Algorithmus für maschinelles Lernen
Produktinformationen
Technische Daten
- Produktname: Artikel zur Fernerkundung
- Autor: Larissa Patricio-Valerio, Thomas
Schroeder, Michelle J. Devlin, Yi Qin, Scott Smithers - Veröffentlichungsdatum: 21. Juli 2022
- Schlüsselwörter: Himawari-8, Meeresfarbe, künstlich
neuronale Netze, Great Barrier Reef, Küstengewässer, gesamt
Schwebstoffe, maschinelles Lernen, Wasserqualität
Anweisungen zur Produktverwendung
1. Einleitung
Der Artikel zur Fernerkundung gibt Einblicke in die Nutzung von
Algorithmen für maschinelles Lernen zur Ermittlung der Gesamtmenge an Schwebstoffen
im Great Barrier Reef anhand von Daten von Himawari-8. Der Artikel
diskutiert die Herausforderungen und Vorteile der Nutzung geostationärer
Erdumlaufsatelliten zur kontinuierlichen Beobachtung von Küsten
Bereiche.
2. Abrufvorgang
Der Artikel unterstreicht die Bedeutung geostationärer
Satelliten wie Himawari-8 erfassen nahezu Echtzeitdaten über
Küstenprozesse. Es betont die Grenzen der niedrigen Erdumlaufbahn
Satelliten zur Auflösung kurzfristiger Variabilität im Vergleich zu
geostationäre Satelliten.
3. Ozeanfarbsensoren
Der Artikel erwähnt die Bedeutung von Ozeanfarbsensoren auf
Satelliten zur Erfassung räumlicher Informationen zum Thema Wasser
Qualität. Es diskutiert die zeitliche Dynamik, die beobachtet wird durch
geostationäre Satelliten und ihre Auswirkungen auf die Überwachung von Küsten
Phänomene.
Häufig gestellte Fragen (FAQ)
F: Worauf liegt der Schwerpunkt des Artikels zur Fernerkundung?
A: Der Schwerpunkt liegt auf der Verwendung eines maschinellen Lernalgorithmus mit
Himawari-8-Daten zur Bestimmung der Gesamtmenge an Schwebstoffen im Großen
Barriereriff.
F: Warum werden geostationäre Satelliten für Küsten-
Überwachung?
A: Geostationäre Satelliten ermöglichen eine nahezu kontinuierliche Beobachtung von
große Flächen mit höherer Frequenz, was eine bessere Überwachung ermöglicht
von sich rasch verändernden Küstenprozessen.
Fernerkundung
Artikel
Ein Algorithmus für maschinelles Lernen zur Bergung von Himawari-8-Schwebestoffen im Great Barrier Reef
Larissa Patricio-Valerio 1,2,* , Thomas Schroeder 2, Michelle J. Devlin 3 , Yi Qin 4 und Scott Smithers 1
1 College of Science and Engineering, James Cook University, Townsville, QLD 4811, Australien; scott.smithers@jcu.edu.au
2 Commonwealth Scientific and Industrial Research Organisation, Ozeane und Atmosphäre, GPO Box 2583, Brisbane, QLD 4001, Australien; thomas.schroeder@csiro.au
3 Zentrum für Umwelt, Fischerei und Aquakulturwissenschaft, Parkfield Road, Lowestoft, Suffolk NR33 0HT, Vereinigtes Königreich; michelle.devlin@cefas.co.uk
4 Commonwealth Scientific and Industrial Research Organisation, Ozeane und Atmosphäre, GPO Box 1700, Canberra, ACT 2601, Australien; yi.qin@csiro.au
* Korrespondenz: larissa.patriciovalerio@my.jcu.edu.au
Zitat: Patricio-Valerio, L.; Schroeder, T.; Devlin, MJ; Qin, Y.; Smithers, S. Ein maschineller Lernalgorithmus für die Rückgewinnung von Himawari-8-Schwebestoffen im Great Barrier Reef. Remote Sens. 2022, 14, 3503. https://doi.org/ 10.3390/rs14143503
Wissenschaftlicher Herausgeber: Chris Roelfsema
Empfangen: 15. Mai 2022 Angenommen: 19. Juli 2022 Veröffentlicht: 21. Juli 2022
Anmerkung des Herausgebers: MDPI bleibt in Bezug auf Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten neutral.
Copyright: © 2022 bei den Autoren. Lizenznehmer MDPI, Basel, Schweiz. Dieser Artikel ist ein Open-Access-Artikel und wird unter den Bedingungen der Creative Commons Attribution (CC BY)-Lizenz (https://creativecommons.org/licenses/by/4.0/) verbreitet.
Zusammenfassung: Die Fernerkundung der Meeresfarbe war für die synoptische Überwachung der Meerwasserqualität im Great Barrier Reef (GBR) von grundlegender Bedeutung. Meeresfarbsensoren an Bord erdnaher Satelliten, wie beispielsweise der Sentinel-3-Konstellation, verfügen jedoch nicht über eine ausreichende Wiederholgenauigkeit, um die tägliche Variabilität in hochdynamischen Küstenumgebungen vollständig aufzulösen. Um diese Einschränkung zu überwinden, präsentiert diese Arbeit einen physikbasierten Algorithmus zur Ermittlung der Meeresfarbe an Küsten für den Advanced Himawari Imager an Bord des geostationären Satelliten Himawari-8. Obwohl Himawari-8 für meteorologische Anwendungen konzipiert wurde, bietet er die Möglichkeit, Meeresfarbmerkmale alle 10 Minuten in vier breiten sichtbaren und nahinfraroten Spektralbändern und mit einer räumlichen Auflösung von 1 km2 zu schätzen. Gekoppelte Strahlungstransportsimulationen zwischen Ozean und Atmosphäre der Himawari-8-Bänder wurden für ein realistisches Spektrum optischer Eigenschaften im Wasser und in der Atmosphäre des GBR und für ein breites Spektrum von Sonnen- und Beobachtungsgeometrien durchgeführt. Die simulierten Daten wurden verwendet, um ein inverses Modell auf Basis künstlicher neuronaler Netze zu entwickeln, mit dem die Konzentration der gesamten Schwebstoffe (TSS) direkt aus den Himawari-8-Spektralreflexionsbeobachtungen an der Obergrenze der Atmosphäre geschätzt werden kann. Der Algorithmus wurde mit gleichzeitigen In-situ-Daten aus dem gesamten Küsten-GBR validiert und seine Nachweisgrenzen bewertet. TSS-Abfragen zeigten relative Fehler von bis zu 75 % und absolute Fehler von 2 mg L-1 innerhalb des Validierungsbereichs von 0.14 bis 24 mg L-1 bei einer Nachweisgrenze von 0.25 mg L-1. Wir diskutieren mögliche Anwendungen der täglichen TSS-Produkte von Himawari-8 zur verbesserten Überwachung und Bewirtschaftung der Wasserqualität im GBR.
Schlüsselwörter: Himawari-8; Meeresfarbe; künstliche neuronale Netzwerke; Great Barrier Reef; Küstengewässer; Gesamtmenge an Schwebstoffen; maschinelles Lernen; Wasserqualität
1. Einleitung Ozeanfarbsensoren an Bord von Satelliten in niedriger Erdumlaufbahn (LEO), wie MODIS/Aqua,
VIIRS/Suomi-NPP und OLCI/Sentinel-3 haben Langzeitaufzeichnungen wertvoller und kostengünstiger Beobachtungen geliefert, um die tägliche bis jährliche Dynamik der Wasserqualität im Great Barrier Reef (GBR) zu untersuchen [1]. Die LEO-Satelliten scannen dasselbe geografische Gebiet bestenfalls innerhalb von ein bis zwei Tagen; die Zeitspanne zwischen zwei aufeinanderfolgenden und identischen Umlaufbahnen (d. h. die Wiederholungsperiode) variiert jedoch üblicherweise zwischen einer und bis zu vier Wochen. Darüber hinaus können die Farbbilder des Ozeans stark durch Wolken und Sonnenreflexionen beeinflusst werden, was die Bereitstellung qualitativ hochwertiger Beobachtungen einschränkt [5]. Dies kann einen wöchentlichen bis monatlichen Satz täglicher Bilder desselben Gebiets erfordern, um ein zusammengesetztes wolkenloses Bild zu erstellen view des Ozeans. Folglich reicht die zeitliche Kapazität von LEO-Satelliten nicht aus, um ein umfassendes Beobachtungssystem zu entwickeln und kurzfristige dynamische Küstenprozesse wie Phytoplankton-Tageszyklen, den täglichen Verlauf von Hochwasserfahnen und
Remote Sens. 2022, 14, 3503. https://doi.org/10.3390/rs14143503
https://www.mdpi.com/journal/remotesensing
Fernerkundung 2022, 14, 3503
2 von 23
Gezeiten- und Wind-bedingte Resuspension [7]. Forscher und Umweltmanager
verlassen sich auf LEO Ocean Colour Produkte für die kostengünstige Erfassung räumlicher Informationen - in der
Küsten-GBR [10,11], erkennen aber die Grenzen dieser Techniken zur Lösung kurzfristiger
Variabilität.
–
Satelliten auf einer geostationären Erdumlaufbahn (GEO) ermöglichen ansonsten eine nahezu kontinuierliche
Beobachtung großer Gebiete der Erde mit höherer Frequenz (Minuten bis Stunden) im Vergleich
aufgrund der nahezu täglichen Wiederanflugfrequenz von LEO-Plattformen, insbesondere über den Tropen [9]. Die
Der weltweit erste Geostationary Ocean Colour Imager (GOCI-I), der 2010 gestartet wurde, hat gezeigt
die zeitliche Dynamik sich rasch verändernder Küstenprozesse in Nordostasien, wie z.B.
von Trübungsfahnen und schädlichen Algenblüten [12,13]. Sein Erfolg lieferte ein nützliches Beispiel
für die zukünftige Entwicklung globaler GEO-Ozeanfarbmissionen [14]; jedoch keine der
Die für das nächste Jahrzehnt geplanten Missionen waren für die Beobachtung
Australischen Gewässern. Dennoch werden GEO-Satelliten weltweit für meteorologische Beobachtungen eingesetzt
Dank der jüngsten technologischen Fortschritte konnten die Möglichkeiten der Weltraumforschung zur Datenerfassung über den Ozeanen erweitert werden, sodass dynamischere Prozesse vom Weltraum aus beobachtet werden können [-15].
Tofhbe annedxst-ignentheera-vtiiosinblGe EspOemctreutemor(o2loogri3cailnssetenasdorosfaorenleyq1uibpapnedd)
mit einer erhöhten Anzahl kombiniert mit verbesserten
ragreadendovtisaoltyTnmahctpieeeortsornAivaacdlirsldvyoeiawnnpnsgoeciitdednivd,itui-ftHooryfnri-(mavsthliiagemewwnfieaaatlrr-etsi-totouIrm-tno-nimplaoorgiegsee,eci-rceara(daA-lnteioeHnobat)Ires)a-edtnorrdrnvueabeovtoniicaosboirntoldosafr-uHroedrvqiemecudarealvAni-wbicusraiauesrtstiair-ol[8ai1ns/l8ia9ac]ta.,iGopinnEacbOloiulfsidtaEiietnaesrglt[lih9tth]e.–feriTosGhmcBeusRrae-.
Himawa-ri-8 befindet sich auf 140.7° Ost über dem Äquator und erfasst mit einer Scanrate von 10 Minuten mindestens 48 Beobachtungen der gesamten Scheibe pro Tag (8 bis 4 Uhr Ortszeit). Während das AHI-Instrument für meteorologische Anwendungen konzipiert wurde,
(VNIR) Bänder (Abbildung 1 und Tabelle 1) ermöglichen die Erkennung von Meeresmerkmalen mit starken
optische Signale, wie sie von stark trüben Gewässern stammen [19]. Darüber hinaus
Beobachtungen mit ultrahoher zeitlicher Auflösung ermöglichen die Überwachung der Ozeaneigenschaften von
Sub-hourly bis inter-r-annual Zeitskalen für die gesamte GBR-Lagune und die angrenzenden ozeanischen
basin without inter-orbital data g-aps.
wFiigthurtehe1.trHainmsmawisas-riio-n8
spektrale Antwortfunktionen der sichtbaren und infraroten Bänder (durchgezogene weiße Linien) der atmosphärischen Gase (graue gefüllte Linie) und die Transmission durch Ozon (rote
durchgezogene Linie) zwischen 400 und 1000 nm.
Himawari-8 bietet das Potenzial für eine breite Palette von Anwendungen zur Überwachung und Bewirtschaftung von Meeresgebieten, unter anderem zur Bestimmung der Ozeanfarbe [22,23]. Jüngste Studien haben die Durchführbarkeit von Himawari-8-Beobachtungen zur Bestimmung des Gesamtgehalts an Schwebstoffen (TSS) in Küstengewässern [17,24] und der Chlorophyll-a-Konzentration (CHL) im offenen Ozean [22] nachgewiesen. Diese Ergebnisse eröffnen eine vielversprechende Möglichkeit zur Überwachung hochfrequenter und dynamischer Prozesse im küstennahen GBR. Obwohl möglicherweise verschiedene Ozeanfarbalgorithmen für die satellitengestützte Erfassung von Parametern der Küstenwasserqualität verfügbar sind, sind diese möglicherweise für die optische Komplexität des GBR ungeeignet oder auf Himawari-8-Beobachtungen nicht anwendbar.
Fernerkundung 2022, 14, 3503
3 von 23
– –
Tleanbglteh1s.anHdimbaanwdawrii-d8-thA, dasvsaoncciaetdedHsipmaatiwalarreisIomluatgioenr.vSiisgibnlael-aton-dn-oni-esearr–aintiforsar(SeNd Rb)anfrdosmcpenertrfoarlmwaanvce–etestergebnisse [25].
