MDPI Machine Learning Algorithm User Guide

Machine Learning Algoritme

Produktinformation

Specifikationer

Produktnavn: Fjernmålingsartikel
Forfatter: Larissa Patricio-Valerio, Thomas
Schroeder, Michelle J. Devlin, Yi Qin, Scott Smithers
Udgivelsesdato: 21. juli 2022
Nøgleord: Himawari-8, havfarve, kunstig
neurale netværk, Great Barrier Reef, kystnære farvande, i alt
suspenderede stoffer, maskinlæring, vandkvalitet

Produktbrugsvejledning

1. Introduktion

Fjernmålingsartiklen giver indsigt i brugen af
maskinlæringsalgoritmer til at hente totalt suspenderede faste stoffer
i Great Barrier Reef ved hjælp af data fra Himawari-8. Artiklen
diskuterer udfordringer og fordele ved at udnytte geostationært
Satellitter i kredsløb om jorden til kontinuerlig observation af kystnære
områder.

2. Henteproces

Artiklen fremhæver vigtigheden af geostationær
satellitter som Himawari-8 i at fange næsten realtidsdata på
kystnære processer. Det understreger begrænsningerne ved lav kredsløb om Jorden
satellitter til at løse kortsigtede variabilitet i forhold til
geostationære satellitter.

3. Havfarvesensorer

Artiklen nævner betydningen af havfarvesensorer på
satellitter til indhentning af rumlig information relateret til vand
kvalitet. Den diskuterer den tidsmæssige dynamik observeret af
geostationære satellitter og deres indvirkning på kystovervågning
fænomener.

Ofte stillede spørgsmål (FAQ)

Spørgsmål: Hvad er hovedfokus for fjernmålingsartiklen?

A: Hovedfokus er på at bruge en maskinlæringsalgoritme med
Himawari-8-data til at hente totalt suspenderet fast stof i den Store
Barrier Reef.

Q: Hvorfor foretrækkes geostationære satellitter til kystnære
overvågning?

A: Geostationære satellitter tilbyder næsten kontinuerlig observation af
store områder med højere frekvens, hvilket giver mulighed for bedre overvågning
af hurtigt skiftende kystprocesser.

fjernmåling

Artikel
En maskinlæringsalgoritme for Himawari-8-udhentning af totalt suspenderede faste stoffer i Great Barrier Reef
Larissa Patricio-Valerio 1,2,*, Thomas Schroeder 2, Michelle J. Devlin 3, Yi Qin 4 og 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, Oceans and Atmosphere, GPO Box 2583, Brisbane, QLD 4001, Australien; thomas.schroeder@csiro.au
3 Center for Environment Fisheries and Aquaculture Science, Parkfield Road, Lowestoft, Suffolk NR33 0HT, UK; michelle.devlin@cefas.co.uk
4 Commonwealth Scientific and Industrial Research Organisation, Oceans and Atmosphere, GPO Box 1700, Canberra, ACT 2601, Australien; yi.qin@csiro.au
* Korrespondance: larissa.patriciovalerio@my.jcu.edu.au

Citat: Patricio-Valerio, L.; Schroeder, T.; Devlin, MJ; Qin, Y.; Smithers, S. En maskinindlæringsalgoritme for Himawari-8 Total Suspended Solids Retrivals i Great Barrier Reef. Remote Sens. 2022, 14, 3503. https://doi.org/ 10.3390/rs14143503
Akademisk redaktør: Chris Roelfsema
Modtaget: 15. maj 2022 Accepteret: 19. juli 2022 Udgivet: 21. juli 2022
Udgiverens note: MDPI forbliver neutral med hensyn til jurisdiktionskrav i offentliggjorte kort og institutionelle tilknytninger.
Copyright: © 2022 af forfatterne. Licenstager MDPI, Basel, Schweiz. Denne artikel er en artikel med åben adgang, der distribueres under vilkårene og betingelserne for Creative Commons Attribution (CC BY)-licensen (https://creativecommons.org/licenses/by/ 4.0/).

