大気の響き

大気探査または大気プロファイリングは、気圧、気温、風速、風向（風速シアを導き出す）、液体水分含有量、オゾン濃度、汚染、その他の特性など、大気柱の物理的特性の垂直分布を測定するものです。このような測定は、リモートセンシングや現場観測 など、さまざまな方法で実行されます。

最も一般的な現場観測はラジオゾンデであり、通常は気象観測気球ですが、ロケットゾンデの場合もあります。

リモートセンシング探査では、一般的に受動型赤外線放射計とマイクロ波放射計が使用されます。

• 航空計器
• 地上ステーション
• AIRSやAMSUなどの地球観測衛星機器
• 火星探査機「マーズ・リコネッサンス・オービター」の火星気候サウンダーなど、さまざまな惑星の大気の観測

温度計、気圧計、湿度センサーなど、大気の成分を直接測定するセンサーは、気球、ロケット、ドロップゾンデに搭載して空中に飛ばすことができます。また、船舶や航空機の外殻に搭載したり、塔に取り付けたりすることもできます。この場合、測定値を捕捉するために必要なのは、記憶装置とトランスポンダーだけです。

より困難なケースでは、主に衛星に搭載された放射計、光学センサー、レーダー、ライダー、シーロメーター、ソーダーなどのセンサーが関係しますが、これらは温度、圧力、湿度などの対象量を直接測定できないためです。放射と吸収のプロセスを理解することで、大気の層の間で機器が何を見ているのかを把握できます。このタイプの機器は地上局や車両から操作することもできますが (光学的方法は現場機器内でも使用できます)、衛星機器は広範囲かつ定期的なカバー範囲のため特に重要です。たとえば、3 つのNOAA衛星と 2 つのEUMETSAT衛星に搭載されたAMSU機器は、1 日もかからずに 1 度未満の解像度で地球全体をサンプリングできます。

センサーは、レーダーのように独自のソースを持つアクティブセンサーと、すでに存在するものだけを検出するパッシブ センサーの 2 つの大まかなクラスに分けることができます。パッシブ機器のソースには、散乱放射線、太陽、月、星から直接放射される光 (どちらも可視光線または紫外線の範囲に適しています)、温かい物体から放射される光 (マイクロ波や赤外線の範囲に適しています) など、さまざまなものがあります。

リムサウンダは、地球上から見える大気圏の端を観測します。これは、2 つの方法のいずれかで行われます。つまり、太陽、月、恒星、または他の送信衛星が地球の背後に隠れるときに、リムを通してそれらを追跡するか、または、何もない空間を観測して、これらの発生源のいずれかから散乱される放射線を収集します。対照的に、天底サウンダは、地表の大気圏を通して下 (天底)を観測します。SCIAMACHY 計器は、これら 3 つのモードすべてで動作します。天頂サウンダは、地上の位置から 上 (天頂) を観測します。

以下は主にパッシブ センサーに適用されますが、アクティブ センサーにも一部適用できます。

通常、取得する量の値のベクトル（状態ベクトル）と、測定値のベクトル（ ）があります。状態ベクトルは、温度、オゾン数密度、湿度などです。測定ベクトルは通常、放射計または同様の検出器からのカウント、放射輝度、または輝度温度ですが、問題に関係するその他の量を含めることもできます。順方向モデルは、状態ベクトルを測定ベクトルにマッピングします。 ${\displaystyle {\vec {x}}}$${\displaystyle {\vec {y}}}$

${\displaystyle {\vec {y}}={\vec {f}}({\vec {x}})}$

通常、マッピング は物理的な第一原理から分かっていますが、常にそうであるとは限りません。実際の測定値を実際の状態と一致させることによって、経験的にのみ分かる場合があります。衛星やその他の多くのリモートセンシング機器は、関連する物理的特性、つまり状態を測定するのではなく、特定の周波数で特定の方向に放射される放射の量を測定します。状態空間から測定空間に移動するのは通常簡単ですが (たとえば、ビールの法則や放射伝達を使用)、その逆は簡単ではありません。そのため、何らかの方法で逆 モデル を反転または見つける必要があります。${\displaystyle {\vec {f}}}$ ${\displaystyle {\vec {f}}}$${\displaystyle {\vec {f}}^{-1}}$

問題が線形の場合、何らかのタイプの逆行列法を使用できます。多くの場合、問題は不適切または不安定であるため、正規化する必要があります。適切で単純な方法としては、正規方程式または特異値分解があります。問題が弱非線形の場合、ニュートン・ラプソン法などの反復法が適切である可能性があります。

場合によっては、物理現象が複雑すぎて正確にモデル化できなかったり、順モデルが遅すぎて逆手法で効果的に使用できなかったりすることがあります。このような場合、線形回帰、ニューラル ネットワーク、統計的分類、カーネル推定などの統計的または機械学習の手法を使用して、状態空間を測定空間にマッピングする順序付けられたサンプルのペアのコレクション、つまり に基づく逆モデルを形成できます。これらは、モデル (たとえば、動的モデルの状態ベクトルと放射伝達または同様の順モデルからの測定ベクトル) から生成することも、直接的な経験的測定から生成することもできます。統計的手法の方が適切な場合があるその他のケースとしては、高度に非線形な問題などがあります。 ${\displaystyle \lbrace {\vec {x}}:{\vec {y}}\rbrace }$

• 示差吸収分光法
• 等値線取得
• 最適推定

• コロケーション（リモートセンシング）
• 逆問題
• 衛星気象学
• 歪んだT対数P図
• 熱力学図

• エグバート・ボーカーとリーンク・ファン・グロンデール (2000)。環境物理学(第 2 版)。ワイリー。
• Clive D. Rodgers (2000)。大気探査のための逆解析法：理論と実践。World Scientific。

• ウィキメディア・コモンズの大気音響に関連するメディア
• ワイオミング大学大気探査