Band # (Name) #1 (blau) #2 (grün) #3 (rot) #4 (NIR)
Bandmitte (Breite) 470.64 (45.37) nm 510.00 (37.41) nm 639.15 (90.02) nm 856.69 (42.40) nm
Räumliche Auflösung 1 km 1 km 0.5 km 1 km
SNR bei 100 % Albedo 585 (641.5) 645 (601.9) 459 (519.3) 420 (309.3)
Modellbasierte Ozeanfarbenalgorithmen, die Strahlungstransportsimulationen nutzen, haben sich für die Anwendung in multitemporalen Fernerkundungsstudien von Küstengewässern als leistungsfähiger erwiesen als empirische Algorithmen [26]. Insbesondere neuronale Netzwerke sind aufgrund ihrer Fähigkeit, nichtlineare funktionale Beziehungen zu approximieren, eine rechnerisch effiziente Inversionsmethode für Fernerkundungsanwendungen in optisch komplexen Küstengewässern [27]. Dieses Dokument beschreibt die Entwicklung eines modellbasierten Ozeanfarbenalgorithmus mit neuronalen Netzwerken (Abbildung 35) für Himawari-2, parametrisiert für die Küstengewässer des GBR. Der Ein-Schritt-Inversionsalgorithmus wurde entwickelt, um die TSS direkt aus Himawari-8-Obergrenzenbeobachtungen (TOA) mit einem mehrschichtigen Perzeptron, einer Klasse künstlicher neuronaler Netzwerke (KNN), zu schätzen. Zunächst wurde die spektrale Winkelverteilung der TOA-Reflexionen RTOA() sr-8 in den VNIR-Himawari-1-Bändern mit einem bestehenden gekoppelten Ozean-Atmosphäre-Strahlungstransportmodell (RT) (Vorwärtsmodell) simuliert. Die RT-Simulationen berücksichtigten realistische Variationen der Wasserqualitätsparameter sowie der atmosphärischen und Beleuchtungsbedingungen. Anschließend wurden mehrere ANN-Experimente (inverse Modelle) entwickelt, trainiert und getestet, um TSS in den Himawari-8-Bändern basierend auf den simulierten TOA-Strahlungen zu ermitteln. Abschließend wurden die mit Himawari-8 ermittelten TSS-Ergebnisse statistisch anhand gleichzeitiger Daten zur Wasserqualität im GBR vor Ort ausgewertet und die Einschränkungen des ausgewählten Algorithmus untersucht.
Abbildung 2. Flussdiagramm des modellbasierten Ozeanfarbenalgorithmus, der für Himawari–8 entwickelt wurde.
2. Methoden Die Parametrisierung der Strahlungstransportsimulationen und der Entwurf der
Das inverse Modell des neuronalen Netzwerks (ANN) wird in den folgenden Unterabschnitten spezifiziert. Die Vorwärts- und Rückwärtsparametrisierungen des Modells folgen einem Ansatz, der zuvor für europäische Küstengewässer entwickelt wurde [36], wurden in dieser Studie jedoch an die optischen Bedingungen im Wasser des GBR angepasst [38]. Zusätzlich werden die H-Imawari-39-Erfassungs-, Verarbeitungs- und Maskierungsverfahren sowie der Ozeanfarbprozessor für den hier entwickelten modellbasierten Algorithmus beschrieben. Das Validierungsprotokoll und die Methoden zur Bewertung der Algorithmus-Limits werden ebenso vorgestellt wie erste Ergebnisse für die TSS-Überwachung im GBR.
Fernerkundung 2022, 14, 3503
4 von 23
2.1. Das Vorwärtsmodell
In dieser Arbeit wurde eine skalare Version des Matrix-Operator-Modells (MOMO) [40,41] für die gekoppelten Ozean-Atmosphäre-Strahlungstransportsimulationen der Himawari-8 VNIR-Bänder verwendet (Tabelle 1). Die Vernachlässigung der atmosphärischen Polarisation kann zu Fehlern von 1 % an der TOA führen, was für Anwendungen in Küstengewässern akzeptabel ist [2]. Die Himawari-42 RTOA() wurden für einen realistischen Bereich der optischen Eigenschaften des GBR im Wasser und in der Atmosphäre simuliert.
Das simulierte Ozeanatmosphärensystem ist in mehrere horizontal homogene, planparallele Schichten unterteilt, in denen die definierten Arten und Konzentrationen aquatischer und atmosphärischer optischer Bestandteile berücksichtigt werden. Die Höhe der simulierten Atmosphäre (TOA) beträgt 50 km und ist in 11 Schichten unterteilt, wobei die vertikalen ProfileDruck, Temperatur und Luftfeuchtigkeit folgen einer US-Standardatmosphäre [43]. Die Dämpfung durch Rayleigh-Streuung wird durch zwei barometrische Oberflächendrücke von 980 hPa und 1040 hPa berücksichtigt. Die Atmosphäre ist in eine Grenzschicht (0 km), eine freie Troposphäre (2 km) und eine Stratosphäre (2 km) unterteilt. In jeder Schicht wurden die Simulationen für acht verschiedene Aerosolansammlungen mit unterschiedlichen Konzentrationen der optischen Dicke des Aerosols (a) bei 12 nm zwischen 12 und 50 durchgeführt. Jede Aerosolansammlung besteht aus den drei wichtigsten Aerosolmodellen: einem maritimen Modell in der Grenzschicht, einem kontinentalen Modell in der freien Troposphäre und einem Schwefelsäuremodell in der Stratosphäre bei einer relativen Luftfeuchtigkeit zwischen 550 % und 0.015 %. Der α-Bereich wurde aus mehrjährigen Level-1.0-Sonnenphotometer-Beobachtungen der AERONET-Station [70] am Lucinda Jetty Coastal Observatory (LJCO) im zentralen GBR [99S, 2E] bestimmt. Die Analyse der entsprechenden Ångström-Koeffizienten [44,45] zwischen 18.52 und 146.39 nm an der LJCO-AERONET-Station bestätigt eine Mischung maritimer und kontinentaler Aerosoltypen, die denen in den RT-Simulationen entspricht.
Die Transmission der atmosphärischen Gase (mit Ausnahme von O3) wurde aus der HITRAN-Datenbank (HighResolution Transmission Molecular Absorption) [47] abgeleitet und in die Strahlungstransportsimulationen mithilfe des modifizierten k-Verteilungsmodells von Bennartz und Fischer [48] implementiert. Die Strahlungstransportsimulationen wurden unter der Annahme einer konstanten Ozonbelastung von 344 Dobson-Einheiten (DU) [43] durchgeführt. Die Himawari-8-Bänder wurden für 17 Sonnen- und Beobachtungswinkel und 25 gleichmäßig verteilte relative Azimutwinkel simuliert. Die Simulationen wurden für realistische Schwankungen der Wasserqualität durchgeführt, die durch zufällig ausgewählte einzigartige Konzentrationen von CHL, TSS und gelben Substanzen (YEL), im Folgenden als Konzentrationstripletts bezeichnet, dargestellt wurden. Die Bereiche der simulierten Konzentrationstripletts wurden basierend auf der Streuung der im GBR gefundenen in situ korrelierten Konzentrationen definiert, gemäß dem Ansatz von Zhang et al. [49]. Die simulierten Konzentrationstripletts waren gleichmäßig im logarithmischen Raum verteilt, sodass jede Größenordnung ähnlich dargestellt wurde und gleichzeitig doppelte Simulationen vermieden wurden.
Die gesamte spektrale Absorption des Meerwassers a() wurde mit einem biooptischen Vier-Komponenten-Modell modelliert, das die Absorption von reinem Wasser (aw), die Absorption von Phytoplankton und allem toten organischen Material (d. h. Detritus) ap1 als Funktion von CHL [0.01, 15], die Absorption von Nicht-Algen-Partikeln ap2 als Funktion von TSS [0.01, 100.0] und die Absorption von gelben Substanzen ay bei 443 nm [0.002, 2.5] berücksichtigt. Der Absorptionskoeffizient von reinem Wasser (aw) wurde nach Pope und Fry [50] für die sichtbaren Himawari-8-Bänder 1 und nach Hale und Querry [3] für Band 51 modelliert. Die spektrale Absorption von Phytoplankton und Detritus ap4 folgte einer Parametrisierung von Bricaud et al. [1], während die Absorption von Nicht-Algen-Partikeln ap52 nach Babin et al. parametrisiert wurde [2], mit einer mittleren Steigung Sp53 von 2, die aus in situ biooptischen Daten abgeleitet wurde sampim GBR zwischen 2002 und 2013 durchgeführt. Der spektrale Absorptionskoeffizient der gelben Substanzen ay wurde nach Babin et al. [53] modelliert, mit einer mittleren Steigung Sy von 0.015, die ebenfalls aus In-situ-Beobachtungen im GBR [39] abgeleitet wurde.
Die gesamte spektrale Streuung des Meerwassers (b()) wurde mit einem zweikomponentigen biooptischen Modell [53] modelliert, das die Streuung von reinem Wasser (bw) und die Streuung von organischen und anorganischen Partikeln (bp) als Funktion der TSS berücksichtigt. Die reine Meerwasserstreuung
Fernerkundung 2022, 14, 3503
5 von 23
Der Koeffizient wurde als wellenlängenabhängiges Potenzgesetz nach Morel [54] ausgedrückt.
definiert für einen globalen Salzgehalt von 35 PSU. Der Streubeitrag von organischen und
anorganischen Partikeln wurde kombiniert, um den gesamten partikulären Streukoeffizienten bp nach der Parametrisierung von Babin et al. [55] zu bestimmen. Der massenspezifische Streukoeffizient
von TSS-Partikeln bp von 0.31 m2 g-1 wurde für die GBR-Gewässer nach Babin et al. [55] berechnet. Ein Rückstreuwahrscheinlichkeitsmodell für die Gewässer von Fall 2 wurde angewendet [49,56], um
Berechnen und wählen Sie die Streuphasenfunktionen im Wasser (, ) basierend auf dem Verhältnis von TSS und YEL. Die Simulationen wurden für eine große Anzahl zufälliger Konzentrationen durchgeführt
Tripletts und atmosphärische Bedingungen, wie zuvor beschrieben, um eine umfassende
Datenbank der azimutal aufgelösten Himawari-8 RTOA(). Aus dieser Datenbank werden statistisch
repräsentative Trainings- und Test-Subsets wurden zufällig ausgewählt, um die inverse
Modell. Die Trainings- und Test-Teilmengen umfassten jeweils 100,000 Eingabevektoren
x
enthaltend
die: simulierte RTOA bei 470, 510, 640 und 856 nm-Bändern, Luftdruck auf Meereshöhe zwischen 980 und 1040 hPa, Sonnenzenitwinkel (s), Beobachtungszenit (v) und relativer Azimut ().
2.2. Das inverse Modell
In dieser Studie wurde ein mehrschichtiges Perzeptron (MLP), eine Klasse von Feedforward-Künstlichen Neuronalen Netzen (KNN) [57], als inverses Modell basierend auf dem von Malthouse [58] entwickelten C-Programm „Neural Network Simulator“ implementiert, um die funktionale Beziehung zwischen der Himawari-8 RTOA() und der TSS-Konzentration zu approximieren. Das vorliegende MLP besteht aus einer Eingabeschicht, einer verborgenen Schicht und einer Ausgabeschicht von Neuronen. Jedes Neuron ist durch ein Gewicht mit jedem Neuron der nächsten Schicht verbunden. Das überwachte maschinelle Lern- bzw. Trainingsverfahren lässt sich wie folgt beschreiben:
·
Die Eingangsneuronen (ni) erhalten den Eingangsvektor
x
, mit simulierten Reflexionen
und die oben beschriebenen Zusatzdaten und leitet sie an die Neuronen der verborgenen Schicht weiter
(nh).
· In der verborgenen Schicht summieren die künstlichen Neuronen die gewichteten Eingangssignale, leiten diese durch eine nichtlineare Übertragungsfunktion und leiten anschließend ihre Ausgänge weiter
zu den Neuronen der Ausgabeschicht (nein).
· Die Kostenfunktion (d. h. die mittleren quadratischen Fehler, MSE–Gleichung (1)) zwischen den
Die berechneten Zielausgaben yt und die vom ANN berechneten Ausgaben yc werden für den gesamten Trainingsdatensatz (N = 100,000) berechnet und die internen Gewichte (W1, W2) des Netzwerks werden angepasst.
· Das Training des KNN wird so lange wiederholt, bis die Kostenfunktion zwischen Ausgabe- und Zielwert minimiert ist.
MSE = y c – y t /N
(1)
Die Kostenfunktion wird durch iterative Anpassung der Gewichtsmatrizen (W1, W2) mithilfe eines Limited Memory BroydenFletcherGoldfarbShanno-Optimierungsalgorithmus [59] minimiert. Für eine dreischichtige MLP-Architektur ergibt sich die vollständige analytische Funktion aus Gleichung (2):
yc
=
S2
×
W2 × S1
W1 × x
(2)
wobei S1 und S2 die nichtlinearen (Gleichung (3)) und linearen Übertragungsfunktionen sind, die in der Ausgabe- bzw. verborgenen Schicht verwendet werden.
S(x) = 1 + ex -1
(3)
Die Anzahl der Neuronen in den Eingabe- und Ausgabeschichten wurde durch die Anzahl der Eingabe- und Ausgabeparameter des Problems bestimmt, während mehrere experimentelle Versuche
Fernerkundung 2022, 14, 3503
6 von 23
waren erforderlich, um die optimale Anzahl von Neuronen in der verborgenen Schicht zu bestimmen. Die
Die Experimente wurden so konzipiert, dass die Anzahl der Neuronen in der verborgenen Schicht von 10 bis 100 variiert wurde.
in Schritten von 10. Ein zufälliger, aber für alle Experimente fester Startwert wurde verwendet, um die –
Gewichtskonfiguration der Netzwerke. Die Experimente umfassten eine Hauptkomponente
Analyse (PCA) als Vorverarbeitungsschritt zur Dekorrelation der RTOA()-Eingaben. Zusätzlich wurden die Experimente mit 0.8 % spektral unkorreliertem, signalabhängigem Zufallsrauschen konzipiert, das den RTOA-Eingaben in jedem Band hinzugefügt wurde. Die ANN-Experimente wurden mit einer Teilmenge von 100,000 zufällig aus dem Strahlungstransport extrahierten Eingangsvektoren trainiert und getestet.
simulierten Datensatz. Jeder Eingangsvektor war mit einer logarithmischen TSS-Konzentration verknüpft, die als Zielausgabe für die Approximation durch das überwachte Lernen ausgewählt wurde.
Verfahren. Alle Experimente wurden für 1000 Iterationen trainiert und die Minimierung der Kosten
Die Funktion (Gleichung (1)) wurde bei jeder Iteration über den gesamten Trainingsdatensatz berechnet.
Ein unabhängiger Testdatensatz von N = 100,000 Vektoren wurde verwendet, um das Netzwerktraining zu überwachen
Leistung und um eine Überanpassung zu vermeiden.
–
2.3.
TBhaesHicipmraowceasrsi-in8- gOscteeapns
Farbverarbeitung für Himawari-8 raw
Daten
hinein
TSS
Produkte
Sind
gezeigt
in
Figur
3.