Abstrakt: Fjernmåling af havfarve har været grundlæggende for overvågningen i synoptisk skala af havvandskvaliteten i Great Barrier Reef (GBR). Havfarvesensorer ombord på satellitter med lav kredsløb, såsom Sentinel-3-konstellationen, har imidlertid utilstrækkelig genbesøgsevne til fuldt ud at løse daglige variationer i meget dynamiske kystmiljøer. For at overvinde denne begrænsning præsenterer dette arbejde en fysikbaseret kysthavfarvealgoritme for Advanced Himawari Imager ombord på Himawari-8 geostationære satellit. På trods af at den er designet til meteorologiske applikationer, giver Himawari-8 mulighed for at estimere havfarvefunktioner hvert 10. minut, i fire brede synlige og nær-infrarøde spektralbånd og ved 1 km2 rumlig opløsning. Koblet havatmosfære strålingsoverførselssimuleringer af Himawari-8-båndene blev udført for en realistisk række af i-vand og atmosfæriske optiske egenskaber af GBR og for en bred vifte af sol- og observationsgeometrier. De simulerede data blev brugt til at udvikle en omvendt model baseret på kunstige neurale netværksteknikker til at estimere total suspenderet faststof (TSS) koncentrationer direkte fra Himawari-8 top-of-atmosphere spektral reflektans observationer. Algoritmen blev valideret med samtidige in situ-data på tværs af kyst-GBR, og dets detektionsgrænser blev vurderet. TSS-hentninger viste relative fejl op til 75 % og absolutte fejl på 2 mg L-1 inden for valideringsområdet på 0.14 til 24 mg L-1, med en detektionsgrænse på 0.25 mg L-1. Vi diskuterer potentielle anvendelser af Himawari-8 daglige TSS-produkter til forbedret overvågning og styring af vandkvaliteten i GBR.
Nøgleord: Himawari-8; havets farve; kunstige neurale netværk; Great Barrier Reef; kystnære farvande; total suspenderet faststof; maskinlæring; vandkvalitet
1. Introduktion Havfarvesensorer ombord på satellitter med lav kredsløb om jorden (LEO), såsom MODIS/Aqua,
VIIRS/Suomi-NPP og OLCI/Sentinel-3 har leveret langsigtede optegnelser over værdifulde og omkostningseffektive observationer for at undersøge daglig til mellemårlig dynamik i vandkvaliteten i Great Barrier Reef (GBR) [1]. LEO-satellitterne scanner det samme geografiske område inden for en eller to dage i bedste fald; dog varierer tidsintervallet mellem to på hinanden følgende og identiske baner (dvs. genbesøgsperiodicitet) almindeligvis mellem en og op til fire uger. Derudover kan havets farvebilleder i høj grad være påvirket af tilstedeværelsen af skyer og solglimt, hvilket begrænser genfindingen af observationer af høj kvalitet [5]. Dette kan kræve et ugentlig-til-månedligt sæt af daglige billeder fra det samme område for at udvikle en sammensat skyfri view af havet. Som følge heraf er LEO-satellitternes tidsmæssige kapacitet utilstrækkelig til at udvikle et omfattende observationssystem og effektivt overvåge kortsigtede dynamiske kystprocesser, såsom fytoplanktondelte cyklusser, daglig progression af oversvømmelsesfaner og

Remote Sens. 2022, 14, 3503. https://doi.org/10.3390/rs14143503

https://www.mdpi.com/journal/remotesensing

Fjernsensorer 2022, 14, 3503

2 af 23

tidevands- og vinddrevet resuspension [7]. Forskere og miljøledere stadig

stole på LEO havfarveprodukter til at erhverve omkostningseffektiv rumlig information - i

kystnære GBR [10,11], men anerkend begrænsningerne ved disse teknikker til at løse kortsigtede

variabilitet.

