Data insertion in volcanic ash cloud forecasting


ANNALS OF GEOPHYSICS, Fast Track 2, 2014; doi: 10.4401/ag-6624

Data insertion in volcanic ash cloud 
forecasting

KATE L. WILKINS 1*, SHONA MACKIE1, I. MATTHEW WATSON1, HELEN 
N. WEBSTER2, DAVID J. THOMSON2, HELEN F. DACRE3 

1 University of Bristol, 2 Met Office, Exeter, 3 University of Reading
*kate.wilkins@bristol.ac.uk

Abstract

During the eruption of Eyjafjallajökull in April and May 2010, the London Volcanic Ash  
Advisory   Centre   demonstrated   the   importance   of   infrared   (IR)   satellite   imagery   for  
monitoring   volcanic   ash   and   validating   the   Met   Office   operational   model,   NAME.   This  
model is used to forecast ash dispersion and forms much of the basis of the advice given to  
civil aviation. NAME requires a source term describing the properties of the eruption plume  
at the volcanic source. Elements of the source term are often highly uncertain and significant  
effort   has   therefore   been   invested   into   the   use   of   satellite   observations   of   ash   clouds   to  
constrain them. This paper presents a data insertion method, where satellite observations of  
downwind   ash   clouds   are   used   to   create   effective   ‘virtual   sources’   far   from   the   vent.  
Uncertainty in the model output is known to increase over the duration of a model run, as  
inaccuracies   in   the   source   term,   meteorological   data   and   the   parameterizations   of   the  
modelled   processes   accumulate.   This   new   technique,   where   the   dispersion   model   (DM)   is  
‘reinitialized’ part­way through a run, could go some way to addressing this.

I. INTRODUCTION

atellite imagery is an important tool for 
detecting and monitoring volcanic ash 
clouds. IR satellite sensors are used for 
imaging   ash   day   and   night   and 
performing   retrievals   of   the   physical 

properties   of   ash   clouds   [e.g.   Wen   and   Rose, 
1994; Francis et al., 2012; Pavolonis et al., 2013]. 
We   present   a   novel   method   to   combine   IR 
observations   and   dispersion   modelling   for 
volcanic   ash   forecasting,   and   give   a   brief 
overview   of   some   of   the   current   methods. 
Here,   the   term   eruption   plume   is   used   to 
describe   a   column   of   ash   erupting   from   the 
volcano   vent.   Ash   which   has   been   passively 
transported by wind is described as downwind 
or distal. 

When   using   volcanic   ash   DMs   such   as   the 
Numerical   Atmospheric­dispersion   Modelling 
Environment   (NAME)   [Jones   et   al.,   2007], 
many of the eruption source parameters (ESP) 
contributing   to  the   source   term   (e.g.   eruption 
plume  height,  mass  emission   rate)  need  to  be 
estimated,   often   with   high   uncertainty,   which 
can  cause large uncertainties in  model output 
[Devenish et al., 2012a]. Furthermore, errors in 
the simulated ash cloud location in space and 
time   can   result   from   uncertainties   in   the 
driving   meteorology   [Eckhardt   et   al.,   2008], 
which   have   been   shown   to   cause   cumulative 
uncertainties   in   model   output   [Dacre   et   al., 
2011]   and  can   lead   to  errors  in   calculated   ash 
column loading (ACL).