Es wurden Himawari-1 VNIR-Bänder der vollen Disk der Stufe 1 (L8) erfasst und über dem GBR-Gebiet extrahiert –
(10 S, 29 S, 140 E, 157 E), geolokalisiert und navigationskorrigiert. Die geolokalisierten Rohdaten
wurden in Level 1b (L1b) TOA-Strahlungsdichten (LTOA() W m-2sr-1µm-1 ) umgewandelt durch –
tghreidawppalsicraetsiaomnpolfedpofrsot-mlau0.n5ckhmuptoda1tkedmctaolimbraattcihonthceoreefsfiocliuetn-itosn[o60f ]t.heTahseso6c4i0atnemd VbNanIRd
Bänder. Die L1b-kalibrierten LTOA() wurden mit der extraterrestrischen Sonneneinstrahlung F() W -m-2 für jedes Band normalisiert. F() wurde als Funktion des Tages des Jahres berechnet
und unter Verwendung der mittleren extraterrestrischen Sonneneinstrahlung F, basierend auf Kurucz [61] und angepasst an die Himawari-8-Bänder [62]. Die resultierenden TOA-Reflexionen RTOA() sr-1 in den VNIR-Himawari-8-Bändern dienten als Eingaben für die Inversionsmethode. Darüber hinaus
s, v, and values were calculated for each pixel of the satellite image as a function of latitude, longitude, and local time, following existing procedures [63], and converted into
kartesischen Koordinaten (x, y, z).
Abbildung 3. Flussdiagramm der Himawari-8-Ozean-Farbverarbeitung. HSD steht für Himawari-8 Standarddaten, GBR für Great Barrier Reef, VNIR für die sichtbaren und nahen Infrarotbänder von Himawari-8 (470, 510, 640 und 856 nm) und ANN für Artificial Neural Network.
Die
ACulsoturadlimanasckoinntginoenf tHainmdaswuarrroi–u8nodbisnegrvwaatitoenrss.
war der
Die von Qin et al. [64] für eine 2 km Auflösung entwickelte Wolkenmaske war
Auflösungampführte zu Staub und Rauch
1plkummHesimfraowmabrii-o8mg-raisds
und beinhaltet die Maskierung von Pixeln, die durch Verbrennung kontaminiert sind. Ebenso werden Pixel, die als entstanden identifiziert wurden
Oberflächen wie Kontinentalgebiete, Inseln und Untiefen wurden basierend auf ihrer Form maskiertfiles
verfügbar in der Datenbank der Great Barrier Reef Marine Park Authority [65]. Ein Sonnenglanz
–
Fernerkundung 2022, 14, 3503
7 von 23
Die Maske wurde durch Berechnung der Koordinaten des Hauptpunktes des Sonnenreflexes (PPS) als Funktion des Tages (Sonnenneigung), der Ortszeit, des Breiten- und Längengrads [66] mit einer räumlichen Auflösung von 1 km erstellt. Die Kontur der Sonnenscheibe wurde für einen Kreisradius von 1300 km von den Koordinaten des PPS gepuffert. Die Radiusgröße wurde nach einer Reihe visueller Tests gewählt, um eine maximale Abdeckung des Hauptbereichs der Sonnenscheibe zu gewährleisten.
Die Himawari-8-Beobachtungen wurden Pixel für Pixel und für jedes Band mit nahezu zeitgleichen Satellitendaten des Gesamtozonsäulen-Datensatzes normalisiert, der aus dem TOAST-Produkt (Total Ozone from Analysis of Stratospheric and Tropospheric Satellite components) [67] vor Inversionen extrahiert wurde. Das TOAST-Produkt mit einer räumlichen Auflösung von 1.25 mal 1 Grad und einer täglichen zeitlichen Auflösung wurde resampDie Himawari-1-Beobachtungen wurden für jedes Band anhand des Verhältnisses zwischen der Transmission des TOAST-abgeleiteten Ozons und der Transmission der simulierten Ozonsäulendichte von 8 DU normalisiert. Zusätzlich wurden die Daten zum mittleren Meeresspiegeldruck aus NCEP/NCAR „Reanalyse 8“ PaRt344m [2] als Eingangsdaten für die Inversion der Himawari-2-Beobachtungen verwendet. Die Daten der „Reanalyse 68“ werden alle 70 Stunden (8, 2, 6, 0 UTC) gemittelt undampDie Daten wurden auf einem regelmäßigen globalen Raster mit einer räumlichen Auflösung von 2.5 Grad [71] aufgezeichnet. Die engsten gleichzeitigen PaRt2m-Daten wurden erfasst und resampführte zum 1 km Himawari-8-Gitter. Die abgerufenen TSS, die zugehörigen Masken und Metadaten wurden in einem NetCDF gespeichert file, einschließlich pixelweise zugeordneter Flags für außerhalb des Bereichs liegende Ein- und Ausgaben. Die Bereiche der gültigen Ein- und Ausgaben wurden basierend auf dem simulierten RT-Datensatz definiert. Überschritt beispielsweise ein bestimmter Pixel-Ein- und/oder Ausgabeparameter die simulierten Bereiche, wurde dem Pixel ein entsprechendes Flag zugewiesen. Die Ein- und Ausgabe-Flags wurden für jedes Pixel des Himawari-8-Rasters summiert. Die außerhalb des Bereichs liegenden Flags wurden vor den anschließenden Validierungs- und Anwendungsanalysen auf die Wasserqualitätsprodukte angewendet.
2.4. In-Situ-Daten zum Great Barrier Reef
Die zwischen 2015 und 2018 vom Australian Institute of Marine Sciences (AIMS) und der Commonwealth Scientific and Industrial Research Organisation (CSIRO) gemessenen TSS-Werte vor Ort wurden aus der IMOS Bio-optical Database [72] über das Portal des Australian Ocean Data Network (AODN) bezogen. Sowohl CSIRO als auch AIMS verwenden die gravimetrische Methode zur Bestimmung der TSS-Konzentration im Meerwasser. Die Methode besteht darin, das Trockengewicht der Schwebstoffe aus einem bekannten Meerwasservolumen zu messen.ample, nachdem es auf einem vorgewichteten Membranfilter vakuumgefiltert wurde. Weitere Einzelheiten zur Methodik von AIMS und CSIRO finden sich in der Great Barrier Reef Marine Park Authority [73] bzw. Soja-Woz´niak et al. [74]. Obwohl die Labore von AIMS und CSIRO leicht unterschiedliche Methoden zur Bestimmung des TSS verwenden (z. B. Anzahl der Replikate, Filterpads, Spülung usw.), wurden diese Datensätze in dieser Validierungsstudie kombiniert. Insgesamt wurden 347 In-situ-Datenpunkte mit TSS-Werten von 0.01 bis 85 mg L-1 und einem Mittelwert von 3.5 mg L-1 berücksichtigt. In-situ-Datenpunkte innerhalb von 1 km von der Küste oder Riffen wurden von der Analyse ausgeschlossen, um Unsicherheiten aufgrund von Nachbarschaftseffekten zu reduzieren [75]. Wir haben alle In-situ-Meerwasser-sampDie Daten wurden an der Oberfläche (<0.5 m Tiefe) von Stationen in unterschiedlichen Wassertiefen (1.5 m bis 40 m) entnommen, wobei der flachste Datenpunkt einen TSS-Wert von > 10 mg L-1 aufweist.
2.5. Validierungsprotokoll
Das in dieser Studie verwendete Validierungsprotokoll basiert auf den Erfahrungen früherer Validierungsübungen zur Fernerkundung der Ozeanfarben in Australien, einschließlich des Küsten-GBR [27,76,77]. Diese Studien beschrieben Verarbeitungsschritte zur Extraktion von Satellitenbeobachtungen parallel zu In-situ-Messungen im Küsten-GBR sowie nützliche statistische Leistungskennzahlen.
Mehrere Himawari-8-Beobachtungen können innerhalb eines Zeitrahmens kombiniert werden (d. h. hourly) um potenzielle Ausreißer zu eliminieren und Sensor- und Umgebungsrauschen zu reduzieren, was wahrscheinlich die Schätzwerte und die Validierungsleistung verbessern würde [7,9,16]. Daher wurden für diese Validierungsübung alle verfügbaren Himawari-8-Beobachtungen erfasst, die innerhalb von ±30 Minuten nach der Aufzeichnungszeit vor Ort gescannt wurden. Ausgewählte und verarbeitete 10-minütige Himawari-8-Beobachtungen im VNIR
Fernerkundung 2022, 14, 3503
8 von 23
- -
Bänder mit zugehöriger Sonnen- und Beobachtungsgeometrie wurden in 3x3 Pixel große Kästen unterteilt,
zentriert auf die Koordinaten jedes gleichzeitigen Datenpunkts vor Ort. Ebenso wurden 3 x 3 Pixel große Teilmengen gleichzeitiger Masken (z. B. Wolken, Land, Riffe und Sonnenreflexion) und Zusatzdaten (z. B. Ozon und Druck) extrahiert. Nahezu farbgetreue Komposite ausgewählter Himawari-8-
Beobachtungen wurden visuell überprüft, um Übereinstimmungen in Gewässern mit scharfen horizontalen
Gradienten in optischen Eigenschaften (z. B. Trübungsfronten) oder nahegelegene Wolken.
–
Hourly Zusammensetzungen gültiger Teilmengen wurden durch zeitlichen Durchschnitt berechnet, ohne Berücksichtigung von –
maskierte Pixel. Die hourly aggregierte Teilmengen wurden mit der ANN-Inversion verarbeitet
Algorithmen und maskiert für Werte außerhalb des Bereichs. Schließlich werden der Median und die Standardabweichung
von hourly TSS-Teilmengen wurden berechnet, wobei m- gestellte Pixel ausgeschlossen wurden. Nur Teilmengen mit zwei oder weniger maskierten Pixeln pro Pixelbox wurden für den Vergleich als gültig betrachtet. Das ANN
Die Ergebnisse wurden logarithmisch berechnet (log10) und die gleichzeitige in situ TSS wurde für die statistische Analyse logtransformiert. Ein überview des Validierungsverfahrens wird dargestellt
in Abbildung 4. Die Leistungen wurden hinsichtlich ihres mittleren quadratischen Fehlers bewertet
(RMSE–oder absoluter Fehler), Bias, mittlerer absoluter Prozentsatztage-Fehler (MAPE–oder relativer Fehler) und der Determinationskoeffizient (R2). Bias, R2 und RMSE wurden in log10 berechnet
–
Raum und MAPE wurde in linearer Messung berechnet und p die satellitengestützte
psproadceu,cftowlloitwhi-nNgtEhqeunautimonbser(4o)f(v7a)l,iwd hmearetcmhuispsth. e
RMSE = 1/N (m -p)2
(4)
MAPE = 100/N |(m -p)|/p 2
(5)
R2 =
N
N(mp)- ( m)( p) m2 – ( m)2 N p2 – (
p)2
(6)
Bias = 1/N (m -p)
(7)
Die ANN-Match-Up-Experimente wurden anhand der oben beschriebenen statistischen Kennzahlen bewertet. Den Experimenten mit dem niedrigsten RMSE wurde der Vorzug gegeben, da dieser statistische Parameter die Kostenfunktion darstellt, die während des ANN-Trainings minimiert wird. Das leistungsstärkste Experiment mit der geringsten Anzahl von Neuronen in der verborgenen Schicht wurde ausgewählt, um den Rechenaufwand für die Inversion der Himawari-8-Beobachtungen über das gesamte GBR zu reduzieren.
Abbildung 4. Eine vereinfachteview des Algorithmusvalidierungsverfahrens.
2.6. Bewertung der Einschränkungen
Die Signal-Rausch-Verhältnisse (SNR) wurden für den sichtbaren und nahen Infrarotbereich berechnet.
HEaimstearwnaSrti-a-8ndLTaOrdA
(Tim) oeb–seArvEaStTio)nast
gescannte ausgewählte
zwischen 08:00 und 16:00 Uhr Ortstermine und wolkenfreie Gebiete
Zeit (Australien des Korallenmeeres
–
Fernerkundung 2022, 14, 3503
9 von 23
(16.25S, 151E und 20.60S, 153.53E). Für diese Analyse wurden nur Beobachtungen nach Juli 2017 berücksichtigt, da deren Kalibrierungskoeffizienten um kohärentes und horizontales Streifenrauschen korrigiert wurden [63,78]. Farbige Schnappschüsse, die über das Himawari-8 Monitor P-Tree System [79] verfügbar sind, wurden zur Auswahl der Zielgebiete durchsucht, um sicherzustellen, dass diese räumlich einheitlich sind und nicht durch Wolken, Sonnenreflexionen, biooptische Merkmale und Rauchfahnen von terrestrischen Bränden beeinflusst werden [80,81]. Die ausgewählten Himawari-8-Beobachtungen wurden durch Anwendung von Kalibrierungskoeffizienten [60] von Rohzählungen in physikalische Einheiten umgerechnet, wobei Teilmengen von 51 x 51 Pixeln extrahiert und auf die Koordinaten der interessierenden Regionen zentriert wurden. Zusätzlich wurden die Teilmengen, die zugehörigen Masken und die geometrischen Parameterurly aggregiert. Die 10 Minuten und hourlDie aggregierten Teilmengen wurden hinsichtlich Wolken, Land, Riffen und Sonnenreflexionen maskiert und ihre nahezu naturgetreuen Farbkomposite auf unentdeckte Merkmale wie Koralleninseln, Riffe, Wolkenschatten und Sensorartefakte untersucht.
Das Signal-Rausch-Verhältnis (SNR) wurde für jedes Himawari-8-Band nach Gleichung (8) [80] berechnet. Mittelt man LTOA() für alle gültigen Pixel innerhalb des Zielbereichs, erhält man Ltypical(), und berechnet man die Standardabweichung () innerhalb desselben Bereichs, erhält man die rauschäquivalente Strahldichte (Lnoise()). Das SNR berechnet sich als Verhältnis zwischen Ltypical und Lnoise für jedes Band:
SNR() = Ltypisch ()/LRauschen() = LTOA()/(LTOA())
(8)
Die tägliche Variabilität und die Größenunterschiede zwischen SNR berechnet mit 10 min und hourlDie aggregierten Himawari-8-Beobachtungen (SNRSING() bzw. SNRAGG()) wurden in jedem Band untersucht. Zusätzlich wurden ihre spektralen Eigenschaften für Bereiche von s ausgewertet, da bekannt ist, dass der Rauschpegel mit der Sonnenhöhe variiert [80]. Schließlich wurden die zugehörigen ProzentsätzetagDie Geräuschpegel (%Noise) wurden für s = 45 ± 1 berechnet und verwendet, um die Empfindlichkeit des Algorithmus gegenüber typischen Geräuschpegeln von Himawari-8 zu bewerten.