–

Satellitter på en g-eostationær kredsløb om jorden (GEO), ellers tillader næsten kontinuerlig

observation af store områder af kloden med højere frekvens (minutter til timer) sammenlignet

til den næsten daglige genbesøgsfrekvens af LEO-platforme, især over troperne [9]. De

verdens første Geostationary Ocean Color Imager (GOCI-I), lanceret i 2010, har afsløret

den tidsmæssige dynamik i hurtigt skiftende kyst- processer i Nordøstasien, som f.eks

af turbiditetsfaner og skadelig algeopblomstring [12,13]. Dens succes gav en nyttig case

til den fremtidige udvikling af globale GEO-havfarvemissioner [14]; dog ingen af

de missioner, der blev foreslået iværksat inden for det næste årti, var designet til observation

australske farvande. Ikke desto mindre drives GEO-satellitter globalt til meteorologiske ob-

servationer og nyere teknologiske fremskridt har udnyttet deres evner til at indsamle data over havene, hvilket gør det muligt at observere mere dynamiske processer fra rummet [-15].

Tofhbe annedxst-ignentheera-vtiiosinblGe EspOemctreutemor(o2loogri3cailnssetenasdorosfaorenleyq1uibpapnedd)

med et øget antal kombineret med forbedret

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 er placeret ved 140.7E over ækvator og med en 10 minutters scanningshastighed fanger den mindst 48 fuld-disk observationer inden for en dag (kl. 8 til 4 lokal tid). Mens AHI-instrumentet er designet til meteorologiske applikationer, er det synligt og nær-i-frarødt

(VNIR) bånd (figur 1 og tabel 1) muliggør detektering af marine træk med stærke

optiske signaler, såsom dem fra stærkt grumsete farvande [19]. Derudover Himawari-21

observationer med ultrahøj tidsopløsning tillader overvågning af havets egenskaber fra

sub-hourly til mellem-årlige tidsskalaer for hele GBR-lagunen og den tilstødende oceaniske

basin uden interorbitale data g-aps.

wFiigthurtehe1.trHainmsmawisas-riio-n8

spektrale responsfunktioner af de synlige og infrarøde bånd (optrukne hvide linjer) af de atmosfæriske gasser (grå fyldt linje) og transmissionen med ozon (rød

ubrudt linje) mellem 400 og 1000 nm.

En omfattende række af applikationer til overvågning og forvaltning af oceaniske områder har potentialet til at blive afledt af Him-awari-8, herunder for havfarve -[22,23]. Nylige undersøgelser har vist gennemførligheden af Hima-wari-8-observationer til påvisning af total suspenderet faststof (TSS) i kystnære farvande [17,24] og for chloroph-yl-a-koncentration (CHL) i det åbne hav [22]. Disse resultater tyder på en spændende mulighed for at overvåge højfrekvente og dynamiske processer i det kystnære GBR. Men selvom flere havfarvealgoritmer kan være tilgængelige til satellitgenfinding af kystvandskvalitetsparametre, kan de være uegnede til den optiske kompleksitet af GBR eller ikke anvendelige til Himawari-8-observationer.

Fjernsensorer 2022, 14, 3503

3 af 23
– –
Tleanbglteh1s.anHdimbaanwdawrii-d8-thA, dasvsaoncciaetdedHsipmaatiwalarreisIomluatgioenr.vSiisgibnlael-aton-dn- oni-esearr–aintiforsar(SeNd Rb)anfrdosmcpenertrfoar.testwaanvercerm.

Bånd # (navn) #1 (blå) #2 (grøn) #3 (rød) #4 (NIR)

Båndcenter (bredde) 470.64 (45.37) nm 510.00 (37.41) nm 639.15 (90.02) nm 856.69 (42.40) nm

Rumlig opløsning 1 km 1 km 0.5 km 1 km

SNR @100 % Albedo 585 (641.5) 645 (601.9) 459 (519.3) 420 (309.3)

