의 산란이 이루어져 최대 오존층보다도 상층의 민감도가 높게 나타나며, 이보다 파장이 긴 경우에는 광선이 최대 오존층을 지나 하층까지 도달하기 때문에 지표 근처까지 민감도가 나타나는 것으로 보인다. 온도의 복사 민감도는해당 파장 영역에서 오존의 흡수가 지배적이기 때문에 연직 오존 분포와 관련이 깊으며, 이로 인해 오존에 의한 흡수가 가장 많은 최대 오존층에서 가장 큰 민감도를 나타낸다. 정량적으로 봤을 때 온도에 대한 복사 민감도가 가장 크게 나타나는 파장은 310~315 nm인데, 이는 파장에 따른 오존의 흡수계수의 변화와 연관 지을 수 있다. Fig. 3의 파장에 따른 오존 흡수 단면적 변화를 살펴보면, 파장이 길어질수록 오존의 흡수 효율은 떨어지는 반면, 온도에 대한 민감도는 커지는 것을 확인할 수 있다. 즉, 310~315 nm보다 파장이 짧은 경우에는 오존 흡수계수의 온도에 대한 민감도가 낮고, 이보다 파장이 더 긴 경우에는 오존의 자외선 흡수량이 낮아 상대적으로 온도에 대한 민감도가 낮게 나타나는 것으로 볼 수 있다. 지면 기압의 경우에는 레일리 산란이 강하게 일어나는 300 nm 이하의 파장은 지면에 거의 도달하지 않기 때문에 300 nm 이상에서만 민감도가 나타나며, 300 nm부터 민감도가 급격히 증가하다가 약 315 nm를 전후해서는 오존의 자외선 흡수 효율이 줄어듦에 따라 상승폭이 점차 줄어드는 모습을 보였다

OGCSBN_2018_v34n3_481_f0007.png 이미지

Fig. 3. (a) Ozone absorption cross-section for each temperature. (b) Changes in ozone absorption cross-section for temperature difference.

온도와 지면압력에 대한 오존 산출 민감도(\(\partial \widehat{x o}_{3}\)/∂xb) 는 앞서 살펴본 복사 민감도에 기여 함수를 곱하여 구해지며, Fig. 4는 이렇게 구한 각각의 오존 산출 민감도를 나타낸다. Fig. 4(a)에서 온도에 대한 오존 산출량 변화를 온도 변동 고도에 따라 서로 다른 색의 프로파일로써 나타내었으며, 각 프로파일에 해당하는 고도를 사각형 심볼로써 표현하였다. 온도 변화에 대한 오존 산출량의 변화는 30 km 이하의 고도에서 대부분 나타나며, 오존 산출 민감도는 최대 오존층이 존재하는 20~30 km 고도에서부터 고도가 낮은 방향으로 음의 변화와 양의 변화가 번갈아 나타나는 모습을 보인다. 주로 최대 오존층의 온도 변화에 대한 민감도가 크게 나타나며, 40 km 이상의 온도 오차는 오존 산출에 미치는 영향이 거의 없음을 확인할 수 있다. 이러한 특성들은 온도에 대한 복사 민감도가 대부분 오존 수밀도가 가장 높은 최대 오존층에 집중된 것과 관련하여 설명할 수 있다. 대기 광학 두께를 결정하는 식(1)에서 오존 흡수항은 오존 흡수 계수와 오존 입자 수밀도에 의해 결정되기 때문에 오존 수밀도가 가장 많은 최대 오존층에서 온도의 복사 민감도가 가장 크게 나타나며, 온도의 가중함수로부터 계산되는 오존 산출 오차 역시 최대 오존층의 온도 오차에 가장 민감하게 반응하는 것으로 보인다. 또한 최대 오존층에서 오 산출값은 주로 음의 변화를 나타내는데, 이는 실험 설계 과정에서 온도 입력값 오차에 대한 오존 산출량 변화를 분석하고자 복사량을 고정시킨 것에 기인한다. 온도 변화에 대해 레일리 산란의 변화가 없다는 가정 하에 온도 증가로 인해 오존 흡수 단면적이 증가함에 따라 오존의 복사 흡수 효율이 높아진 반면, 관측되는 복사량은 고정되어 있기 때에 결과적으로 산출되는 오존의 양은 오히려 줄어들게 된다. 한편 지면 기압의 경우에는 온도와는 반대되는 형태의 오존 산출 민감도를 보였다[Fig. 4b]. 온도가 고정된 상태에서는 지면 기압이 증가할 경우, 이상기체 법칙에 의해 지면 근처의 기체입자 수밀도가 증가하게 되는데 이는 지면 온도가 감소하는 것과 동일한 효과를 나타낸다. 정량적으로 봤을 때, 지면 기압 오차에 대한 오존 산출량 변화는 1 hPa 당 0.002 DU 미만으로써 앞서 3장에서 살펴본 50 hPa 이내의 일반적인 수치 모델 오차에 대해서는 큰 영향을 미치지 않으나, HILO 지점과 같이 100 hPa 이상의 오차를 보이는 경우에는 층별로 0.2 DU 이상의 차이를 줄 수 있을 것으로 보인다