Der in dieser Studie entwickelte TSS-Algorithmus wurde mit spektral flachem (unkorreliertem) Photonenrauschen (0.8 %) trainiert, das dem Trainingsdatensatz hinzugefügt wurde, wobei von begrenzten Kenntnissen der Sensorleistungsmerkmale bei ozeanischen Zielen ausgegangen wurde. Zur Bewertung der Inversionsstabilität und zur Bereitstellung einer Basissensitivitätsanalyse des TSS-Algorithmus wurde dem Testdatensatz spektral flaches Photonenrauschen von 0.1, 1.0, 10 und 50 % hinzugefügt und invertiert. Zusätzlich wurde dem Testdatensatz der mit den Himawari-8-Bändern verbundene Rauschanteil in Prozent hinzugefügt, um die Auswirkungen spektral abhängiger Rauschpegel auf die Genauigkeit der TSS-Abrufe zu quantifizieren. Die Abrufstabilität wurde anhand konstanter RMSE-Zuwächse über einen weiten TSS-Bereich (0.01 bis 100 mg L-1) mit gleichmäßigen logarithmischen Konzentrationsabständen interpretiert. Darüber hinaus wurden Längsschnitte von TSS-Produkten, die in homogenen und wolkenfreien Gewässern des küstennahen GBR und im Korallenmeer aufgenommen wurden, auf Pixelebene ausgewertet, um eine qualitative Bewertung des Rauschpegels von Himawari-8 vorzunehmen.
3. Ergebnisse
3.1. Algorithmusvalidierung
Mehrere Netzwerke wurden mit unterschiedlichen Architekturkonfigurationen trainiert. Das leistungsstärkste Netzwerk mit dem niedrigstmöglichen RMSE und der geringsten Anzahl an Neuronen in der verborgenen Schicht wurde für die Inversionen ausgewählt. Das ausgewählte Experiment mit 50 Neuronen in der verborgenen Schicht ergab TSS-Werte zwischen 0.14 und 24 mg L-1, mit einem positiven R2 und einem Bias von 0.014 mg L-1, einem MAPE von 75.5 % und einem 10RMSE von 2.08 mg L-1, wie in Abbildung 5 dargestellt.
Fernerkundung 2022, 14, 3503
10 von 23
Abbildung 5. In-situ- und Himawari-8-abgeleitete TSS mit dem leistungsstärksten ANN-Experiment, mit farbcodierten In-situ-TSS-Werten in logarithmischer Skala. Fehlerbalken stellen die Intrapixel-Standardabweichung der TSS innerhalb eines 3x3-Pixel-Feldes dar. Verschiedene Symbole kennzeichnen In-situ-Daten, die von AIMS erfasst wurden.
und von CSIRO bei LJCO.
–
3.2. Himawari-8 Gesamtmenge an Schwebstoffen im Great Barrier Reef
Abbildung 6 zeigt eine nahezu farbgetreue Kompositaufnahme von Himawari-8 (linkes Feld), aufgenommen am 27. Oktober 2017 über dem GBR-Gebiet, und das entsprechende TSS-Produkt mit einer zeitlichen Auflösung von 10 Minuten (rechtes Feld). Die Gewässer innerhalb der GBR-Lagune weisen im Allgemeinen einen TSS-Wert von mindestens 1 mg/l auf, während die Gewässer vor der Küste des GBR Werte unter 1 mg/l aufweisen. Das TSS-Produkt zeigte starkes Granulations- und Streifenrauschen in den offenen Meeresgebieten des Korallenmeers.
Abbildung 6. Nahezu farbgetreue Himaw-ari-8-Bilder des GBR, aufgenommen am 27. Oktober 2017 um 15:00 Uhr AEST (linkes Feld) und das zugehörige TSS-Produkt [mg L-1] (rechtes Feld). Pixel aufgrund von Wolken und Werten außerhalb des zulässigen Bereichs schwarz maskiert.
Himawari–8 TSS-Schwankungen wurden an der Mündung des Burdekin River und über dem südlichen GBR untersucht
für die Riffmatrix der Küstengewässer (Abbildung 7
saunrdroaunn-imdinatgiothnes
im Link). Das Burdekin-Hochwasser vom 12. Februar 2019 erzeugte eine Sedimentfahne, die
erreichte die äußeren Riffe (50 km von der Mündung entfernt) zwischen 3 und 4 Uhr mit TSS > 20 mg L-1.
–
–
–
–
–
—
Fernerkundung 2022, 14, 3503
- -
–
–
–
11 von 23
–
Die Sedimentfahne des Burdekin River entwickelte sich bei auflaufender Flut mit einer Schwankung von 0.3 m zwischen Ebbe und Flut. Die Küstengewässer in der Nähe der Riffe erfuhren innerhalb eines halbtägigen Gezeitenzyklus einen Anstieg des TSS um eine Größenordnung (3.6, 26.4 mg-L-1) (Kreuzmarkierung in Abbildung 7 (linkes Feld) und Abbildung 8a). Die vom Hochwasser bedeckten Riffe waren einem TSS ausgesetzt, der etwa 40-mal höher war als der Richtwert von 0.7 mg-L-1 [82]. Die Bereiche nahe der Mündung, in denen der TSS 100 mg-L-1 überschritt, wurden als Werte außerhalb des Bereichs maskiert (schwarze Bereiche) (ANN-Flaggen). Eine Animation der TSS-Schwankungen nach dem Hauptabfluss ist in Abbildung S1 verfügbar.
Abbildung 7. Hochwasserfahne aus dem Burdekin River, Februar 2019 (linkes Bild). TSS-Gezeitenstrahlen innerhalb der GBR-Riffmatrix im November 2016 (rechtes Bild). Beachten Sie die unterschiedlichen Bereiche in den einzelnen Diagrammen. Schwarz maskierte Pixel sind auf TSS-Werte außerhalb des Bereichs zurückzuführen.
Während große Hochwasserereignisse im küstennahen GBR deutliche TSS-Merkmale aufweisen, werden im südlichen GBR submesoskalige Gezeitenstrahlen rund um die Matrix aus flachen und untergetauchten Riffen beobachtet (Abbildung 7 (rechter Bereich)). Dies verdeutlicht, wie diese unterschiedlichen Bedingungen die kurzfristige TSS-Variabilität beeinflussen. Die Animation in Abbildung S2 illustriert die Dynamik der gezeitenbedingten TSS-Schwankungen, wobei Flut (4 m) und Ebbe (0.2 m) um 10:6 Uhr bzw. 8:0.3 Uhr auftraten (Abbildung 2.0b). Die TSS-Konzentrationen in der Nähe von Heralds Reef (mit Kreuz markiert) schwankten innerhalb eines Tages um etwa eine Größenordnung (1, 0.7 mg L-1), wobei die Werte die empfohlenen Grenzwerte für die Wasserqualität im offenen küstennahen GBR (XNUMX mg L-XNUMX) überschritten. –
Abbildung 8. Zeitreihe von 10-minütigen, aus Himawa-ri-8 abgeleiteten TSS-Messungen an der Mündung des Burdekin River während der Überschwemmungen im Februar 2019 (a) und in der südlichen GBR-Riffmatrix im November 2016 (b), wie in Abbildung 7 dargestellt. Fehlerbalken stellen die Standardabweichungen innerhalb eines Pixels dar. Die Richtwerte für küstennahe (2.0 mg L–1) und mittlere Schelfgewässer (0.7 mg L–1) sind rot markiert. Beachten Sie die unterschiedlichen Zeiträume in den einzelnen Abbildungen.
– –
–
Fernerkundung 2022, 14, 3503
12 von 23
3.3. Nachweisgrenzen Das aus zwei Himawari-8-Beobachtungen berechnete SNR ist in der
Grafiken in Abbildung 9. Aufgrund der intensiven Bewölkung gingen einige einzelne Beobachtungen verloren, insbesondere am 06. September 2017, was zu Datenlücken in der Zeitreihe führte. SNRSING und SNRAGG zeigten deutliche tägliche Schwankungen, wobei das höchste SNR bei der niedrigsten s-Zahl (<30) zwischen 11 und 12 Uhr auftrat. Ausmaß und tägliche Variabilität waren für SNRAGG und bei den blauen und grünen Bändern (470 und 510 nm) höher als die für SNRSING berechneten Werte. Das für die Bänder bei 640 nm und 856 nm berechnete SNR war mindestens dreimal niedriger als das für die blauen und grünen Bänder berechnete SNR, mit geringfügigen täglichen Schwankungen. Die täglichen Schwankungen des SNR zwischen Tagen und Standorten variierten, insbesondere für das blaue Band und bei SNRAGG. Am 06. September 2017 (mittlerer Wert v~22) war das SNRAGG im blauen und grünen Band ähnlich stark (Abbildung 9b). Am 25. September 2017 (an einem anderen Ort mit mittlerem Wert v~28) war das SNRSING im blauen Band fast doppelt so hoch wie im grünen Band (Abbildung 9d).
Abbildung 9. Zeitreihe der Signal-Rausch-Verhältnisse (SNR, rechte Achse), berechnet für einzelne (SNRSING) (a,c) und aggregierte (SNRAGG) Beobachtungen (b,d) mit zugehörigem s (linke Achse). Das S-NR beträgt
farbcodiert nach Band.
Die Gruppen von
spektrale Variabilität von s, wobei der Standard
SNRSING und SNRAGG zeigten Abweichungen innerhalb der einzelnen Gruppen.
in Abbildung dargestellt als
10 für begrenzt
drei Fehler
Balken. Die Einzelbeobachtungen ergaben typischerweise ein niedrigeres SNR als die aggregierten Beobachtungen
in allen Bändern, und SNR war das höchste für Abbildung 9. Die Standardabweichungen von SNR
s < 30, in Übereinstimmung mit den für einzelne und aggregierte
in Beobachtungen präsentiert
wfoerresm>o4r0epartotnhoeubnlcueedbfoanr dsp>re4s0enatendd
an den blauen und grünen Bändern. Die Standardabweichungen von 27 und
SNR berechnet 51 für SNRSING
und SNRAGG Abweichungen von
, während die 13 bzw. 26.
SNR berechnet für das grüne Band präsentiert Standard Diese Abweichungen sind wahrscheinlich mit der variablen
atmosphärische Bedingungen jedes Standorts, die an den blauen und grünen Bändern verstärkt werden
und bei großen atmosphärischen Weglängen.
Fernerkundung 2022, 14, 3503
13 von 23
Abbildung 10. Spektrale Verteilung der Signal-Rausch-Verhältnisse berechnet für einzelne (SNRSING) (-a) und
aggregierten Beobachtungen (SNRAGG) (b) und gruppiert als Standardabweichungen des SNR innerhalb jeder Gruppe von
für s.
drei
Bereiche
of
s.
Fehler
Barren
war
berechnet
TgcorhemegpaSTtNuehtdReedASoGNbfGsoRerrvAvaaGallGluti,seoitsnnhsgceolwLemtioytphpbiicslaeesldr,=vaiann4t5diToaLn±bnsole1iwse2iawtwhnederersaec=saosob4m5copiuaitlt±eetddw1ipinceweTrcaaeebsrnelhetiai2ngg.chelLunaikdsoeeitswdheeifs(oc%eor, NtrchrooeeimssSpepN)oaf–nRordiSrsIiNaongnGg-. SNRSING, außer im roten Band. Dennoch sind die hohen Rauschpegel im roten (~3 %) und im tshigenNalIRdebsapnidtest(h~e5%eff)oinrtdsiicnataevtohiadtinthgeeSnNviRroAnGmG emnataylbceonmdoistitolynsafifnecitmedagbeystehleecattimono.sTp- hhiesriics besonders deutlich im NIR-Band zu erkennen, wo die aus dem Wasser austretenden Strahlungen im klaren offenen Ozean als vernachlässigbar gelten.
–
–
–
Tabelle 2. Sichtbares und nahes Infrarot Himawari-8 Ltypisch und Lnoise W m-2sr-1µm-1 und assoziierte
Prozenttage Rauschen (% Rauschen) für SNRAGG bei s = 45 ± 1. Berechnetes SNRSING bei s = 45 ± 1 Werten
wurden zum Vergleich hinzugefügt.
Band 470 510 640 865
Ltypisch 59.5 38.3 13.8 3.4
Rauschen 0.26 0.29 0.41 0.18
%Lärm
0.44 0.76 3.02 5.26
–
SNRAGG 223 130 33 19
SNRSING 100 74 28 8
dalegpoerTnithdhemenopturptechosoemntoetsns ronefaorsiesotenriaiesbvililenlurgestTtrrSiaeStve(ad0l.0pin1erttfhooer1m0g0raamnpcgheisLcfs-o1or)fTwFSiSigthautrsoepre1ac1tb.roaI-vnlleyb0ofl.t1ahtmasgcnedL-n-sap1r,-ieoe-csxtr,catehlplyet
wenn 50% des spektral flachen Photonenrauschens hinzugefügt werden. Inzwischen wurden große Fehler (>300%) erhalten
zum Himawari-8 für TSS-Abrufe
Bänder unten
(Abbildung-e 0.1 mg
11a). L-1,
unabhängig von Lärmart und -pegel. In einem realistischeren Szenario, wenn spektral abhängig
Photonenrauschen (d. h. %Rauschen aus Tabelle 2) - wird zu den Himawari-8-Bändern hinzugefügt, die Fehler sind
meist unter 100% - für TSS > ~0.25 mg L-1 (Abbildung 11 (rechtes Feld)). Daher für die Erzielung
Für zuverlässige Abrufe aus Himawari-8 mit dem aktuellen TSS-Algorithmus wurde eine Nachweisgrenze von 0.25 mg L-1 gewählt. Zum Vergleich: Die Nachweisgrenzen der berechneten TSS-Abrufe
von atmosphärisch korrigiertem Himawari-8, wie in Dorji und Fearns [17], wird dargestellt als
vertikale gestrichelte Linie bei 0.15 mg L-1.
Fernerkundung 2022, 14, 3503
14 von 23
Abbildung 11. RMSE-Fehler (in mg- L-1) für spektral flaches (linkes Feld) und spektral abhängiges (rechtes Feld) Photonenrauschen. Strahlungstransport (RT) TSS und zugehörige RMSE-Werte werden logarithmisch dargestellt. Die vertikale gestrichelte Linie bei 0.15 m- g L-1 stellt die Nachweisgrenze dar, adaptiert von Dorji und Fearns [17], 2018. Die vertikale gestrichelte Linie bei 0.25 m- g L-1 stellt die Nachweisgrenze der vorliegenden Methode dar.