Modelbaserede havfarvealgoritmer, der anvender strålingsoverførselssimuleringer, har vist overlegen ydeevne til anvendelse i multi-temporale fjernmålingsundersøgelser af kystnære farvande sammenlignet med empiriske algoritmer [26]. Specifikt er neurale netværk en beregningseffektiv inversionsmetode til fjernmålingsapplikationer i optisk komplekse kystvande på grund af deres evne til at tilnærme ikke-lineære funktionelle relationer [27]. Dette papir beskriver udviklingen af en modelbaseret neuralt netværks havfarvealgoritme (figur 35) for Himawari-2 - og parametriseret til kystvandene i GBR. Et-trins-inversionsalgoritmen blev udviklet til at estimere TSS direkte fra Himawari-8 top-of-atmosphere (TOA) observationer med en flerlagsperceptron, en klasse af kunstige neurale netværk (ANN). Først blev den spektrale vinkelfordeling af TOA-reflektanserne RTOA() sr-8 simuleret ved VNIR Himawari-1 båndene med en eksisterende koblet oceanatmosfære strålingsoverførsel (RT) model (fremad model). RT-simuleringerne omfattede realistiske variationer i vandkvalitetsparametre og atmosfæriske og belysningsforhold. Adskillige ANN-eksperimenter (omvendte modeller) blev derefter designet, trænet og testet til at hente TSS ved Himawari-8-båndene baseret på de simulerede TOA-udstrålinger. Endelig blev de Himawari-8-hentede TSS-output statistisk vurderet i forhold til samtidige in situ-vandkvalitetsdata i GBR, og begrænsningerne af den valgte algoritme blev undersøgt.

Figur 2. Flowdiagram af den modelbaserede havfarvealgoritme udviklet til Himawari-8.
2. Metoder Parametriseringen af strålingsoverførselssimuleringerne og udformningen af
ANN inverse model er specificeret i de følgende underafsnit. De fremadrettede og omvendte modelparameteriseringer følger en tilgang, der tidligere er udviklet for europæiske kystfarvande [36], men blev tilpasset i denne undersøgelse til de optiske forhold i vandet af GBR [38]. Derudover er H-imawari-39-opsamlings-, behandlings- og maskeringsprocedurerne og havfarveprocessoren beskrevet for den modelbaserede algoritme udviklet her. Valideringsprotokollen og metoderne til vurdering af algoritmebegrænsningerne præsenteres, samt de første resultater for TSS-overvågning i GBR.