Model validation & data assimilation

S

francescocaprara
Typewritten Text

francescocaprara
Typewritten Text



Operationally,   some   of   the   effects   of   ESP 
uncertainty   are   addressed   through   validation 
of   model   output   against   remotely   sensed   and 
in­situ   observations   prior   to   a   forecast   being 
issued   [Webster   et   al.,   2012].   Millington   et   al. 
[2012] developed a method to enable like­with­
like comparison of IR satellite imagery and DM 
output  using  the fast  radiative transfer model 
RTTOV to simulate images from the Spinning 
Enhanced   Visible/Infrared   Imager   (SEVIRI) 
sensor   on­board   the   Meteosat   Second 
Generation satellite. 
Data assimilation (DA) is used to estimate the 
true state of a system where both model output 
and  observations  are uncertain.  This  can  then 
be   used   as   an   initial   state   from   which   to 
produce   a  forecast  for  some  later  time.  DA in 
this   field   has   been   approached   a   number   of 
ways.   Denlinger   et   al.   [2012]   presented   a 
Bayesian method to forecast uncertainty in ash 
dispersion.   A   genetic   algorithm   variational 
approach is presented by Schmehl et al. [2011] 
to minimize differences between modelled and 
observed   ash   concentrations.   Inversion 
modelling is a DA method that has been used 
to  estimate   optimized   ESPs,   for   both   volcanic 
ash   [e.g.   Stohl   et   al.,   2011;   Kristiansen   et   al., 
2012]   and   SO2  [e.g.   Eckhardt   et   al.,   2008; 
Flemming and Inness, 2013; Boichu et al., 2014], 
using   later   observations   to  reduce   ESP 
uncertainty   and   hence   improve   DM 
predictions.
The   above   methods   have   been   shown   to 
improve   ESP   estimation;   however,   even   if   the 
source term is known perfectly, uncertainties in 
model output can still increase with run time. 
A   simple   method   is   presented   here   using 
satellite   observations   to   initialize   DM 
simulations at a series of time­steps. This may 
halt   the   propagation   of   some   uncertainty   via 
sequential   updates   of   the   simulations   instead 
of ESP correction, and requires little to no prior 
knowledge of the eruption source term.

II. METHODS

The   viability   of   using   retrievals   from   IR 
satellite observations of downwind ash clouds 
to initialize NAME dispersion and sequentially 
update   NAME   output   (data   insertion)   is 

examined.     No   uncertainty   analysis   has   yet 
been undertaken; this is an initial investigation 
which   assumes   negligible   uncertainty   in   both 
the model and observations (see section IV for 
a short discussion). We use ACL and ash cloud 
height   (ACH)   estimates   from   the   13­14   May 
2010   Eyjafjallajökull   ash   cloud   retrieved   from 
the SEVIRI sensor following the 1D­variational 
(1D­Var)   method   of   Francis   et   al.   [2012],   and 
meteorological data from the global version of 
the Met Office Unified Model (MetUM). 

Table1:  Volcanic ash PSD used operationally in NAME  
and distal PSD based on Table 1 from Dacre et al. [2013],  

derived from FAAM observations on 14 May 2010.
Particle 
diameter 

(µm)

Fraction of total mass
Operational 

NAME
Measured distal

0.1­0.3 0.001 0.000
0.3­1.0 0.005 0.006
1.0­3.0 0.050 0.235
3.0­10.0 0.200 0.535
10.0­30.0 0.700 0.224
30.0­100.0 0.044 0.000

Data insertion
Each pixel from the SEVIRI image identified as 
ash  is treated as a  source in  NAME. Together 
they contribute to a ‘virtual source’ where they 
are   released   into   the   model   atmosphere 
instantaneously.
The   retrieval   provides   no   information   on   the 
vertical  structure  of  the  ash,  so  the  entire  ash 
cloud is estimated to be 1 & 2 km thick, based 
on   UK   Facility   for   Airborne   Atmospheric 
Measurements   (FAAM)   BAe­146   aircraft   lidar 
and   Cloud   and   Aerosol   Spectrometer   (CAS) 
measurements on 14 May 2010 [Johnson et al., 
2012;     Marenco   et   al.,   2011],   with   a   normally 
distributed   vertical   ash   profile.   The   ash 
concentrations   are   calculated   using   the 
retrieved   ACLs   and   the   estimated   source 
volumes. 
The   particle   size   distribution   (PSD)   used 
operationally   in   NAME   (Table   1)   includes 
particle   sizes   outside   the   range   detectable   by 
SEVIRI (~1­35 µm diameter [Stohl et al., 2011]). 
Both the operational PSD and one based on the 
distal   PSD   from   Table   1   in   Dacre   et   al.   [2013] 