Eine visuelle Überprüfung des Geräuschpegels ergab eine starke Körnung und horizontale Streifen iogttitnnruhbraeraHstnbhneTsiierumdeSvlcCSaaactAtostwoiiGroaooaaGnsnfrl-tiTsaSw-(-h8lSeTaoaSaTSswSrS(SIesmNSSeeaIGdNvaspgeGra(iroenT)nendcSdlatruySnaeTcrad>atSessrSdei~r(nAdouF1GwicomgmeGpsu-da,egtrsaFnei-knLki1goie-an2ucn1g)ger,)geba.parne1raIetno2rgwwt)uaiaeacantd-eeutrdeenddlarciis1T-rtllill5oS(oyu1TuSnswSdtpErtS-haorpaeot
–
–
Abbildung 12. Lage der Transekte (magentafarbene Pfeile) für TSSSING(a) und TSSAGG(b). Beachten Sie die
kumulative Wolkenmaskierung in TSSAGG.Himawari-8-Beobachtungen vom 9. September 2017 zwischen
10:00 und 10:50 Ortszeit (AEST).
–
Der Transekt sampführte zwischen 19S und 20S im Korallenmeer (Abbildung 13a) präsentiert
Die TSSSING- und TSSAGG-Werte lagen meist unterhalb der Nachweisgrenze der Methode (0.25 mg L–1), was zu Abruffehlern von über 100 % führen kann. TSSSING zeigte Spitzen oder unterschiedliche Größenordnungen von Werten, die sukzessive auf einer Pixelskala (oder innerhalb von 1 km) auftraten. Als
Als Ergebnis wurden Unterschiede von bis zu 0.3 mg L-1 zwischen benachbarten Pixeln beobachtet,
wie durch sented glatter angezeigt
pplioxtela-tnon-potixaetilovnasriiantiFonigsu(r~e0.1036am. gMLe-an1)w. ShuilbetltehdeifafsesroencicaetsedweTrSeSoAbGsGerpvered-
Fernerkundung 2022, 14, 3503
15 von 23
—
–
–
–
between TSSSING and T-SSAGG in the transects taken in the coastal GBR (Figure 13b), particularly for TSS -> 1 mg L-1. However, with increasing distance from the coast, TSS dropped below 1 mg L-1 and differences between TSSSING and TSSAGG were enhance-d. Although- most TSSSING pixels of Figure 13b were abo-ve-detection limits (0.25 mg L-1), they presented- poor spatial coherency in the coast-to-ocean transition area (151.4 to 152-.0E). Because TSSSING and TSSAGG provide comparable results for TSS > ~1 mg L-1, both may be appropriate for monitoring the coastal GBR. However, TSSAGG presents overall better spatia-l coherency and may be preferred over TSSSING, depending on the area of application.
Abbildung 13. Transekte von Himawari–8–abgeleiteten TSS (mg L– 1) im Korallenmeer (a) und innerhalb der
Küstengewässer des GBR (b) aus TSSSING (blaue Punkte) und TSSAGG (rote Punkte). Die Datenlücken stellen Pixel dar, die gegebenenfalls für Wolken, Land, Sonnenreflexionen oder ANN-Flags maskiert wurden. Die annotierten TSS (schwarze Pfeile) zeigen die Pixel-Top-Ixel-Werte an, und die grüne horizontale Linie markiert die Nachweisgrenze von
die Methode.
4. Diskussion
Die synoptische Überwachung der Wasserqualität im ausgedehnten und optisch komplexen GBR hat Priorität und stellt eine Herausforderung für Umweltmanager und Forscher dar [2,83]. Obwohl die Fernerkundung der Ozeanfarben strenge radiometrische und spektrale Anforderungen stellt, bietet Himawari-8 eine beispiellose Anzahl von Beobachtungen für die erweiterte Wasserqualitätsüberwachung des GBR. Diese Arbeit stellt den ersten fortschrittlichen Fernerkundungsalgorithmus vor, der lokal abgestimmt und validiert wurde, um die synoptische Überwachung der Wasserqualität im Tagesbereich des GBR zu ermöglichen.
4.1. Algorithmenentwicklung und -validierung
Die gekoppelten Ozean-Atmosphäre-Strahlungstransport-Simulationen lieferten eine große und
trhoebuospttdicaatlavbaasrieaobfilRityTOoAf dthisetrGibBuRt.ioTnhienmthaechHinime alewaarrnii–n8gVANNIRNbaalngdosr,itphamramdeevteelroispeeddfoinr
A(ptart0hhenrN.flieo0saev1Nadcwittdtvmoraoeaenr1dontkcr0st-eic0paeasogvhm,lnleaeoifiglnrcwsidoLcwceem-ocndh1ompc)irtea,chprhrweieaencirdtttdehtihhodtieoroeneuwatcqt[crteu2acal7iudalnn,lri3wivteat6iexyico,tr3pynhos7laifi,otoc8latfin4hmrt]tgea.hoeetefttmtDrhaRofiooeiuTndnssOtppaespAlidhbut-eieatatnrsosliHvgecfeddroicrmoerosomirirtaniorhvwensmtecihamtisraeiso.iu-iwnsM8nluavpisobtdeprerjeoredeesccocritettoavedrtnnesaoutrgloi,renteltfh-ihg.moweeTfdiahaataTtaciletsgStcariSuops-olerrrneviateatssacsh,vyleamuitnnnheot’dgesss—–f
Robustheit gegenüber Eingaben erfüllen die Mindestanforderungen
rnaodisioemweatsriecsrpeeqcuiairlelymaednvtsanotfaogceeoaunsccoolnosuirdseerninsgo-rHs iamnadweanrvii-r8odnomeesnntoatl
Lärm, insbesondere aus der Atmosphäre, kann die Abfragen stark beeinflussen. Diese Ergebnisse
Fernerkundung 2022, 14, 3503
16 von 23
ermutigte zur weiteren Anwendung von Himawari-8-Beobachtungen zur Validierung anhand von Daten zur Wasserqualität vor Ort im GBR.
Die ermittelten TSS-Abgleichfehler von Himawari-8 wiesen gute Übereinstimmungen mit den für andere Ozeanfarbsensoren definierten Missionszielen auf, wie z. B. Sentinel-3 in den Gewässern von Fall 2 [85], insbesondere für TSS über 0.1 mg L-1. Die Leistung des vorliegenden Algorithmus ist vergleichbar mit denen von atmosphärisch korrigierten Himawari-8-Beobachtungen [17,24], was auf die Eignung zur Ableitung von Küsten-TSS mit modellbasierten Ein-Schritt-Inversionen hindeutet. Explizite atmosphärische Korrekturverfahren könnten die Ergebnisse für den niedrigeren TSS-Bereich (<~1 mg L-1) verbessern, der wahrscheinlich durch die dominierende atmosphärische Pfadstrahlung und die geringe radiometrische Leistung von Himawari-8 beeinflusst wird.
Leistungsverbesserungen würden eine größere und umfassendere Datenbank mit biooptischen Messungen vor Ort erfordern, die die relevanten räumlichen und zeitlichen Variabilitätsskalen abdeckt. Darüber hinaus müssen strenge Messprotokolle eingehalten werden, um Unsicherheiten bei der Parametrisierung und Validierung von Algorithmen in Küstengewässern zu reduzieren. Beispielsweise können dreifache MessungenampFür die Bestimmung des TSS mit der gravimetrischen Methode werden Messungen empfohlen. Darüber hinausampMessungen sollten in optisch homogenen Gewässern durchgeführt werden [86], was insbesondere in hochdynamischen Küstengebieten schwierig ist. Dennoch wurden In-situ-Messungen von verschiedenen Forschungseinrichtungen mit unterschiedlichen wissenschaftlichen Schwerpunkten und unter Verwendung unterschiedlicherampling- und Analysemethoden. Darüber hinaus wurden physikalische und umweltbedingte Prozesse wie Bodenreflexion, Fluoreszenz, bidirektionale Reflexion, Polarisation und schädliche Algenblüten nicht berücksichtigt, können aber ebenfalls zu Fehlern bei der Zuordnung beitragen.
4.2. Himawari-8 Gesamtmenge an Schwebstoffen für das Great Barrier Reef
Himawari-8 ermöglichte die nahezu Echtzeitüberwachung eines episodischen Hochwasserereignisses im GBR und zeigte innerhalb eines Tages einen Anstieg der Gesamtflussdichte (TSS) um eine Größenordnung. Dieses Ereignis wurde während einer Regenzeit beobachtet, in der der Burdekin an 0.5 aufeinanderfolgenden Tagen zwischen 1.5 und 10 Millionen ML/Tag abgab (Burdekin River an der Station Clare [87]). Die TSS-Schwankungen der Burdekin-Hochwasserfahne lagen deutlich über dem Grenzwert der Wasserqualitätsrichtlinien von 2 mg L-1 für offene Küsten- und Mittelschelfgewässer sowie 0.7 mg L-1 für Offshore-Gewässer des GBR [82]. Die Hochwasserfahne erstreckte sich 50 km in die äußeren Riffe, und ihre tägliche Entwicklung wurde schrittweise mit 10-minütigen, von Himawari-8 abgeleiteten TSS-Daten verfolgt. Daher lieferte Himawari-8 eine beispiellose Anzahl von Beobachtungen für eine vollständige qualitative und quantitative Überwachung von Hochwasserereignissen im GBR. Die maskierten Pixel im Hochwasser weisen auf Werte über 100 mg L-1 hin, was bedeutet, dass der Simulationsbereich für Abrufe während Hochwasser im GBR auf Werte über diesem Grenzwert erweitert werden sollte.
Die TSS-Merkmale in der südlichen Riffmatrix sind wahrscheinlich das Ergebnis kurzlebiger submesoskaliger Resuspensionswirbel (1 km Durchmesser), die oft als Gezeitenströme bezeichnet werden. Im südlichen GBR verursachen große Tidenhube (10 m) starke Strömungen [5], die Wasser durch enge und relativ flache Kanäle drücken [10]. Diese komplexe Hydrodynamik fördert die Resuspension und Injektion von TSS vom Schelfbruch in die Riffmatrix, und die TSS-Konzentrationen in diesen Regionen sind wahrscheinlich unabhängig von terrestrischen Quellen [88,89]. Die Gezeitenströme werden mit lokalem Auftrieb und Nährstoffaustausch zwischen dem Korallenmeer und der GBR-Lagune in Verbindung gebracht [90], da sie ein wichtiger Mechanismus für den Transport und die Vermischung von Sedimenten, Nährstoffen und Phytoplanktonproduktion sind [91]. Ort und Vorkommen der Gezeitenströme sind jedoch aufgrund fehlender Beobachtungen mit angemessener räumlicher und zeitlicher Auflösung kaum beschrieben [92,93]. Himawari-94 ermöglichte die Identifizierung und Verfolgung solcher Merkmale innerhalb des GBR mit der erforderlichen zeitlichen Auflösung zur Aufklärung kurzlebiger Küstenprozesse.
4.3. Einschränkungen
Himawari-8 bietet ein schlechteres Signal-Rausch-Verhältnis als frühere und derzeit in Betrieb befindliche Ozeanfarbsensoren [80], und seine Empfindlichkeit liegt weit unter den Mindestanforderungen für Ozeanfarbanwendungen, insbesondere über offenem Ozean [9,97]. Himawari-
Fernerkundung 2022, 14, 3503
17 von 23
Die moderate radiometrische Auflösung von 8 Bit von 11 wird wahrscheinlich über hellen Zielen wie Wolken [80] und über extrem trüben Küstengewässern (TSS ~100 mg L-1) nicht in Sättigung geraten, während sie über klarem Wasser (>0.25 mg L-1) eine ausreichende Empfindlichkeit für ein angemessenes Diskretisierungsniveau bietet. Die aus aggregierten Beobachtungen berechneten Rauschpegel waren generell in allen Bändern niedriger als die aus Einzelbeobachtungen, was die Eignung einer Verschlechterung der zeitlichen Auflösung zur Verbesserung der Bildqualität bestätigt [7,16]. Obwohl die täglichen SNR-Fluktuationen stark durch den Sonnenhöhenwinkel moduliert werden, impliziert die spektrale Abhängigkeit, dass eine beträchtliche Quelle des Eingangsrauschens (3 % im roten und NIR-Band) im offenen Ozean aus der Atmosphäre stammen könnte [5]. Trotzdem ist die Nachweisgrenze der vorliegenden Methode (80 mg L-0.25) vergleichbar mit denen von Methoden, die eine explizite atmosphärische Korrektur der Inversion meteorologischer Daten anwenden [1].
Die Nachweisgrenze von 0.25 mg L-1 liegt nahe an der Nachweisgrenze der in situ gemessenen TSS mit der gravimetrischen Methode von ~0.4 mg L-1 für AIMS und CSIRO. Relative Unsicherheiten der gravimetrischen Methode hängen mit dem Messprotokoll der verschiedenen Labore zusammen, das Unterschiede hinsichtlich Filtertyp, Bedienerfehler, Salzspülung etc. umfasst [99,100]. Beispielsweise beeinflussen in Glasfaserfiltern eingeschlossene Salzkristalle die TSS-Messungen stark und Salz sollte durch Spülen der Filtervorrichtung entfernt werden [101,102]. Dennoch wurden bei der Anwendung unterschiedlicher Salzspültechniken Fehler von bis zu 30 % festgestellt, was die genaue Bestimmung von TSS unter 1 mg erschwert [101]. Daher sind die Nachweisgrenzen und relativen Unsicherheiten von in situ-Messungen und der aus Himawari-8 gewonnenen TSS für die vorliegende Studie vergleichbar. Dieses Ergebnis deutet darauf hin, dass Himawari-8 eine Möglichkeit bietet, die tägliche Variabilität der Wasserqualität im küstennahen GBR für TSS zwischen 0.25 und 100 mg L-1 genau zu überwachen.
Die von Himawari-8 abgeleiteten TSS-Produkte zeigten eine systematische horizontale Streifenbildung, deren Größe im Allgemeinen den einzelnen horizontalen Scans (500 km) entsprach, wie bereits von Murakami [22] festgestellt. Die Streifenbildung resultierte aus Unterschieden in den Kalibrierungsneigungen zwischen den Detektoren aus Solardiffusor-Beobachtungen der sichtbaren Bänder [103,104]. Obwohl die Kalibrierungskoeffizienten für die Beobachtungen nach Juli 2017 angewendet wurden, waren die horizontalen Streifenmuster in Offshore-Gewässern und bei TSS < 1 mg L-1 immer noch vorhanden. Zusätzlich wurde in den alle 10 Minuten abgeleiteten TSS-Produkten eine starke Granulation beobachtet, die möglicherweise mit der geringen radiometrischen Leistung des Himawari-8-Sensors über Wasserzielen zusammenhängt [17,22]. Das visuelle Rauschen wurde jedoch durch die zeitliche Aggregation mehrerer Einzelbeobachtungen zu Ho weitgehend reduzierturly-abgeleitete TSS-Produkte [16]. Glücklicherweise war das granulierte Rauschen in Küstengewässern und mäßig trüben Gewässern (TSS > 1 mg L-1) vernachlässigbar, entweder ab 10 min oder ab hourly TSS-Produkte. Dieses Ergebnis könnte mit der erhöhten Rückstreuung von Schwebeteilchen zusammenhängen, die die aus dem Wasser austretende Strahlung erhöht und das Photonenrauschen überlagert [105]. Folglich ist es wahrscheinlicher, dass Himawari-8-abgeleitete TSS über mäßig trüben Küstengewässern genauer bestimmt werden als über dem offenen Meer, was die Analyse der Nachweisgrenzen bestätigt.