Fjernsensorer 2022, 14, 3503

4 af 23
2.1. Den fremadrettede model
I dette arbejde blev en skalær version af Matrix-Operator MODEL (MOMO) [40,41] anvendt til de koblede oceanatmosfære strålingsoverførselssimuleringer af Himawari-8 VNIR-båndene (tabel 1). Forsømmelse af atmosfærisk polarisering kan føre til fejl på 1 % ved TOA, hvilket er acceptabelt for kystvandsanvendelser [2]. Himawari-42 RTOA() blev simuleret for en realistisk række af in-vand og atmosfæriske optiske egenskaber af GBR.
Det simulerede oceanatmosfæresystem er stratificeret i flere horisontalt homogene plan-parallelle lag, hvor de definerede typer og koncentrationer af akvatiske og atmosfæriske optiske bestanddele tages i betragtning. Højden af den simulerede atmosfære (TOA) er 50 km tyk og opdelt i 11 lag, hvor den lodrette profiles af tryk, temperatur og fugtighed følger en amerikansk standardatmosfære [43]. Dæmpningen ved Rayleigh-spredning tages i betragtning med to barometriske overfladetryk på 980 hPa og 1040 hPa. Atmosfæren er opdelt i et grænselag (0 km), en fri troposfære (2 km) og en stratosfære (2 km). I hvert lag blev simuleringerne udført for otte forskellige aerosolsamlinger med varierende koncentrationer af den optiske aerosoltykkelse (a) ved 12 nm mellem 12 og 50. Hver aerosolsamling er sammensat af de tre hovedaerosolmodeller, en maritim model i grænselaget, en kontinental model i den frie troposfære og en svovlsyremodel i stratosfæren ved en relativ luftfugtighed mellem 550 % og 0.015 %. a-området blev bestemt ud fra flerårige niveau 1.0 solfotometerobservationer af AERONET [70]-stationen ved Lucinda Jetty Coastal Observatory (LJCO) placeret i det centrale GBR [99S, 2E]. Analyse af de tilsvarende Ångström-koefficienter [44,45] mellem 18.52 og 146.39 nm på LJCO AERONET-stationen bekræfter en blanding af maritime og kontinentale aerosoltyper svarende til dem, der blev brugt i RT-simuleringerne.
Transmissionen af atmosfæriske gasser (undtagen O3) blev afledt af HighResolution Transmission Molecular Absorption (HITRAN) databasen [47] og implementeret i strålingsoverførselssimuleringerne via den modificerede k-fordelingsmodel af Bennartz og Fischer [48]. De strålingsoverførselssimuleringer blev udført under antagelse af en konstant ozonbelastning på 344 Dobson Units (DU) [43]. Himawari-8-båndene blev simuleret for 17 sol- og observationsvinkler og 25 lige store relative azimutvinkler. Simuleringerne blev udført for realistiske vandkvalitetsudsving, repræsenteret ved tilfældigt udvalgte unikke koncentrationer af CHL, TSS og gule stoffer (YEL), herefter benævnt koncentrationstrillinger. Områderne for de simulerede koncentrationstripletter blev defineret baseret på spredningen af in situ korrelerede koncentrationer fundet i GBR, efter tilgangen af Zhang et al. [49]. De simulerede koncentrationstrillinger var ligeligt fordelt i logaritmisk rum, så hver størrelsesorden var på samme måde repræsenteret, mens duplikerede simuleringer blev undgået.
Den totale spektrale absorption af havvandet a() blev modelleret af en fire-komponent bio-optisk model, der tager højde for absorptionen af rent vand (aw), absorptionen af phytoplankton og alt dødt organisk materiale (dvs. detritus) ap1 som en funktion af CHL [0.01, 15], absorptionen af ikke-alge partikler [2, 0.01], funktionen af ikke-alge partikler [100.0 . 443], og absorptionen af gule stoffer ay ved 0.002 nm [2.5, 50]. Absorptionskoefficienten for rent vand (aw) blev modelleret ifølge Pope og Fry [8] for Himawari-1 synlige bånd 3 og af Hale og Querry [51] for bånd 4. Den spektrale absorption af phytoplankton og detritus ap1 fulgte en parameterisering af Bricaud et al. [52], mens absorptionen af ikke-alger partikler ap2 blev parameteriseret ifølge Babin et al. [53], med en gennemsnitlig hældning Sp2 på 0.012, der blev afledt af in situ bio-optiske data sampført i GBR mellem 2002 og 2013. Den spektrale absorptionskoefficient for gule stoffer ay blev modelleret ifølge Babin et al. [53], med en middelhældning Sy på 0.015, der også blev afledt af in situ observationer fra GBR [39].
Den totale spektrale spredning af havvandet (b()) blev modelleret af en to-komponent bio-optisk model [53], der tager højde for spredningen af rent vand (bw) og spredning eller organiske og uorganiske partikler bp som en funktion af TSS. Den rene havvandsspredning

Fjernsensorer 2022, 14, 3503

5 af 23

koefficient blev udtrykt som en bølgelængdeafhængig effektlov baseret i Morel [54],

defineret for et globalt saltholdighedsgennemsnit på 35 PSU. Spredningsbidraget fra økologiske og

uorganiske partikler blev kombineret for at udlede den totale partikelspredningskoefficient bp efter parameteriseringen af Babin et al. [55]. Den massespecifikke spredningskoefficient

af TSS-partikler bp på 0.31 m2 g-1 blev beregnet for GBR-vandene, efter Babin et al. [55]. En tilbagespredningssandsynlighedsmodel for Case 2-vande blev anvendt [49,56] til

beregne og vælge spredningsfasefunktionerne i vandet (, ) baseret på forholdet mellem TSS og YEL. Simuleringerne blev udført for et stort antal tilfældige koncentrationer

trillinger og atmosfæriske forhold, som tidligere skitseret, for at opbygge en omfattende

database over azimutalt løst Himawari-8 RTOA(). Fra denne database, statistisk

repræsentative trænings- og testundersæt blev tilfældigt udtrukket for at udvikle det omvendte

model. Trænings- og testundersættene omfattede hver 100,000 inputvektorer

indeholdende

den: simuleret RTOA ved 470, 510, 640 og 856 nm bånd, havniveau atmosfærisk tryk mellem 980 og 1040 hPa, solar zenit vinkel (s), observation zenit (v) og relativ azimuth ().