OGCSBN_2018_v34n3_481_f0003.png 이미지

Fig. 4. Sensitivity of ozone profile retrievals for unit (a) temperature profile and (b) surface pressure errors. The altitudes given temperature error in (a) are represented by different colors and the location of square symbols on the profiles. In each panel, solid and dashed lines represent temperature and ozone profiles respectively

오존 프로파일 산출 과정에서 온도와 지면 기압에 대한 복사 민감도는 온도와 오존 프로파일과 같은 연직 대기 성분에 따라 변화하며, 동일한 연직 대기 성분에 대해서도 관측 기하 조건 및 지표 반사도에 따라 변화할 수 있다. 이러한 복사 민감도의 변화는 온도와 지면 기압에 대한 오존 산출 민감도 변화를 야기하며, 위성 관측의 경우 각 화소마다 관측 조건 및 대기 상태가 상이하기 때문에 이에 따른 오존 산출 민감도의 변화 특성을 살펴볼 필요가 있다. Fig. 5는 태양 천정각, 위성 천정각, 방위각, 그리고 지표 반사도에 따른 온도와 지면 기압의 오존 산출 민감도 변화를 나타낸다. 표현상의 한계로 인하여 온도는 오존 산출 민감도가 가장 크게 나타나는 최대 오존층을 선택하여, 해당 층의 온도 오차에 대한 오존 산출 민감도를 나타내었다. 온도의 경우 태양 천정각이 커질수록 민감도가 커지는 경향을 보이며, 60°~70°을 전후하여 급격하게 온도에 대한 오존 산출 민감도가 커지는 것을 볼 수 있다. 정량적으로 보면 태양 천정각이 낮을 경우 1K 온도 변화에 대해 약 0.1 DU내외, 태양 천정이 높을 경우 0.2 DU까지 오존 산출값의 변화를 보이고 있다. 방위각에 따른 민감도 변화는 0.05 DU/K 이내로 비교적 낮게 나타나고 있으며, 위성 고도각에 대한 오존 산출량의 변화는 본 논문에 포함하지는 않았지만 구름과 에어로졸이 없는 균질한 대기를 가정했기 때문에 태양 고도각의 변화와 거의 유사한 경향을 보임을 확인할 있었다. 마지막으로 지표 반사도에 따른 민감도 변화를 살펴보면 반사도가 커질수록 온도 변화에 대한 오존 산출값 변화가 커지는 경향을 보이며, 이는 지표 근처에서 특히 뚜렷하게 나타났다. 이러한 결과는 광경로가 길어지고 지표 반사도가 커질수록 오존의 가중함수가 커지고, 민감도는 증가한다는 선행 연구의 결과들과 일치한다(Bai et al., 2014; Bak et al., 2016). 지면 기압의 경우에는 상층 오존의 경우 태양 천정각이 클 때 민감도가 높고, 하층 오존의 경우에는 태양 천정각이 낮을 때 민감도가 높게 나타났다. 방위각에 따른 민감도 변화는 지표 반사 특성으로 인해 온도의 경우보다 다소 크게 나타났고, 지표 반사도에 대해서는 반사도가 커질수록 오존 산출에 지면 기압의 영향이 줄어드는 모습을 보였다. 이와 같은 지면 기압에 대한 오존 산출 민감도의 변화는 레일리 산란으로 인해 광 경로가 길어질 경우 하층에 도달하는 파장이 줄어들어 상대적으로 상층 오존의 변화가 커지고, 반대의 경우 하층에 도달하는 파장이 상대적으로 많아져 하층 오존의 변화가 커지는 것으로 볼 수 있다. 또한 반사도가 커질 경우에는 오존의 가중함수가 커짐에 따라 지표보다는 대기의 기여도가 확대되어(Bai et al., 2014) 지면의 영향이 줄어드는 것으로 사료된다.