Pixel-zu-Pixel-Variationen in offenen Ozeangebieten (TSS < 0.25 mg L-1) standen wahrscheinlich im Zusammenhang mit den bei der visuellen Inspektion beobachteten granulierten Mustern, da der Himawari-8-Sensor bei einer Auflösung von 10 Minuten eine geringe Empfindlichkeit aufwies. Das radiometrische Rauschen für TSS unter 0.25 mg L-1 war in aggregierten TSS stark reduziert, was die Empfindlichkeits- und visuellen Inspektionsanalysen bestätigte. Umgekehrt wurde im Küsten-GBR-Transekt für TSS > 1 mg L-1 eine verbesserte räumliche Kohärenz beobachtet. Daher können Himawari-8-TSS-Daten nach 10 Minuten mit der gleichen Zuverlässigkeit verwendet werden wie TSS-Daten aus hourly aggregierte Beobachtungen in Küstengebieten. Die Erfassung von TSS alle 10 Minuten im Küsten-GBR verbessert die Unterscheidung von sich schnell ändernden Wasserqualitätsschwankungen innerhalb einer Stunde. Diese nahezu Echtzeit-Zeitfrequenz erfordert jedoch umfangreiche Verarbeitungs- und Speicherkapazitäten, die für das gesamte GBR möglicherweise nicht realisierbar sind. Die Erstellung vonurly TSS verbessert ansonsten nicht nur die Verarbeitungsraten und Speicherkapazitäten, sondern hilft auch dabei, Ausreißer zu eliminieren und die Genauigkeit von TSS-Produkten zu erhöhen.
Fernerkundung 2022, 14, 3503
18 von 23
5. Schlussfolgerungen und Zukunftsperspektiven
In-situ-Überwachungen und LEO-Satellitendaten haben einen Großteil unseres Wissens über in das GBR eindringende Hochwasserfahnen geliefert [4,106]. Seltene und räumlich spärliche Beobachtungen erschwerten jedoch das vollständige Verständnis der Fahnenentwicklung und -evolution über kurze Zeiträume. Diese Studie demonstrierte die Eignung von Himawari-108 für zuverlässige TSS-Abrufe im küstennahen GBR und für die Kartierung, Verfolgung und Überwachung von Hochwasserfahnen. Zum ersten Mal wurden küstennahe TSS-Merkmale für das gesamte GBR zuverlässig quantifiziert, und zwar mit einer Rate, die nur mit biogeochemischen und hydrodynamischen Modellen möglich ist [8]. Die TSS-Produkte von Himawari-109 bieten die Möglichkeit, periodische und kurzlebige Phänomene mit beispielloser räumlich-zeitlicher Auflösung zu charakterisieren und aufzulösen. Diese Produkte werden für Forscher, Modellierer und Interessengruppen nützlich sein, die die Auswirkungen der Wasserqualität in GBR-Ökosystemen bewerten, wofür derzeit nur Ozeanfarbprodukte aus der LEO-Umlaufbahn verwendet werden [8]. Tageszeitliche Veränderungen und die Ursachen von Wasserqualitätsschwankungen sollten im GBR mithilfe von Himawari-109 TSS-Produkten und Daten von Küstenprozessen wie Gezeiten, Wind und Süßwasserabfluss weiter untersucht werden. Der in dieser Studie vorgestellte Algorithmus kann direkt auf den identischen Himawari-8 AHI-Sensor angewendet werden, der Himawari-9 bis 8 ablösen soll. Die Himawari-Mission der nächsten Generation (Himawari-2029) befindet sich in der Planungsphase und bietet zusätzliche Kanäle im sichtbaren Bereich sowie eine verbesserte Empfindlichkeit und räumliche Auflösung. Diese Eigenschaften würden die Leistungsfähigkeit von Ozeanfarbalgorithmen für geostationäre Sensoren erheblich verbessern und genauere Messungen in Küstengewässern im Tagesverlauf ermöglichen. Ebenso beobachten der Advanced Meteorological Imager (AMI) an Bord von GEOKOMPSAT-10A sowie GOCI-II (GEOKOMPSAT-2B) derzeit Australien und Ostasien. Ein ähnlicher Algorithmus für maschinelles Lernen könnte entwickelt werden, um diese umfangreichen Datensätze nahezu in Echtzeit zu nutzen. In diesem Zusammenhang liefert die vorliegende Studie einen fortschrittlichen Algorithmus und einen Ausblick auf mögliche Anwendungen, die entwickelt werden sollen, wenn Ozeanfarbsensoren an Bord geostationärer Plattformen in Australien Realität werden.
Ergänzende Materialien: Folgendes ist online verfügbar unter https://www.mdpi.com/article/ 10.3390/rs14143503/s1, Abbildung S1: Tagesvariabilität der gesamten Schwebstoffe über der Mündung des Burdekin River im Februar 2019 aus 10-minütigen Himawari-8-Beobachtungen, Abbildung S2: Tagesvariabilität der gesamten Schwebstoffe über dem südlichen Great Barrier Reef in der Nähe von Heralds Reef im November 2016 aus 10-minütigen Himawari-8-Beobachtungen.
Beiträge der Autoren: Konzeptualisierung, LP-V. und TS; Methodik, LP-V. und TS; Software, LP-V., TS und YQ; Validierung, LP-V.; formale Analyse, LP-V.; Datenkuratierung, LP-V., TS und YQ; Schreiben – Vorbereitung des Originalentwurfs, LP-V.; Schreiben –view und Bearbeitung, TS, MJD, SS und YQ; Betreuung, TS, MJD und SS; Mittelbeschaffung, LP-V. Alle Autoren haben die veröffentlichte Version des Manuskripts gelesen und stimmen ihr zu.
Finanzierung: Diese Forschung wurde von der Stiftung Nationaler Rat für wissenschaftliche und technologische Entwicklung (CNPq) der brasilianischen Bundesregierung über das Programm „Wissenschaften ohne Grenzen“ unter der Fördernummer 206339/2014-3 finanziert.
Erklärung zur Datenverfügbarkeit: Die in dieser Studie präsentierten Daten sind auf Anfrage beim entsprechenden Autor erhältlich.
Danksagung: Wir danken Jürgen Fischer und Michael Schaale (Institut für Weltraumwissenschaften, Fachbereich Geowissenschaften, Freie Universität Berlin) für die Bereitstellung des MOMO-Strahlungstransportcodes und des inversen Modellierungstools. Britta Schaffelke, Michele Skuza und Renee Gruber (AIMS) danken wir für die Bereitstellung wertvoller Daten, die im Rahmen des Marine Monitoring Program for Inshore Water Quality, einer Zusammenarbeit zwischen der Great Barrier Reef Marine Park Authority, dem Australian Institute of Marine Science, der James Cook University und der Cape York Water Monitoring Partnership, erhoben wurden. Der Japan Meteorological Agency danken wir für den Betrieb von Himawari-8 und die Datenverteilung durch das Australian Bureau of Meteorology. Dem Australian Bureau of Meteorology danken wir für die Bereitstellung von Daten zur Gezeitenvorhersage. Die Daten stammen vom australischen Integrated Marine Observing System (IMOS) – IMOS wird durch die National Collaborative Research Infrastructure Strategy (NCRIS) ermöglicht. NCRIS (IMOS) und CSIRO
Fernerkundung 2022, 14, 3503
19 von 23
Wir danken für die Finanzierung des Lucinda Jetty Coastal Observatory. Diese Forschung wurde mit Unterstützung der National Computational Infrastructure (NCI Australia) durchgeführt, einer NCRIS-gestützten Einrichtung, die von der australischen Regierung unterstützt wird.
Interessenkonflikte: Die Autoren erklären, dass kein Interessenkonflikt besteht.
Verweise
1. Schroeder, T.; Devlin, M.J.; Brando, V.E.; Dekker, A.G.; Brodie, J.E.; Clementson, L.A.; McKinna, L. Inter-annual variability of wet season freshwater plume extent into the Great Barrier Reef lagoon based on satellite coastal ocean colour observations. Mar. Pollut. Bull. 2012, 65, 210223. [CrossRef]
2. Devlin, M.; Petus, C.; da Silva, E.T.; Tracey, D.; Wolff, N.; Waterhouse, J.; Brodie, J. Water Quality and River Plume Monitoring in the Great Barrier Reef: An Overview of Methods Based on Ocean Colour Satellite Data. Remote Sens. 2015, 7, 1290912941. [CrossRef]
3. Blondeau-Patissier, D.; Brando, V.E.; Lønborg, C.; Leahy, S.M.; Dekker, A.G. Phenology of Trichodesmium spp. blooms in the Great Barrier Reef lagoon, Australia, from the ESA-MERIS 10-year mission. PLoS ONE 2018, 13, e0208010. [CrossRef] [PubMed]
4. Petus, C.; Waterhouse, J.; Lewis, S.; Vacher, M.; Tracey, D.; Devlin, M. A flood of information: Using Sentinel-3 water colour products to assure continuity in the monitoring of water quality trends in the Great Barrier Reef (Australia). J. Environ. Manag. 2019, 248, 109255. [CrossRef]
5. Brodie, J.; Schroeder, T.; Rohde, K.; Faithful, J.; Masters, B.; Dekker, A.; Brando, V.; Maughan, M. Dispersal of suspended sediments and nutrients in the Great Barrier Reef lagoon during river-discharge events: Conclusions from satellite remote sensing and concurrent flood-plume sampling. Mar. Freshw. Res. 2010, 61, 651664. [CrossRef]
6. Sirjacobs, D.; Alvera-Azcárate, A.; Barth, A.; Lacroix, G.; Park, Y.; Nechad, B.; Ruddick, K.; Beckers, J.-M. Cloud filling of ocean colour and sea surface temperature remote sensing products over the Southern North Sea by the Data Interpolating Empirical Orthogonal Functions methodology. J. Sea Res. 2011, 65, 114130. [CrossRef]
7. Ruddick, K.; Neukermans, G.; Vanhellemont, Q.; Jolivet, D. Challenges and opportunities for geostationary ocean colour remote sensing of regional seas: A review of recent results. Remote Sens. Environ. 2014, 146, 6376. [CrossRef]
8. Ruddick, K.; Vanhellemont, Q.; Yan, J.; Neukermans, G.; Wei, G.; Shang, S. Variability of suspended particulate matter in the Bohai Sea from the geostationary Ocean Color Imager (GOCI). Ocean. Sci. J. 2012, 47, 331345. [CrossRef]
9. IOCCG. Ocean-Colour Observations from a Geostationary Orbit; Reports of the International Ocean-Colour Coordinating Group (IOCCG) Report Number 12; Antoine, D., Ed.; IOCCG: Dartmouth, NS, Canada, 2012. Available online: http://ioccg.org/wpcontent/uploads/2015/10/ioccg-report-12.pdf (abgerufen am 18. April 2016).
10. Gruber, R.; Waterhouse, J.; Logan, M.; Petus, C.; Howley, C.; Lewis, S.; Tracey, D.; Langlois, L.; Tonin, H.; Skuza, M.; et al. Marine Monitoring Program: Jahresbericht zur Überwachung der Wasserqualität in Küstennähe 2018–2019; Bericht für die Great Barrier Reef Marine Park Authority 2208; Great Barrier Reef Marine Park Authority: Townsville, Australien, 4096. Online verfügbar: https://elibrary.gbrmpa.gov.au/jspui/handle/2020/11017 (abgerufen am 3665. Mai 14).
11. Waterhouse, J.; Schaffelke, B.; Bartley, R.; Eberhard, R.; Brodie, J.; Thorburn, P.; Rolfe, J.; Ronan, M.; Taylor, B.; Star, M.; et al. Zusammenfassung der wissenschaftlichen Konsenserklärung: Auswirkungen der Landnutzung auf die Wasserqualität und den Zustand des Ökosystems des Great Barrier Reef; Bundesstaat Queensland: Townsville, Australien, 2017. Online verfügbar: https://www.reefplan.qld.gov.au/science-and-research/thescientific-consensus-statement (abgerufen am 25. November 2017).