2.2. Den omvendte model

I denne undersøgelse er en multilayer perceptron (MLP), en klasse af feed-forward kunstigt neuralt netværk (ANN) [57], blevet implementeret som omvendt model baseret på Neural Network Simulator C-programmet udviklet af Malthouse [58], for at tilnærme det funktionelle forhold mellem Himawari-8 RTOA() og TSS-koncentrationen. Den foreliggende MLP omfatter et inputlag, et skjult lag og et outputlag af neuroner. Hver neuron er forbundet med hver neuron i det næste lag med en vægt. Den overvågede maskinlærings- eller træningsprocedure kan beskrives som følger:

Inputneuronerne (ni) modtager inputvektoren

, indeholdende simulerede reflektanser

og de supplerende data beskrevet ovenfor og udbreder dem til de skjulte lag neuroner

(nh).

· I det skjulte lag opsummerer de kunstige neuroner de vægtede inputsignaler og sender disse gennem en ikke-lineær overføringsfunktion og sender efterfølgende deres output videre

til outputlagets neuroner (nej).

· Omkostningsfunktionen (dvs. middelkvadrede fejl, MSE–ligning (1)) mellem sim-

ulerede måloutput yt og ANN beregnede output yc beregnes for hele træningsdatasættet (N = 100,000), og netværkets interne vægte (W1, W2) justeres.

· Træningen af ANN gentages, indtil omkostningsfunktionen mellem output og målværdi er minimeret.

MSE = yc – yt /N

(1)

Omkostningsfunktionen minimeres ved at tilpasse vægtmatricerne (W1, W2) iterativt ved hjælp af en BroydenFletcherGoldfarbShanno-optimeringsalgoritme med begrænset hukommelse [59]. For en tre-lags MLP-arkitektur er den komplette analytiske funktion givet af ligning (2):

W2 × S1

B1 × x

(2)

hvor S1 og S2 er de ikke-lineære (ligning (3)) og lineære overførselsfunktioner, der anvendes i henholdsvis outputlaget og det skjulte lag.

S(x) = 1 + ex -1

(3)

Antallet af neuroner i input- og outputlagene blev bestemt af antallet af input- og outputparametre for problemet, mens flere eksperimentelle forsøg

Fjernsensorer 2022, 14, 3503

6 af 23

var nødvendige for at bestemme det optimale antal neuroner i det skjulte lag. De

eksperimenter blev designet ved at variere antallet af skjulte lag neuroner fra 10 til 100,

i trin på 10. Et tilfældigt, men for alle eksperimenter, fast frø blev brugt til at initialisere –

vægtkonfiguration af netværkene. Forsøgene omfattede en hovedkomponent

analyse (PCA) som et forbehandlingstrin for at dekorrelatere RTOA() inputs. Derudover blev eksperimenterne designet med 0.8 % spektralt ukorreleret signalafhængig rando-m – støj tilføjet til RTOA-indgangene i hvert bånd. ANN-eksperimenterne blev trænet og testet med en undergruppe af 100,000 inputvektorer, der blev tilfældigt ekstraheret fra strålingsoverførslen

simuleret datasæt. Hver inputvektor var forbundet med en logaritmisk TSS-koncentration, - som blev valgt som måloutput, der skulle tilnærmes af den overvågede læring

procedure. Alle eksperimenter blev trænet til 1000 iterationer og minimering af omkostningerne

funktion (ligning (1)) blev beregnet over hele træningsdatasættet ved hver iteration. An

uafhængigt testdatasæt med N = 100,000 vektorer blev brugt til at overvåge netværkstræningen

ydeevne og for at undgå overpasning.

–

2.3.