derived   from   FAAM   measurements,   which   is 
more   representative   of   the   SEVIRI   detection 
thresholds,   are   used   for   the   simulations.   A 
time­series   of   simulations   are   then   combined 
to produce a forecast. The presence of water in 
the   atmosphere   as  clouds   can   obscure   ash   by 
overlying it, by ash  particles becoming coated 
in ice, or where an ash cloud has a high water  
content   [Rose   et  al.,   1995],   so   by   combining   a 
series   of   model   runs   initialized   using   the 
observations,   it   is   more   likely   that   features 
obscured   by   atmospheric   water   in   one   image 
are  captured  in   others  and   evolved   with   time 
in the dispersion model.

III. RESULTS

Fig. 1a) shows a SEVIRI ‘DustRGB’ false color 
composite image at 1315 UTC on 14 May 2010 
where   ash   shows   as   a   pink   streak   extending 
northwest from Scotland toward Iceland and as 
a   yellow   region   west   of   Iceland   [Devenish   et 
al.,   2012b],   b)   is   a   NAME   simulation   for   that 
time   using   a   source   term   based   on   the   Met 
Office’s   “best   guess”   of   the   plume   height, 
calculated   eruption   rate   and   the   operational 
PSD in Table 1 [Webster et al., 2012], and c) is 
retrieved ACL. The data insertion forecast d) is 
a combination of the greatest ACL values (for 
each   grid   cell)   of   four   NAME   simulations 
ending   at   1315   UTC   14   May,   initialized   using 
retrievals from 2115 UTC 13 May, 0115, 0515 & 
0915   UTC   14   May,   assuming   1   km   layer 
thickness   and   normal   vertical   distribution   at 
the time of insertion. Both the “best guess” and 
data   insertion   simulations   are   in   good 
agreement   with   the   ash   position   in   1a   &   c), 
however   1b)   shows   lower   ACL   over   the 
northeast   and   north   of   Iceland   and   much 
higher   values   west   of   Iceland   than   either   the 
retrieval or data insertion simulation. 
Fig.   1d)   shows   a   large   patch   of   ash   over 
Greenland which is not visible in 1c) nor in 1b). 
It   is  possible   to  make   out   a   pink   area   in   that 
region   in   1a)   which   may   be   ash;   there   is   a 
negative   brightness   temperature   (BT) 
difference   in   this   region   of   the   image   (BT   at 
10.8   µm   wavelength   ­   BT   at   12.0   µm 
wavelength) [not shown] which could indicate 
the   presence   of   ash,   but   it   is   not   clearly 

distinguishable   from   background   values.   Fig. 
13c)   in   Johnson   et   al.   [2012]   shows   lidar   and 
CAS  derived   ash   concentration   profiles  for  14 
May at 59.6°N 7.0°W. The ash layer has a peak 
concentration at ~800 µg m­3 and is ~2 km thick 
extending from ~5­7 km altitude. 

Figure 1:  Eyjafjallajökull ash cloud at 1315 UTC 14  
May 2010. a) SEVIRI ‘DustRGB’ false color composite  
image.  b) “Best guess” NAME source term estimate  
(ACLs >10 g m­2 shown as 10 g m­2). c) 1D­Var ACL  

retrieval.  d) Data insertion forecast. Only ACLs >0.01 g  
m­2 shown in 1b & d, color bar is for 1b­d.