12. Feng, J.; Chen, H.; Zhang, H.; Li, Z.; Yu, Y.; Zhang, Y.; Bilal, M.; Qiu, Z. Turbidity estimation from GOCI satellite data in the turbid estuaries of China’s coast. Remote Sens. 2020, 12, 3770. [CrossRef]
13. Lou, X.; Hu, C. Diurnal changes of a harmful algal bloom in the East China Sea: Observations from GOCI. Remote Sens. Environ. 2014, 140, 562572. [CrossRef]
14. Groom, S.; Sathyendranath, S.; Ban, Y.; Bernard, S.; Brewin, R.; Brotas, V.; Brockmann, C.; Chauhan, P.; Choi, J.-K.; Chuprin, A.; et al. Satellite Ocean Colour: Current Status and Future Perspective. Front. Mar. Sci. 2019, 6, 485. [CrossRef]
15. Park, J.-E.; Park, K.-A.; Kang, C.-K.; Park, Y.-J. Short-Term Response of Chlorophyll-a Concentration to Change in Sea Surface Wind Field over Mesoscale Eddy. Estuaries Coasts 2019, 43, 646660. [CrossRef]
16. Lavigne, H.; Ruddick, K. The potential use of geostationary MTG/FCI to retrieve chlorophyll-a concentration at high temporal resolution for the open oceans. Int. J. Remote Sens. 2018, 39, 23992420. [CrossRef]
17. Dorji, P.; Fearns, P. Atmospheric correction of geostationary Himawari-8 satellite data for Total Suspended Sediment mapping: A case study in the Coastal Waters of Western Australia. ISPRS J. Photogramm. Remote Sens. 2018, 144, 8193. [CrossRef]
18. Miller, S.D.; Schmit, T.L.; Seaman, C.J.; Lindsey, D.T.; Gunshor, M.M.; Kohrs, R.A.; Sumida, Y.; Hillger, D. A Sight for Sore Eyes: The Return of True Color to Geostationary Satellites. Bull. Am. Meteorol. Soc. 2016, 97, 18031816. [CrossRef]
19. Doxaran, D.; Lamquin, N.; Park, Y.-J.; Mazeran, C.; Ryu, J.-H.; Wang, M.; Poteau, A. Retrieval of the seawater reflectance for suspended solids monitoring in the East China Sea using MODIS, MERIS and GOCI satellite data. Remote Sens. Environ. 2014, 146, 3648. [CrossRef]
20. Doxaran, D.; Cherukuru, R.C.N.; Lavender, S.J. Use of reflectance band ratios to estimate suspended and dissolved matter concentrations in estuarine waters. Int. J. Remote Sens. 2005, 26, 17631769. [CrossRef]
Fernerkundung 2022, 14, 3503
20 von 23
21. Kwiatkowska, EJ; Ruddick, K.; Ramon, D.; Vanhellemont, Q.; Brockmann, C.; Lebreton, C.; Bonekamp, H.G. Ocean colour products from geostationary platforms, opportunities with Meteosat Second and Third Generation. Ocean. Sci. Discuss. 2015, 12, 31433167. [CrossRef]
22. Murakami, H. Ocean color estimation by Himawari-8/AHI. In Proceedings of the Remote Sensing of the Oceans and Inland Waters: Techniques, Applications, and Challenges, New Delhi, India, 7 May 2016. [CrossRef]
23. Chen, X.; Shang, S.; Lee, Z.; Qi, L.; Yan, J.; Li, Y. High-frequency observation of floating algae from AHI on Himawari-8. Remote Sens. Environ. 2019, 227, 151161. [CrossRef]
24. Hafeez, S.; Wong, M.S.; Abbas, S.; Jiang, G. Assessing the Potential of Geostationary Himawari-8 for Mapping Surface Total Suspended Solids and Its Diurnal Changes. Remote Sens. 2021, 13, 336. [CrossRef]
25. Japan Meteorological Agency. Event Log: Himawari-8 Performance Test Results; Meteorological Satellite Center: Kiyose, Japan, 2015. Available online: https://www.data.jma.go.jp/mscweb/en/himawari89/space_segment/fig/AHI8_performance_test_en.pdf (abgerufen am 20. September 2021).
26. IOCCG. Fernerkundung der Ozeanfarbe in Küstengewässern und anderen optisch komplexen Gewässern; Berichte der International Ocean-Colour Coordinating Group (IOCCG), Bericht Nr. 3; Sathyendrath, S. (Hrsg.); IOCCG: Dartmouth, NS, Kanada, 2000. Online verfügbar: http://ioccg.org/wp-content/uploads/2015/10/ioccg-report-03.pdf (abgerufen am 20. September 2015).
27. Schroeder, T.; Schaale, M.; Lovell, J.; Blondeau-Patissier, D. An ensemble neural network atmospheric correction for Sentinel-3 OLCI over coastal waters providing inherent model uncertainty estimation and sensor noise propagation. Remote Sens. Environ. 2022, 270, 112848. [CrossRef]
28. Fan, Y.; Li, W.; Chen, N.; Ahn, J.-H.; Park, Y.-J.; Kratzer, S.; Schroeder, T.; Ishizaka, J.; Chang, R.; Stamnes, K. OC-SMART: A machine learning based data analysis platform for satellite ocean color sensors. Remote Sens. Environ. 2021, 253, 112236. [CrossRef]
29. Brockmann, C.; Doerffer, R.; Peters, M.; Stelzer, K.; Embacher, S.; Ruescas, A. Evolution of the C2RCC neural network for Sentinel 2 and 3 for the retrieval of ocean colour products in normal and extreme optically complex waters. In Proceedings of the European Space Agency, Prague, Czech Republic, 913 May 2016.
30. Schroeder, T.; Fischer, J.; Schaale, M.; Fell, F. Artificial-neural-network-based atmospheric correction algorithm: Application to MERIS data. In Proceedings of the SPIE 4892, Ocean Remote Sensing and Applications, Hangzhou, China, 8 May 2003; pp. 124132. [CrossRef]
31. Jamet, C.; Thira, S.; Moulin, C.; Crepon, M. Use of a Neurovariational Inversion for Retrieving Oceanic and Atmospheric Constituents from Ocean Color Imagery: A Feasibility Study. J. Atmos. Ocean. Technol. 2005, 22, 460475. [CrossRef]
32. Brajard, J.; Jamet, C.; Moulin, C.; Thiria, S. Use of a neuro-variational inversion for retrieving oceanic and atmospheric constituents from satellite ocean colour sensor: Application to absorbing aerosols. Neural Netw. Off. J. Int. Neural Netw. Soc. 2006, 19, 178185. [CrossRef]
33. Doerffer, R. Algorithm Theoretical Basis Document (ATBD) MERIS Regional Coastal and Lake Case 2 Water Project Atmospheric Correction ATBD; Water Version 1; GKSS Research Center: Geesthacht, Germany, 2008; pp. 142.
34. Pahlevan, N.; Smith, B.; Schalles, J.; Bindung, C.; Cao, Z.; Ma, R.; Alikas, K.; Kangro, K.; Gurlin, D.; Hà, N.; et al. Seamless retrievals of chlorophyll-a from Sentinel-2 (MSI) and Sentinel-3 (OLCI) in inland and coastal waters: A machine-learning approach. Remote Sens. Environ. 2020, 240, 111604. [CrossRef]
35. Gross, L.; Thiria, S.; Frouin, R.; Mitchell, B.G. Artificial neural networks for modeling the transfer function between marine reflectance and phytoplankton pigment concentration. J. Geophys. Res. Ocean. 2000, 105, 34833495. [CrossRef]
36. Schroeder, T.; Behnert, I.; Schaale, M.; Fischer, J.; Doerffer, R. Atmospheric correction algorithm for MERIS above case-2 waters. Int. J. Remote Sens. 2007, 28, 14691486. [CrossRef]
37. Schroeder, T.; Schaale, M.; Fischer, J. Retrieval of atmospheric and oceanic properties from MERIS measurements: A new Case-2 water processor for BEAM. Int. J. Remote Sens. 2007, 28, 56275632. [CrossRef]
38. Schroeder, T. Fernerkundung von Wasserinhaltsstoffen in Küstengewässern mit MERIS unter Anwendung expliziter und impliziter Atmosphärenkorrekturverfahren (Remote Sensing of Coastal Waters with MERIS on Basis of Explicit and Implicit Atmospheric Correction Algorithms). Ph.D. Thesis, Freie Universität, Berlin, German, 2005. [CrossRef]
39. Patricio-Valerio, L. Exploring Himawari-8 Observations for the Advanced Coastal Monitoring of the Great Barrier Reef. Ph.D. Thesis, James Cook University, Townsville, Australia, 2021. [CrossRef]
40. Fell, F.; Fischer, J. Numerical simulation of the light field in the atmosphere-ocean system using the matrix-operator method. J. Quant. Spectrosc. Radiat. Transf. 2001, 69, 351388. [CrossRef]
41. Fischer, J.; Grassl, H. Radiative transfer in an atmosphereocean system: An azimuthally dependent matrix-operator approach. Appl. Opt. 1984, 23, 10321039. [CrossRef]
42. Santer, R.; Zagolski, F.; Dilligeard, E. Radiative Transfer Code Comparison for MERIS Vicarious Calibration. In Proceedings of the ENVISAT Validation Workshop, ESRIN, Frascati, Italy, 913 December 2002.
43. Komitee zur Erweiterung der Standardatmosphäre. US-Standardatmosphäre; NASA: Washington, DC, USA, 1976. 44. Holben, BN; Eck, TF; Slutsker, I.; Tanré, D.; Buis, JP; Setzer, A.; Vermote, E.; Reagan, JA; Kaufman, YJ; Nakajima, T.; et al.
AERONET – Ein föderiertes Instrumentennetzwerk und Datenarchiv zur Aerosolcharakterisierung. Remote Sens. Environ. 1998, 66, 1. [CrossRef] 16. AERONET. Aerosol Robotic Network. Online verfügbar: https://aeronet.gsfc.nasa.gov/cgi-bin/data_display_aod_v45?site= Lucinda&nachal=3&level=2&place_code=3 (abgerufen am 10. Oktober 3).
Fernerkundung 2022, 14, 3503
21 von 23
46. Ångström, A. Die Parameter der atmosphärischen Trübung. Tellus 1964, 16, 64. [CrossRef] 75. Rothman, LS; Barbe, A.; Chris Benner, D.; Brown, LR; Camy-Peyret, C.; Carleer, MR; Chance, K.; Clerbaux, C.; Dana, V.; Devi,
VM; et al. Die HITRAN-Datenbank für molekulare Spektroskopie: Ausgabe 2000 einschließlich Aktualisierungen bis 2001. J. Quant. Spectrosc. Radiat. Transf. 2003, 82, 5. [CrossRef] 44. Bennartz, R.; Fischer, J. Ein modifizierter k-Verteilungsansatz angewendet auf Schmalbandschätzungen der Wasserdampf- und Sauerstoffabsorption im nahen Infrarot. J. Quant. Spectrosc. Radiat. Transf. 48, 2000, 66. [CrossRef] 539. Zhang, T.; Fell, F.; Liu, ZS; Preusker, R.; Fischer, J.; He, MX Bewertung der Leistungsfähigkeit künstlicher neuronaler Netzwerktechniken zur Pigmentgewinnung aus der Meeresfarbe in Gewässern des Falls I. J. Geophys. Res. Ocean. 553, 49, 2003. [CrossRef] 108. Pope, RM; Fry, ES Absorptionsspektrum (3286–50 nm) von reinem Wasser. II. Integrierende Hohlraummessungen. Appl. Opt. 380, 700, 1997. [CrossRef] 36. Hale, GM; Querry, MR Optische Konstanten von Wasser im Wellenlängenbereich von 8710 nm bis 8723 µm. Appl. Opt. 51, 200, 200. [CrossRef] 1973. Bricaud, A.; Morel, A.; Babin, M.; Allali, K.; Claustre, H. Variationen der Lichtabsorption durch suspendierte Partikel mit Chlorophyllkonzentration in ozeanischen (Fall 12) Gewässern: Analyse und Implikationen für biooptische Modelle. J. Geophys. Res. Ocean. 555, 563, 52. [CrossRef] 1. Babin, M.; Stramski, D.; Ferrari, GM; Claustre, H.; Bricaud, A.; Obolensky, G.; Hoepffner, N. Variationen der Lichtabsorptionskoeffizienten von Phytoplankton, Nichtalgenpartikeln und gelöster organischer Substanz in den Küstengewässern Europas. J. Geophys. Res. Ocean. 1998, 103, 31033. [CrossRef] 31044. Morel, A. Optische Eigenschaften von reinem Wasser und reinem Meerwasser. In Optical Aspects of Oceanography; Nielsen, JS, Hrsg.; Academic Press: Cambridge, MA, USA, 53; S. 2003. 108. Babin, M.; Morel, A.; Fournier-Sicre, V.; Fell, F.; Stramski, D. Lichtstreuungseigenschaften von Meerespartikeln in Küsten- und offenen Ozeanen in Bezug zur Partikelmassenkonzentration. Limnol. Oceanogr. 3211, 54, 1974–1. [CrossRef] 24. Zhang, T.; Fell, F.; Fischer, J. Modellierung des Rückstreuverhältnisses von Meerespartikeln in Gewässern von Fall 55. In Proceedings of the Ocean Optics XVI, Santa Fe, MN, USA, 2003.–48. November 843. 859. Minsky, M.; Papert, SA Perceptrons: Eine Einführung in die Computergeometrie; MIT Press: Cambridge, MA, USA, 56. 2. Malthouse, EC Einschränkungen der nichtlinearen PCA bei der Durchführung mit generischen neuronalen Netzwerken. IEEE Trans. Neural Netw. 18, 22, 2002–57. [CrossRef] [PubMed] Nocedal, J. Über die BFGS-Methode mit begrenztem Speicher für die Optimierung im großen Maßstab. Math.-Programm. 1969, 58, 1998. [CrossRef] 9. Japanische Meteorologische Agentur. Ereignisprotokoll: Aktualisierung der Kalibrierungsinformationen zur Korrektur des Himawari-165 AHI-Empfindlichkeitstrends; Meteorologisches Satellitenzentrum: Kiyose, Japan, 173. Online verfügbar: https://www.data.jma.go.jp/mscweb/en/oper/eventlog/ Update_of_Calibration_Information_2019.pdf (abgerufen am 20. September 2021). 61. Kurucz, R. Das Sonnenspektrum: Atlanten und Linienidentifikationen. In Proceedings of the Laboratory and Astronomical High Resolution Spectra, Brüssel, Belgien, 29. August/2. September 1995; S. 17. 62. Meteorologisches Satellitenzentrum. GSICS Himawari-8 Leitfaden zur stellvertretenden Kalibrierung im sichtbaren und nahen Infrarot. Online verfügbar: https://www.data.jma.go.jp/mscweb/data/monitoring/gsics/vis/techinfo_visvical.html (abgerufen am 10. Mai 2022). 63. Japan Meteorological Agency. Event Log: Improvement of Himawari-8 Observation Data Quality; Event log Meteorological Satellite Center: Kiyose, Japan, 2017. Online verfügbar: https://www.data.jma.go.jp/mscweb/en/oper/eventlog/Improvement_of_ Himawari-8_data_quality.pdf (abgerufen am 20. September 2021). 64. Qin, Y.; Steven, ADL; Schroeder, T.; McVicar, TR; Huang, J.; Cope, M.; Zhou, S. Wolkenbedeckung in der australischen Region: Entwicklung und Validierung eines Algorithmus zur Wolkenmaskierung, Klassifizierung und optischen Tiefenabfrage für den Advanced Himawari Imager. Front. Environ. Sci. 2019, 7, 20. [CrossRef] 65. Great Barrier Reef Marine Park Authority. Merkmale des Great Barrier Reef (GBR) (Riffgrenzen, QLD-Festland, Inseln, Cays, Felsen und Trockenriffe) (GBRMPA) (Version 1.4) [Datensatz] 2164DB88-FD79-449E-920F-61C37ADE634B. 1998. Online verfügbar: http://www.gbrmpa.gov.au/geoportal/catalog/search/resource/details.page?uuid=%7B41AB3629-B41B-4746-9B753822667E5AF3%7D (abgerufen am 14. Mai 2022). 66. Emecen, E.; Kara, G.; Erdogmus, F.; Gardashov, R. Die Bestimmung von Sonnenfleckenstandorten auf der Meeresoberfläche durch Beobachtung von geostationären Satelliten. TAO Terr. Atmos. Ocean. Sci. 2006, 17, 253. [CrossRef] 67. National Oceanic and Atmospheric Administration. Gesamtozonanalyse mit SBUV/2 und TOVS (TOAST). Online verfügbar: https://www.ospo.noaa.gov/Products/atmosphere/toast/index.html (abgerufen am 1. Dezember 2020). 68. Kistler, R.; Kalnay, E.; Collins, W.; Saha, S.; White, G.; Woollen, J.; Chelliah, M.; Ebisuzaki, W.; Kanamitsu, M.; Kousky, V. Die 50-jährige Reanalyse des NCEPNCAR: Monatliche Mittelwerte, CD-ROM und Dokumentation. Bull. Am. Meteorol. Soc. 2001, 82, 247. [CrossRef] 268. Kanamitsu, M.; Ebisuzaki, W.; Woollen, J.; Yang, S.-K.; Hnilo, JJ; Fiorino, M.; Potter, GL NCEPDOE AMIP-II-Reanalyse (R-69). Bull. Am. Meteorol. Soc. 2, 2002, 83. [CrossRef] 1631. Kalnay, E.; Kanamitsu, M.; Kistler, R.; Collins, W.; Deaven, D.; Gandin, L.; Iredell, M.; Saha, S.; White, G.; Woollen, J. Das 1644-jährige Reanalyseprojekt von NCEP/NCAR. Bull. Am. Meteorol. Soc. 70, 40, 1996. [CrossRef] 77. National Oceanic and Atmospheric Administration. NCEP Reanalyse 437 Meteorologische Daten. Online verfügbar: https://psl.noaa.gov/data/gridded/data.ncep.reanalysis472.html (abgerufen am 71. Dezember 2).