OGCSBN_2018_v34n3_481_f0004.png 이미지

Fig. 5. Sensitivity of ozone profile retrieval for temperature error of ozone maximum layer (upper panels), and surface pressure (bottom panels) in changing geometric conditions (left: solar zenith angle, middle: azimuth angle, right: albedo).

관측 기하 조건이 온도나 지면 기압에 대한 오존 산출 민감도를 확대하거나 축소시키는 반면, 온도 프로파일 또는 오존 프로파일은 오존 산출 민감도의 형태를 크게 변화시킨다. Fig. 6은 동일한 오존량과 관측 기하 조건에 대해서 저위도, 중위도, 고위도에 해당하는 온도 프로파일(회색 실선)을 각각 적용하여 계산한 온도에 대한 오존 산출 민감도를 나타낸 것이다. 전체적으로 온도가 낮은 대류권계면 부근에서 오존 산출 민감도는 양의 값을 나타내며 지표 근처에서는 음의 값을 보이고 있다. 특히 지표면 온도가 가장 높은 저위도 온도 프로파일을 사용한 경우, 음의 민감도가 상당히 뚜렷하게 나타났다. 온도에 대한 오존 산출 민감도는 온도의 복사 민감도를 바탕으로 계산됨에 따라 해당 고도의 오존량과 도의 영향을 크게 받게 되는데, 대체로 오존의 양이 많고 온도가 높은 최대 오존층 고도에서 음의 값을 나타내며, 이에 대한 보상 효과로써 주로 상대적으로 온도가 낮은 대류권계면 고도에서 양의 값을 보였다.

실제 온도 자료 오차로 인해 발생할 수 있는 오존 산출 오차를 살펴보기 위하여 앞서 3장에서 살펴본 2004~ 2008년 안 HILO, POHANG, SODANKYLA 지점에서 나타난 연직 온도 오차에 중위도의 온도 프로파일 및 오존 프로파일을 적용하여 오존 산출 오차를 계산하고, 고도별로 오차의 평균과 표준편차를 분석하였다[Fig. 7]. 연직 온도 입력값의 불확실성으로 인한 오존 프로파일 산출 오차는 각 층별 온도 오차의 영향이 모두 누적되기 때문에 앞서 살펴본 수치들보다 큰 규모의 오차가 나타났다. 전체적으로 고도 25 km 이상에서는 지점별로 2~7K의 온도 오차가 존재했음에도 불구하고 해당 고도에서 오존 산출 오차가 거의 발생하지 않은 반면, 약 6 km, 15 km, 20 km 고도에서는 꽤나 큰 오존 산출 오차가 나타나는데, 이는 Fig. 6b에서 살펴본 중위도 대기 연직 조건에서 오존 산출 오차 크게 나타나는 고도와 일치한다. 또한 전체적으로 음의 편이가 나타남에 따라 Fig. 6b와는 반대되는 형태로 연직 오차 프로파일이 나타났다. 일 자료의 경우에는 세 지점에서 대부분 1 DU 내외의 오존 산출 오차를 나타냈지만, HILO에서는 온도에 대한 민감도가 높은 25 km 고도에서 다른 지점에 비해 큰 -2±1.3K의 온도 오차가 나타남에 따라 15 km 부근에서 최대 3 DU에 가까운 오존 산출 오차가 발생하였다. 한편, 월 기후 자료의 경우 오존 산출 오차가 일 자료보다 대체로 큰 모습을 보이며, 최대 오존층에서 가장 온도 오차가 컸던 SODANKYLA 지점의 경우 4 DU 을 초과하는 수준까지 오존 산출 오차가 나타남을 확인할 수 있었다. 또한 POHANG과 HILO 지점을 비교해볼 때 지표 근처에서 POHANG 지점의 온도 오차가 훨씬 크게 나타났음에도 불구하고 오존 산출 오차는 거의 비슷한 것을 볼 수 있는데, 이는 지표 근처의 오존 산출 오차가 해당 층의 온도 오차보다도 최대 오존층의 온도 오차에 더 큰 영향을 받을 수 있음을 의미한다. 일 자료와 월 기후자료 사이의 오존 산출 오차는 온도의 오차 특성과 마찬가지로 위도가 높아질수록 커지는 모습을 보였으며, 고위도인 SODANKYLA 지점에서는 두 자료 간에 최대 4 DU에 가까운 오차 변동폭 차이를 나타냈다