Fig. 2 shows “best guess” and data insertion (1 
&   2   km)   modelled   profiles   for   the   same 
location at 1315 UTC using both PSDs in Table 
1,   and   a   shaded   region   showing   the 
approximate   extent   of   the   observed   ash   layer 
shown   in   Johnson   et   al.   [2012].   All   of   the 
modelled   peak   concentrations   are   in 
reasonable   agreement   with   the   measurement­
derived   profiles,   with   those   from   the   data 
insertion runs slightly higher. These layers are 
also ~2 km below the measured altitude (at a 
concentration of 200 µg m­3), possibly reflecting 
an   underestimation   of   heights   in   the   1D­Var 
retrieval. However, the thickness of these layers 
is   2­3   km   and   therefore   in   better   agreement 
than   the   “best   guess”   source   term   estimate, 
which is ~4 km.



Figure 2: Ash concentration profiles for 1315 UTC  
14 May at 59.6°N 7.0°W.  The solid line is the “best  

guess” NAME source term estimate. Other lines  
are the data insertion (DI) method assuming 1 and  
2 km thick ash layers using the measured distal (M)  

and operational (O) PSDs shown in Table 1. The  
line “DI 1 km PSD(M)” is from Fig. 1d). The filled  
box shows the approximate observed concentration  

profile from Fig. 13c) in Johnson et al. [2012].

IV. DISCUSSION

By assuming that the ash forms a single 1­2 km 
thick layer distributed normally in the vertical, 
potential multi­layered ash clouds are ignored. 
Also,   ash   particles   with   sizes   outside   the 
SEVIRI   detection   range   and   ash   obscured   by 
overlying   meteorological   cloud   for   long   time 
periods   may   not   be   included   in   the   ‘virtual 
source’.   Therefore   the   data   insertion   method 
may   produce   less   conservative   forecasts   than 
where   the   ash   is   initialized   at   the   eruption 
plume.   However,   the   vertical   depth   and 
distribution   of   the   ash   layer   can   be   updated 
according   to  observations  from   satellite­based 
lidar   (e.g.   CALIOP)   or   research   flights   when 
they   become   available.   These   observations 
could   also   be   used   to   validate   the   1D­Var 
height   estimates,   which   correspond   to   the 
height of radiative emission and therefore may 
be below the top of the ash cloud for a sparse 
cloud [Francis et al., 2012].

Evaluation   of   both   model   and   observation 
accuracy   is   challenging   as   neither   constitute 
the   “truth”;   the   model   is   not   a   true 
representation   of   reality   and   in   cases   of 
disagreement   it   is   therefore   unclear   which   is 
correct.   A   more   sophisticated   implementation 
of   this   scheme   could   address   this   by 
implementing   weights   that   account   for   the 
model and observation uncertainties specific to 
each   model   and   observation   location.   For 
historical events, epistemic  uncertainties could 
be informed using other available data, but in 
an operational setting when a DM must be run 
in   near­real   time,   these   may   be   unknown   or 
poorly   constrained.   Uncertainties   can   be 
provided   by   the   1D­Var   scheme,   however 
accurate   and   reliable   model   uncertainties   are 
more   difficult   to   calculate.   There   is   ongoing 
work   in   the   dispersion   modelling   community 
to better characterize and quantify both model 
and observational uncertainty and future work 
will focus on including these.
In this paper a novel approach  using the Met 
Office   NAME   DM   and   a   1D­Var   IR   satellite 
retrieval   algorithm   is   suggested.   A   data 
insertion method is shown, using retrievals of 
downwind   ash   clouds   within   NAME   as   a 
snapshot   from   which   to   reinitialize   ash 
dispersion instead of using the eruption source 
term. An example shows good agreement with 
ash position and column loading from satellite 
imagery,   and   layer   thickness   and   peak 
concentrations   agree   reasonably   with   aircraft 
measurements,   however   layer   altitude 
estimates   are   too   low.   A   more   sophisticated 
sequential update assimilation scheme  should 
allow   known   uncertainties   in   the   model   and 
observations   to   be   well   characterized   and 
tracked   throughout   to   provide   a   forecast 
indicating uncertainty.