TBhaesHicipmraowceasrsi-in8- gOscteeapns

Farvebehandling til Himawari-8 rå

data

til

TSS

produkter

vist

Figur

Niveau 1 (L1) fuld disk Himawari-8 VNIR-bånd blev anskaffet, udvundet over GBR-området –

(10 S, 29 S, 140 E, 157 E), geolokaliseret, og navigation korrigeret. De geolokaliserede rådata

blev transformeret til niveau 1b (L1b) TOA-udstråling (LTOA() W m-2sr-1µm-1 ) gennem –

tghreidawppalsicraetsiaomnpolfedpofrsot-mlau0.n5ckhmuptoda1tkedmctaolimbraattcihonthceoreefsfiocliuetn-itosn[o60f ]t.heTahseso6c4i0atnemd VbNanIRd

bands. Den L1b-kalibrerede LTOA() blev normaliseret af den udenjordiske solindstråling F() W -m-2 for hvert bånd. F() blev beregnet som funktion af dagen i året

og ved at bruge de gennemsnitlige udenjordiske solindstrålings F-værdier baseret på Kurucz [61] og tilpasset til Himawari-8-båndene [62]. De resulterende TOA-reflektanser RTOA() sr-1 ved VNIR Himawari-8-båndene tjente som input til inversionsmetoden. Hertil kommer

s, v og værdier blev beregnet for hver pixel af satellitbilledet som en funktion af breddegrad, længdegrad og lokal tid, i henhold til eksisterende procedurer [63], og konverteret til

kartesiske koordinater (x, y, z).

Figur 3. Himawari-8-Ocean Color Processing flowchart. HSD refererer til Himawari-8 Standard Data, GBR refererer til Great Barrier Reef, VNIR refererer til Himawari-8 synlige og nær infrarøde bånd (470, 510, 640 og 856 nm), og ANN refererer til Artificial Neural Network.

ACulsoturadlimanasckoinntginoenf tHainmdaswuarrroi–u8nodbisnegrvwaatitoenrss.

var den

udviklet af Qin et al. [64] for 2 km opløsning skymaske var

resampførte til støv og røg

1plkummHesimfraowmabrii-o8mg-raisds

og omfatter maskering af pixels, der er forurenet med brænding. Ligeledes er der opstået pixels identificeret som fremkommet

overflader, såsom kontinentale områder, øer og stimer, blev maskeret baseret på formfiles

tilgængelig fra Great Barrier Reef Marine Park Authority [65] database. Et solglimt