OGCSBN_2018_v34n3_481_f0005.png 이미지

Fig. 6. Same as Fig. 4a but for using the temperature profiles of (a) low, (b) mid, and (c) high latitudes

OGCSBN_2018_v34n3_481_f0006.png 이미지

Fig. 7. Errors for ozone profile retrieval calculated from the profile errors of Fig. 1: (a) HIO; (b) POHANG; (c) SODANKYLA.

5. 결론

본 연구에서는 오존 프로파일 산출에 필요한 기상 입력 변수의 정확성이 오존 산출 결과에 미칠 수 있는 영향을 다양한 복사모의 실험을 통해 분석하였다. 이를 위해 오존 프로파일 산출 알고리즘에서 주로 사용되는 수치 모델 자료의 연 온도와 지면 기압 오차를 평가하였고, 이러한 오차로부터 발생할 수 있는 오존 산출 오차를 정량적으로 분석하였다. 지면압력의 경우 0.92±1.67 hPa부터 83.12±56.71까지 지점별로 상이한 수치모델 자료 오차를 보였으며, 층별로 최대 0.002 DU/hPa의 오존 산출 민감도를 바탕으로 추정해 봤을 때, 대부분의 지점에서 오존 산출 오차는 0.1 DU 미만으로 크지 않았으나 HILO와 같은 일부 지점에서는 0.2 DU 이상으로 무시할 수 없는 수준임을 알 수 있었다. 반면 온도는 지점과 고도에 따라 일 자료에서 2.5K 내외, 월 자료에서 4.5K 내외의 오차를 보였으며, 이에 대한 오존 산출 오차는 각각 3 DU과 4 DU 이상까지 나타남을 알 수 있었다. 특히 온도에 대한 오존 산출 오차는 고농도의 오존이 존재하는 20~30 km 고도의 온도 오차에 가장 민감하게 반응하였으며, 이로 인한 오존 산출 오차가 나타나는 고도는 온도 프로파일에 따라 다양하게 나타났다. 또한 온도와 지면 기압에 대한 오존 산출 민감도는 관측 기하 조건 및 지표 반사도에 따라서도 다르게 나타났는데, 온도의 경우 태양 천정각이 커질수록 오존 산출 민감도가 커지는 모습을 보였고, 지면 반사도가 커질수록 온도에 대한 오존 산출 민감도가 커지는 모습을 나타냈다. 한편 지면 기압의 경우 광경로에 따른 레일리 산란량 차이로 인해 태양 천정각과 방위각 대해서는 고도에 따라 오존 산출 민감도의 변화 경향이 다르게 나타났으며, 지면 반사도가 커질수록 지면 기압이 오존 산출에 미치는 영향이 확연히 줄어드는 것을 확인할 수 있었다. 즉, 반사도가 커지거나 광경로가 길어져 위성 관측 신호에 대기의 영향이 커질 경우 온도가 오존 산출에 미치는 민감도가 커지는 경향을 보였으며, 반대의 경우 지면 기압의 민감도가 커지는 모습을 보였다.