ACKNOWLEDGEMENTS

This   work   was   supported   by   the   Natural 
Environment   Research   Council   [Consortium 
on   Risk   in   the   Environment:   Diagnostics, 
Integration,   Benchmarking,   Learning   and 
Elicitation   (CREDIBLE)   and   Cooperative 
Awards   in   Science   &   Technology   (CASE,   Met 



Office);   grant   ref.   NE/J017450/1].   Thanks   to 
the   reviewers   for   their   helpful   comments,   to 
Pete Francis for providing code for the 1D­Var 
method and great help implementing it, Claire 
Witham,   James   Hocking   (Met   Office),   and 
Natalie   Harvey   for   helpful   input.   We 
acknowledge   use   of   the   NAME   atmospheric 
dispersion   model   and   associated   NWP 
meteorological   data   sets   made   available   to  us 
by   the   Met   Office,   and   EUMETSAT   for   the 
provision   of   SEVIRI   data   via   the   Earth 
Observation Portal.

REFERENCES

[Boichu et al., 2014] Boichu, M., Clarisse, L., et 
al.   (2014).   Improving   volcanic   sulur   dioxide 
cloud   dispersal   forecasts   by   progressive 
assimilation   of   satellite   observations.  Geophys.  
Res. Lett., 41:2637–2643.
[Dacre et al., 2011] Dacre, H.F., Grant, A.L.M., 
et   al.   (2011).   Evaluating   the   structure   and 
magnitude of the ash plume during the initial 
phase   of   the   2010   Eyjafjallajökull   eruption 
using   lidar   observations   and   NAME 
simulations.  J.   Geophys.   Res.,   116:D00U03, 
doi:10.1029/2011JD015608.
[Dacre et al., 2013] Dacre, H.F., Grant, A.L.M., 
et   al.   (2013).   Aircraft   observations   and   model 
simulations   of   concentration   and   particle   size 
distribution in the Eyjafjallajökull volcanic ash 
cloud. Atmos. Chem. Phys., 13:1277–1291.
[Denlinger   et   al.,   2012]   Denlinger,   R.P., 
Pavolonis, M.J., et al. (2012). A robust method 
to forecast volcanic ash clouds. J. Geophys. Res., 
117:D13208, doi:10.1029/2012JD017732.
[Devenish   et   al.,   2012a]   Devenish,   B.J., 
Thomson,   D.J.,   et   al.   (2012a).   A   study   of   the 
arrival over the United Kingdom in April 2010 
of the Eyjafjallajökull ash cloud using ground­
based lidar and numerical simulations. Atmos.  
Environ., 48:152–164.
[Devenish et al., 2012b] Devenish, B. J., Francis, 
P.   N.,   et   al.   (2012b).   Sensitivity   analysis   of 
dispersion   modeling   of   volcanic   ash   from 