Fernerkundung 2022, 14, 3503
22 von 23
72. Integriertes Meeresbeobachtungssystem. IMOS Ocean Colour Bio Optical Database of Australian Waters (SRS-OC-BODBAW). 2011. Online verfügbar: https://researchdata.edu.au/imos-srs-ocean-australian-waters (abgerufen am 20. Februar 2017).
73. Great Barrier Reef Marine Park Authority. Handbuch zur Qualitätssicherung und Qualitätskontrolle des Marine Monitoring Program 2017–2018; Great Barrier Reef Marine Park Authority: Townsville, Australien, 2019. Online verfügbar: http://elibrary.gbrmpa.gov.au/jspui/ handle/11017/3487 (abgerufen am 15. Mai 2018).
74. Soja-Woz´niak, M.; Baird, M.; Schroeder, T.; Qin, Y.; Clementson, L.; Baker, B.; Boadle, D.; Brando, V.; Steven, A.D.L. Particulate Backscattering Ratio as an Indicator of Changing Particle Composition in Coastal Waters: Observations From Great Barrier Reef Waters. J. Geophys. Res. Ocean. 2019, 124, 54855502. [CrossRef]
75. Bulgarelli, B.; Zibordi, G. On the detectability of adjacency effects in ocean color remote sensing of mid-latitude coastal environments by SeaWiFS, MODIS-A, MERIS, OLCI, OLI and MSI. Remote Sens. Environ. 2018, 209, 423438. [CrossRef]
76. Schroeder, T.; Lovell, J.; King, E.; Clementson, L.; Scott, R. IMOS Ocean Colour Validation Report 2017-18, Report to the Integrated Marine Observing System (IMOS); CSIRO Oceans and Atmosphere: Brisbane, Australia, 2018; p. 22.
77. King, E.; Schroeder, T.; Brando, V.; Suber, K. A Pre-operational System for Satellite Monitoring of Great Barrier Reef Marine Water Quality. In Wealth from Oceans Flagship Report; CSIRO Wealth from Oceans Flagship: Hobart, Australia, 2014. [CrossRef]
78. Japan Meteorological Agency. Event Log: Quality Improvement of Himawari-8 Observation Data; Meteorological Satellite Center: Kiyose, Japan, 2016. Available online: https://www.data.jma.go.jp/mscweb/en/oper/eventlog/20161117_Quality_ improvement_of_Himawari-8_observation_data.pdf (abgerufen am 20. September 2021).
79. Japan Aerospace Exploration Agency. JAXA Himawari Monitor P-Tree System. Online verfügbar: https://www.eorc.jaxa.jp/ ptree/index.html (abgerufen am 14. Mai 2022).
80. Hu, C.; Feng, L.; Lee, Z.; Davis, C.O.; Mannino, A.; McClain, C.R.; Franz, B.A. Dynamic range and sensitivity requirements of satellite ocean color sensors: Learning from the past. Appl. Opt. 2012, 51, 60456062. [CrossRef]
81. Tang, W.; Llort, J.; Weis, J.; Perron, M.M.G.; Basart, S.; Li, Z.; Sathyendranath, S.; Jackson, T.; Sanz Rodriguez, E.; Proemse, B.C.; et al. Widespread phytoplankton blooms triggered by 20192020 Australian wildfires. Nature 2021, 597, 370375. [CrossRef] [PubMed]
82. Great Barrier Reef Marine Park Authority. Water Quality Guidelines for the Great Barrier Reef Marine Park; 1921682299; Great Barrier Reef Marine Park Authority: Townsville, Australia, 2010. Available online: https://elibrary.gbrmpa.gov.au/jspui/handle/11017/ 432 (accessed on 20 August 2019).
83. Brodie, J.; Grech, A.; Pressey, B.; Day, J.; Dale, A.; Morrison, T.; Wenger, A. The future of the Great Barrier Reef: The water quality imperative. In Coasts and Estuaries; Wolanski, E., Day, J.W., Elliott, M., Ramachandran, R., Eds.; Elsevier: Amsterdam, The Netherlands, 2019; pp. 477499. [CrossRef]
84. Hieronymi, M.; Müller, D.; Doerffer, R. The OLCI Neural Network Swarm (ONNS): A Bio-Geo-Optical Algorithm for Open Ocean and Coastal Waters. Front. Mar. Sci. 2017, 4, 140. [CrossRef]
85. Donlon, C. Sentinel-3 Mission Requirements Traceability Document (MRTD); European Space Agency (ESA)–ESTEC: Noordwijk, The Netherlands, 2011; p. 234. Available online: https://sentinels.copernicus.eu/documents/247904/1848151/Sentinel-3-MissionRequirements-Traceability (accessed on 11 October 2018).
86. Doerffer, R. Protokolle zur Validierung von MERIS-Wasserprodukten; ESA-Veröffentlichung PO-TN-MEL-GS-0043 GKSS; Forschungszentrum: Geesthacht, Deutschland, 2002; S. 1.
87. Regierung von Queensland. Informationsportal zur Wasserüberwachung (WMIP). Online verfügbar: https://water-monitoring.information. qld.gov.au/ (abgerufen am 30. März 2021).
88. Wolanski, E.; Spagnol, S. Sticky Waters in the Great Barrier Reef. Estuar. Coast. Shelf Sci. 2000, 50, 27. [CrossRef] 32. Pickard, GL; Donguy, J.-R.; Hénin, C.; Rougerie, F. A Review der physikalischen Ozeanographie des Great Barrier Reef und des westlichen Korallenriffs
Meer; Australian Government Publishing Service: Canberra, Australien, 1977. 90. Feng, D.; Hodges, BR; Socolofsky, SA; Thyng, KM Gezeitenwirbel an einem schmalen Kanaleinlass in operativen Ölverschmutzungsmodellen. März.
Pollut. Bull. 2019, 140, 374. [CrossRef] [PubMed] 387. De'ath, GA; Fabricius, KK Wasserqualität des Great Barrier Reef: Verteilungen, Auswirkungen auf die Riffbiota und Auslösewerte für die
Schutz der Gesundheit von Ökosystemen; Great Barrier Reef Marine Park Authority Commonwealth of Australia und Australian Institute of Marine Science: Townsville, Australien, 2008; S. 104. 92. Thomson, RE; Wolanski, EJ Auftrieb während der Gezeitenperiode im Eingang von Raine Island, Great Barrier Reef. J. Mar. Res. 1984, 42, 787. [CrossRef] 808. Wolanski, E.; Drew, E.; Abel, KM; O'Brien, J. Gezeitenstrahlen, Nährstoffauftrieb und ihr Einfluss auf die Produktivität der Alge Halimeda in den Ribbon Reefs, Great Barrier Reef. Mündung. Küste. Shelf Sci. 93, 1988, 26. [CrossRef] 169. Marmorino, GO; Smith, GB; Miller, WD Turbulenzeigenschaften, abgeleitet aus zeitverzögerten Satellitenbildern von Oberflächenalgen in einem flachen Gezeitenmeer. Fortsetzung Regal Res. 201, 94, 2017. [CrossRef] 148. Delandmeter, P.; Lambrechts, J.; Marmorino, GO; Legat, V.; Wolanski, E.; Remacle, J.-F.; Chen, W.; Deleersnijder, E. Submesoskalige Gezeitenwirbel im Kielwasser von Koralleninseln und Riffen: Satellitendaten und numerische Modellierung. Ozean. Dyn. 178, 184, 95. [CrossRef] 2017. Li, G.; Hey.; Liu, G.; Zhang, Y.; Hu, C.; Perrie, W. Multisensor-Beobachtungen submesoskaliger Wirbel in Küstenregionen. Remote Sens. 67, 897, 913. [CrossRef]
Fernerkundung 2022, 14, 3503
23 von 23
97. IOCCG. Missionsanforderungen für zukünftige Ozeanfarbsensoren; Berichte der International Ocean-Colour Coordinating Group (IOCCG) Bericht Nr. 13; McClain, C., Meister, G., Hrsg.; IOCCG: Dartmouth, NS, Kanada, 2012. Online verfügbar: http: //ioccg.org/wp-content/uploads/2015/10/ioccg-report-13.pdf (abgerufen am 30. September 2017).
98. Neukermans, G.; Ruddick, K.; Bernard, E.; Ramon, D.; Nechad, B.; Deschamps, P.-Y. Mapping total suspended matter from geostationary satellites: A feasibility study with SEVIRI in the Southern North Sea. Opt. Express 2009, 17, 1402914052. [CrossRef]
99. Neukermans, G.; Ruddick, K.; Loisel, H.; Roose, P. Optimization and quality control of suspended particulate matter concentration measurement using turbidity measurements. Limnol. Oceanogr. Methods 2012, 10, 10111023. [CrossRef]
100. Röttgers, R.; Heymann, K.; Krasemann, H. Suspended matter concentrations in coastal waters: Methodological improvements to quantify individual measurement uncertainty. Estuar. Coast. Shelf Sci. 2014, 151, 148155. [CrossRef]
101. Tilstone, G.; Moore, G.; Sørensen, K.; Doerffer, R.; Røttgers, R.; Ruddick, K.; Pasterkamp, R.; Jørgensen, P. Regionale Validierung von MERIS-Chlorophyllprodukten in Küstengewässern der Nordsee. In Proceedings des Arbeitstreffens zur Kalibrierung und geophysikalischen Validierung von MERIS und AATSR (ENVISAT MAVT-2003), Frascati, Italien, 20. Oktober 24.
102. Stavn, R.H.; Rick, H.J.; Falster, A.V. Correcting the errors from variable sea salt retention and water of hydration in loss on ignition analysis: Implications for studies of estuarine and coastal waters. Estuar. Coast. Shelf Sci. 2009, 81, 575582. [CrossRef]
103. Okuyama, A.; Takahashi, M.; Date, K.; Hosaka, K.; Murata, H.; Tabata, T.; Yoshino, R. Validation of Himawari-8/AHI radiometric calibration based on two years of in-orbit data. J. Meteorol. Soc. Japan. Ser. II 2018, 96, 91109. [CrossRef]
104. Japan Meteorological Agency. Event log: Impacts of Spacecraft Events and Calibration on Himawari-8 Images: Striping; Meteorological Satellite Center: Kiyose, Japan, 2020. Available online: http://www.data.jma.go.jp/mscweb/en/oper/image_info.html#005 (abgerufen am 20. September 2021).
105. Moses, W.J.; Bowles, J.H.; Lucke, R.L.; Corson, M.R. Impact of signal-to-noise ratio in a hyperspectral sensor on the accuracy of biophysical parameter estimation in case II waters. Opt. Express 2012, 20, 43094330. [CrossRef]
106. Alvarez-Romero, J.G.; Devlin, M.; Teixeira da Silva, E.; Petus, C.; Ban, N.C.; Pressey, R.L.; Kool, J.; Roberts, J.J.; Cerdeira-Estrada, S.; Wenger, A.S.; et al. A Novel Approach to Model Exposure of Coastal Marine Ecosystems to Riverine Flood Plumes Based on Remote Sensing Techniques. J. Environ. Manag. 2013, 119, 194207. [CrossRef]
107. Petus, C.; Devlin, M.; Thompson, A.; McKenzie, L.; Teixeira da Silva, E.; Collier, C.; Tracey, D.; Martin, K. Estimating the Exposure of Coral Reefs and Seagrass Meadows to Land-Sourced Contaminants in River Flood Plumes of the Great Barrier Reef: Validating a Simple Satellite Risk Framework with Environmental Data. Remote Sens. 2016, 8, 210. [CrossRef]
108. Devlin, M.; Schroeder, T.; McKinna, L.; Brodie, J.; Brando, V.; Dekker, A. Monitoring and Mapping of Flood Plumes in the Great Barrier Reef Based on In Situ and Remote Sensing Observations. In Advances in Environmental Remote Sensing to Monitor Global Changes; Chang, N.-B., Ed.; Environmental Remote Sensing and Systems Analysis; CRC Press: Boca Raton, FL, USA, 2012; pp. 147191. [CrossRef]
109. Steven, A.D.; Baird, M.E.; Brinkman, R.; Car, N.J.; Cox, S.J.; Herzfeld, M.; Hodge, J.; Jones, E.; King, E.; Margvelashvili, N.; et al. eReefs: An operational information system for managing the Great Barrier Reef. J. Oper. Oceanogr. 2019, 12, S12S28. [CrossRef]
Dokumente / Ressourcen
 | Algorithmus für maschinelles Lernen |
Verweise
- aeronet.gsfc.nasa.gov/cgi-bin/data_display_aod_v3?site=aeronet.gsfc.nasa.gov
- co.ukco.uk
- Startseitedoi.org
- edu.auedu.au
- Digitales Archiv der Reef Authority: Startseiteelibrary.gbrmpa.gov.au
- elibrary.gbrmpa.gov.au/jspui/handle/11017/3665elibrary.gbrmpa.gov.au
- jcu.edu.aujcu.edu.au
- psl.noaapsl.noaa
- Regierung von Queensland | Regierung von Queenslandqld.gov.au
- researchdata.edu.au/imos-srs-ocean-australian-watersresearchdata.edu.au
- Bedienungsanleitungmanual.tools