오존 프로파일 산출에 있어서 기상 입력 정보는 그 중요성에 비해 현재까지 크게 주목받지 못하고 있는 실정이었다. 그러나 본 연구에서 제시한 바와 같이 기후 자료에 비해 낮은 오차를 갖는 일별 온도 자료의 경우에도 층별로 2.5K 내외의 오차를 포함하였으며, 이는 최대 3 DU에 달하는 상당한 양의 오존 산출 오차를 발생시켰다. 이와 같은 온도 자료의 오차는 자료 간의 시공간일치 과정에서 발생할 수 있는 불확실성을 감안하더라도 무시할 수 없는 수준이며, 오존 산출 결과를 분석하고 활용함에 있어서 반드시 고려해야 할 사항으로 여겨진다. 특히 태양 천정각이 클 뿐만 아니라 a priori 오차 공분산과 관측 오차 공분산이 극대화되는 고위도 지역 또는 위성 천정각이 큰 지역의 존 산출 오차를 최소화하기 위해서는 고품질의 기상 입력자료가 필수적일 것으로 보인다. 따라서 보다 정확하고 안정적인 오존 프로파일 정보의 획득을 위해서는 기상 입력 정보의 선택 및 활용에 신중을 가할 필요가 있으며, 정확하고 최적화된 기상 입력 정보를 활용하기 위한 노력이 필요할 것으로 사료된다.

사사

이 논문은 부산대학교 기본연구지원사업(2년)에 의하여 연구되었음.