Eyjafjallajökull   in   May   2010.  J.   Geophys.   Res., 
117, D00U21, doi:10.1029/2011JD016782.
[Eckhardt et al., 2008] Eckhardt, S., Prata, A.J., 
et al. (2008). Estimation of the vertical profile of 
sulfur dioxide injection into the atmosphere by 
a   volcanic   eruption   using   satellite   column 
measurements and inverse transport modeling. 
Atmos. Chem. Phys., 8:3881–3897.
[Flemming and Inness, 2013] Flemming, J. and 
Inness,   A.   (2013).   Volcanic   sulfur   dioxide 
plume forecasts based on UV satellite retrievals 
for   the   2011   Grímsvötn   and   the   2010 
Eyjafjallajökull   eruption.  J.   Geophys.   Res.  
Atmos., 118:172–189.
[Francis et al., 2012] Francis, P.N., Cooke, M.C., 
et al. (2012). Retrieval of physical properties of 
volcanic ash using Meteosat: A case study from 
the   2010   Eyjafjallajökull   eruption.  J.   Geophys.  
Res., 117:D00U09.
[Johnson   et   al.,   2012]   Johnson,   B.T.,   Turnbull, 
K., et al. (2012). In situ observations of volcanic 
ash clouds from the FAAM aircraft during the 
eruption of Eyjafjallajökull in 2010.  J. Geophys.  
Res., 117:D00U24.
[Jones et al., 2007] Jones, A. R., Thomson, D. J., 
et   al.   (2007).   ’The   U.K.   Met   Office’s   Next­
Generation   Atmospheric   Dispersion   Model, 
NAME   III’,   in   Borrego,   C.   &   Norman,   A.   ­L., 
(Eds)  Air Pollution Modeling and its Application  
XVII   Proc.   27th  NATO/CCMS   International  
Technical Meeting on Air Pollution Modelling and  
its Application, Springer, 580–589.
[Kristiansen et al., 2012] Kristiansen, N.I., Stohl, 
A.,   et   al.   (2012).   Performance   assessment   of   a 
volcanic   ash   transport   model   mini­ensemble 
used   for   inverse   modeling   of   the   2010 
Eyjafjallajökull   eruption.  J.   Geophys.   Res., 
117:D00U11.
[Marenco   et   al.,   2011]   Marenco,   F.,   Johnson, 
B.T., et al. (2011). Airborne lidar observations of 
the 2010 Eyjafjallajökull volcanic ash plume.  J.  
Geophys.   Res.,   116:D00U05, 
doi:10.1029/2011JD016396.
[Millington   et   al.,   2012]   Millington,   S.C., 
Saunders,   R.W.,   et   al.   (2012).   Simulated 



volcanic   ash   imagery:   A   method   to   compare 
NAME   ash   concentration   forecasts   with 
SEVIRI   imagery   for   the   Eyjafjallajökull 
eruption in 2010. J. Geophys. Res., 117:D00U17.
[Pavolonis   et   al.,   2013]   Pavolonis,   M.J., 
Heidinger,   A.K.,   et   al.   (2013).   Automated 
retrievals   of   volcanic   ash   and   dust   cloud 
properties   from   upwelling   infrared 
measurements.  J.   Geophys.   Res.   Atmos., 
118:1436–1458.
[Rose et al., 1995] Rose, W.I., Delene, D.J., et al. 
(1995).   Ice   in   the   1994   Rabaul   eruption   cloud: 
implications   for   volcano   hazard   and 
atmospheric effects. Nature, 375:477–479. 
[Schmehl   et   al.,   2011]   Schmehl,   K.J.,   Haupt, 
S.E.,   et   al.   (2011).   A   Genetic   Algorithm 
Variational Approach to Data Assimilation and 
Application   to  Volcanic   Emissions.  Pure  Appl.  
Geophys., 169:519–537.
[Stohl   et   al.,   2011]   Stohl,   A.,   Prata,   A.J.,   et   al. 
(2011).   Determination   of   time­   and   height­
resolved   volcanic  ash   emissions  and  their  use 
for   quantitative   ash   dispersion   modeling:   the 
2010   Eyjafjallajökull   eruption.  Atmos.   Chem.  
Phys.,   11:4333–4351,   doi:10.5194/acp–11–4333–
2011.
[Webster et al., 2012] Webster, H.N., Thomson, 
D.J., et al. (2012). Operational prediction of ash 
concentrations in the distal volcanic cloud from 
the   2010   Eyjafjallajökull   eruption.  J.   Geophys.  
Res., 117:D00U08, doi:10.1029/2011JD016790. 
[Wen  and   Rose,   1994]   Wen,  S.,  and   Rose,   W.I. 
(1994).   Retrieval   of   sizes   and   total   masses   of 
particles   in   volcanic   clouds   using   AVHRR 
bands 4 and 5. J. Geophys. Res., 99:5421–5431.