References

  1. Bak, J., J.H. Kim, X. Liu, K. Chance, and J. Kim, 2013. Evaluation of ozone profile and tropospheric ozone retrievals from GEMS and OMI spectra, Atmospheric Measurement Techniques, 6(2): 239-249. https://doi.org/10.5194/amt-6-239-2013
  2. Bak, J., X. Liu, J.H. Kim, M.T. Deland, and K. Chance, 2016. Improvement of OMI ozone profile retrievals by simultaneously fitting polar mesospheric clouds, Atmospheric Measurement Techniques, 9(9): 1-11. https://doi.org/10.5194/amt-9-1-2016
  3. Bai, W., C. Wu, J. Li, and W. Wang, 2014. Impact of Terrain Altitude and Cloud Height on Ozone Remote Sensing from Satellite, American Meteorological Society, 31: 903-911.
  4. Bhartia, P.K., R.D. McPeters, C.L. Mateer, L.E. Flynn, and C. Wellemeyer, 1996. Algorithm for the estimation of vertical ozone profiles from the backscattered ultraviolet technique, Journal of Geophysical Research, 101(D13): 18793-18806. https://doi.org/10.1029/96JD01165
  5. Bhartia, P.K. and C.W. Wellemeyer, 2002. TOMS-V8 Total O3 Algorithm, In: Bhartia, P.K., Levelt, P.F., van den Oord, G.H.J., Hilsenrath, E., Leppelmeier, G.W.(Eds.), OMI Algorithm Theoretical Basis Document: Vol. 2: OMI Ozone Products, NASA Goddard Space Flight Center, Greenbelt, MD, USA, pp. 51-73.
  6. Brion, J., A. Chakir, D. Daumont, and J. Malicet, 1993. High-resolution laboratory absorption cross section of O3 Temperature effect, Chemical Physics Letters, 213(5-6): 610-612. https://doi.org/10.1016/0009-2614(93)89169-I
  7. Bovensmann, H., J.P. Burrows, M. Buchwitz, J. Frerick, S. Noel, V.V. Rozanov, K.V. Chance, and A.P.H. Goede, 1999. SCIAMACHY: Mission Objectives and Measurement Modes, Journal of the Atmospheric Sciences, 56(2): 127-150. https://doi.org/10.1175/1520-0469(1999)056<0127:SMOAMM>2.0.CO;2
  8. Burrows, J.P., M. Weber, M. Buchwitz, V. Rozanov, A. Ladstatter-WeiBenmayer, A. Richter, R. DeBeek, R. Hoogen, K. Bramstedt, K.U. Eichmann, M. Eisinger, and D. Perner, 1999. The Global Ozone Monitoring Experiment (GOME): Mission Concept and First Scientific Results, Journal of the Atmospheric Sciences, 56: 151-175. https://doi.org/10.1175/1520-0469(1999)056<0151:TGOMEG>2.0.CO;2
  9. Callies, J., E. Corpaccioli, M. Eisinger, A. Hahne, and A. Lefebvre, 2000. GOME-2-metop's secondgeneration sensor for operational ozone monitoring, European Space Agency Bulletin, 102: 28-36.
  10. Chance, K.V., J.P. Burrows, D. Perner, and W. Schneider, 1997. Satellite measurements of atmospheric ozone profiles including tropospheric ozone from ultraviolet/visible measurements in the nadir geometry: a potential method to retrieve tropospheric ozone, Journal of Quantitative Spectroscopy & Radiative Transfer, 57(4): 467-476. https://doi.org/10.1016/S0022-4073(96)00157-4
  11. Choi, S., J. Bak, J.H. Kim, and K.H. Baek, 2015. Analyses of the OMI Cloud Retrieval Data and Evaluation of Its Impact on Ozone Retrieval, Atmosphere, 25(1): 117-127 (in Korean with English abstract). https://doi.org/10.14191/Atmos.2015.25.1.117
  12. Forster, P., V. Ramaswamy, P. Artaxo, T. Berntsen, R. Betts, D.W. Fahey, J. Haywood, J. Lean, D.C. Lowe, G. Myhre, J. Nganga, R. Prinn, G. Raga, M. Schulz, and R. Van Dorland, 2007. Changes in Atmospheric Constituents and in Radiative Forcing, In: Solomon, S., Qin, D., Manning, M., Chen, Z., Marquis, M., Averyt, K.B., Tignor, M., Miller, H.L.(Eds.), Climate Change 2007: The Physical Science Basis: Contribution of Working Group I to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change, Cambridge University Press, Cambridge, United Kingdom.
  13. Hofmann, D. J. and S. A. Montzka, 2009. Recovery of the ozone layer: The ozone depleting gas index, Eos, Transactions, American Geophysical Union, 90(1): 1-2. https://doi.org/10.1029/2009EO010001
  14. Kivi, R., E. Kyro, T. Turunen, N.R.P. Harris, P. von der Gathen, M. Rex, S.B. Andersen, and I. Wohltmann, 2007. Ozonesonde observations in the Arctic during 1989-2003: Ozone variability and trends in the lower stratosphere and free troposphere, Journal of Geophysical Research, 112(D8): D08306.
  15. Komhyr, W.D., B.J. Connor, I.S. McDermid, T.J. McGee, A.D. Parrish, and J.J. Margitan, 1995. Comparison of STOIC 1989 ground-based lidar, microwave spectrometer, and Dobson spectrophotometer Umkehr ozone profiles with ozone profiles from balloon-borne electrochemical concentration cell ozonesondes, Journal of Geophysical Research, 100(D5): 9273-9282. https://doi.org/10.1029/94JD02173
  16. Labow, G., R.D. McPeters, P.K. Bhartia, and N. Kramarova, 2013. A comparison of 40 years of SBUV measurements of column ozone with data from the Dobson/Brewer network, Journal of Geophysical Research, 118(13): 7370-7378. https://doi.org/10.1002/jgrd.50503
  17. Levelt, P.F., G.H.J. van den Oord, M.R. Dobber, A. Malkki, H. Visser, J. de Vries, P. Stammes, J.O.V. Lundell, and H. Saari, 2006. The Ozone Monitoring Instrument, IEEE Transactions on Geoscience and Remote Sensing, 44(5): 1093-1101. https://doi.org/10.1109/TGRS.2006.872333
  18. Liu, C., X. Liu, and K. Chance, 2013. The impact of using different ozone cross sections on ozone profile retrievals from OMI UV measurements, Journal of Quantitative Spectroscopy & Radiative Transfer, 130: 365-372. https://doi.org/10.1016/j.jqsrt.2013.06.006
  19. Liu, X., K. Chance, C.E. Sioris, R.J.D. Spurr, T.P. Kurosu, R.V. Martin, and M.J. Newchurch, 2005. Ozone profile and tropospheric ozone retrievals from the Global Ozone Monitoring Experiment: Algorithm description and validation, Journal of Geophysical Research, 110(D20): D20307. https://doi.org/10.1029/2005JD006240
  20. Liu, X., K. Chance, C.E. Sioris, and T.P. Kurosu, 2007. Impact of using different ozone cross sections on ozone profile retrievals from Global Ozone Monitoring Experiment (GOME) ultraviolet measurements, Atmospheric Chemistry and Physics, 7: 3571-3578. https://doi.org/10.5194/acp-7-3571-2007
  21. Liu, X., P.K. Bhartia, K. Chance, R.J.D. Spurr, and T.P. Kurosu, 2010. Ozone profile retrievals from the Ozone Monitoring Instrument, Atmospheric Chemistry and Physics, 10: 2521-2537. https://doi.org/10.5194/acp-10-2521-2010
  22. McPeters, R.D., P.K. Bhartia, A.J. Krueger, J.R. Herman, C.G. Wellemeyer, C.J. Seftor, G. Jaross, O. Torres, L. Moy, G. Labow, W. Byerly, S.L. Taylor, T. Swissler, and R.P. Cebula, 1998. Earth probe total ozone mapping spectrometer (TOMS): data products user's guide, NASA Technical Publication, Greenbelt, MD, USA.
  23. Rodgers, C.D., 2000. Inverse methods for atmospheric sounding: Theory and practice, World Scientific Publishing, Toh Tuck Link, Singapore.
  24. Spurr, R.D.J., 2006. VLIDORT: A linearized pseudospherical vector discrete ordinate radiative transfer code for forward model and retrieval studies in multilayer multiple scattering media, Journal of Quantitative Spectroscopy & Radiative Transfer, 102(2): 316-342. https://doi.org/10.1016/j.jqsrt.2006.05.005
  25. Tarasick, D.W., J.J. Jin, V.E. Fioletov, G. Liu, A.M. Thompson, S.J. Oltmans, J. Liu, C.E. Sioris, X. Liu, O.R. Cooper, T. Dann, and V. Thouret, 2010. High resolution tropospheric ozone fields for INTEX and ARCTAS from IONS ozonesondes, Journal of Geophysical Research, 115(D20): D20301. https://doi.org/10.1029/2009JD012918
  26. Thompson, A.M., J.C. Witte, S.J. Oltmans, and F.J. Schmidlim, 2004. SHADOZ-A tropical ozonesonde-radiosonde network for the atmospheric community, Bulletin of the American Meteorological Society, 85(10): 1549-1564. https://doi.org/10.1175/BAMS-85-10-1549
  27. Valks, P. and D. Loyola, 2008. Algorithm theoretical basis document for GOME-2 total column products of ozone, minor trace gases, and cloud properties (GDP 4.2 for O3M-SAF OTO and NTO), The German Aerospace Center, Cologne, Germany.
  28. van Diedenhoven, B., O.P. Hasekamp, and J. Landgraf, 2002. Effects of clouds on ozone profile retrievals from satellite measurements in the ultraviolet, Journal of Geophysical Research, 113(D15): D15311. https://doi.org/10.1029/2008JD009850
  29. van Oss, R.F., R.H.M. Voors, and R.D.J. Spurr, 2002. Ozone profile algorithm, In: Bhartia, P.K., Levelt, P.F., van den Oord, G.H.J., Hilsenrath, E., Leppelmeier, G.W.(Eds.), OMI Algorithm Theoretical Basis Document: Vol. 2: OMI Ozone Products, NASA Goddard Space Flight Center, Greenbelt, MD, USA, pp. 51-73.
  30. van Peet, J.C.A., R.J. van der A., O.N.E. Tuinder, E. Wolfram, J. Salvador, P.F. Levelt, and H.M. Kelder, 2014. Ozone ProfilE Retrieval Algorithm (OPERA) for nadir-looking satellite instruments in the UV-VIS, Atmospheric Measurement Techniques, 7(3): 859-876. https://doi.org/10.5194/amt-7-859-2014
  31. Wang, Y., J. Hao, M.B. McElroy, J.W. Munger, H. Ma, D. Chen, and C.P. Nielsen, 2009. Ozone air quality during the 2008 Beijing Olympics: effectiveness of emission restrictions, Atmospheric Chemistry and Physics, 9(14): 5237-5251. https://doi.org/10.5194/acp-9-5237-2009