–

Fjernsensorer 2022, 14, 3503

7 af 23
maske blev skabt ved at beregne koordinaterne for solglimtets hovedpunkt (PPS) som funktion af dagen på året (solhældning), lokal time, breddegrad og længdegrad [66], ved 1 km rumlig opløsning. Konturen af solskiven blev bufferet i en cirkulær radius på 1300 km fra koordinaterne for PPS. Radiusstørrelsen blev valgt efter en række visuelle tests for at sikre maksimal dækning af det primære solskiveområde.
Himawari-8-observationerne blev normaliseret pixel-for-pixel og for hvert bånd med næsten samtidige satellitdata af total kolonne-ozon ekstraheret fra Total Ozon fra Analysis of Stratospheric and Tropospheric Satellite Components (TOAST) produkt [67] før inversioner. TOAST-produktet, med rumlig opløsning på 1.25 gange 1 grad og daglig tidsmæssig opløsning, var res.ampførte til 1 km for overholdelse af Himawari-8-gitteret. Himawari-8-observationerne blev normaliseret ved hvert bånd ved forholdet mellem transmissionen af TOAST-afledt ozon og transmissionen af den simulerede ozonkolonnetæthed på 344 DU. Derudover blev de gennemsnitlige havniveau-atmosfæriske trykdata fra NCEP/NCAR `Reanalysis 2′ PaRt2m [68] brugt som input til inversionen af Himawari-70-observationer. 'Reanalyse 8'-dataene beregnes som gennemsnit hver 2. time (6, 0, 6, 12 UTC) og s.ampledet på et regulært globalt gitter med 2.5 graders rumlig opløsning [71]. De nærmeste samtidige PaRt2m-data blev indsamlet og resampførte til 1 km Himawari-8-gitteret. Den hentede TSS, tilhørende masker og metadata blev gemt i en NetCDF file, herunder pixelmæssigt tilknyttede flag for input og output uden for rækkevidde. Områderne for gyldige input og output blev defineret baseret på det RT-simulerede datasæt. For eksempel, hvis en bestemt pixel input og/eller output parameter overskred de simulerede områder, blev pixlen tildelt et tilsvarende flag. Input- og outputflaget blev summeret for hver pixel i Himawari-8-gitteret. Flagene uden for rækkevidde blev påført vandkvalitetsprodukterne forud for den efterfølgende validering og anvendelsesanalyser.
2.4. Great Barrier Reef in situ data
In situ TSS målt mellem 2015 og 2018 af Australian Institute of Marine Sciences (AIMS) og Commonwealth Scientific and Industrial Research Organization (CSIRO) blev opnået fra IMOS Bio-optical Database [72] gennem portalen Australian Ocean Data Network (AODN). Både CSIRO og AIMS bruger den gravimetriske metode til at bestemme TSS-koncentrationen i havvand. Metoden består i at måle tørvægten af suspenderede stoffer fra et kendt volumen havvand sample efter at det er blevet vakuumfiltreret på et forvægtet membranfilter. Yderligere detaljer om metoden anvendt af AIMS og CSIRO er beskrevet i Great Barrier Reef Marine Park Authority [73] og Soja-Woz'niak et al. [74] hhv. På trods af at AIMS- og CSIRO-laboratorier bruger lidt forskellige metoder til at bestemme TSS (dvs. antal replikater, filterpuder, skylning osv.), er disse datasæt blevet kombineret i denne valideringsøvelse. I alt 347 in situ datapunkter med TSS varierende fra 0.01 til 85 mg L-1 og et gennemsnit på 3.5 mg L-1 blev overvejet. In situ datapunkter inden for 1 km fra kystlinje eller rev blev udelukket fra analysen for at reducere usikkerheder på grund af tilstødende effekter [75]. Vi inkluderede alt in situ havvandamples taget ved overfladen (<0.5 m dybde) af stationer placeret ved variable vanddybder (1.5 m til 40 m), hvor det laveste datapunkt viser TSS > 10 mg L-1.
2.5. Valideringsprotokol
Valideringsprotokollen anvendt i denne undersøgelse følger erfaringerne fra tidligere valideringsøvelser for fjernmåling af havfarve i Australien, herunder i kystnære GBR [27,76,77]. Disse undersøgelser beskrev behandlingstrin til udvinding af satellitobservationer samtidig med in situ målinger i kystnære GBR, såvel som nyttige statistiske præstationsmålinger.
Flere Himawari-8-observationer kan kombineres inden for en tidsramme (dvs. hourly) at eliminere potentielle outliers og reducere sensor- og miljøstøj, hvilket sandsynligvis forbedrer estimater og valideringsydelser [7,9,16]. Derfor blev alle tilgængelige Himawari-8-observationer scannet inden for ±30 minutter fra den registrerede in situ-tid erhvervet til denne valideringsøvelse. Udvalgte og behandlede 10 min Himawari-8 observationer ved VNIR

Fjernsensorer 2022, 14, 3503

8 af 23

- -

bånd med tilhørende sol- og observationsgeometri blev undersat til 3-x-3-pixe-l bo-x-es,

centreret ved koordinaterne for hvert samtidige in situ datapunkt. Ligeledes blev 3 x 3-pixel undersæt af samtidige masker (dvs. skyer, land, rev og solglimt) og tilhørende data (dvs. - ozon og tryk) udtrukket. Næsten ægte farvekompositter af udvalgte Himawari-8 -

observationer blev visuelt inspiceret for at eliminere matchups i farvande med skarp vandret

gradienter i optiske egenskaber (dvs. turbiditetsfronter) eller nærliggende skyer.

–

Hourly sammensætninger af gyldige delmængder blev beregnet ved tidsmæssigt gennemsnit, idet der ses bort fra –

maskerede pixels. Den hourly aggregerede-undersæt blev behandlet med ANN-inversionen

algoritmer og maskeret for værdier uden for området. Endelig median og standardafvigelse

af hourly TSS-undersæt blev beregnet, eksklusive m-spurgte pixels. Kun de undersæt med to eller færre pixels maskeret pr. pixel-boks blev betragtet som gyldige til matchup. ANN

output blev beregnet i logaritmisk skala (log10), og den samtidige in situ TSS blev logtransformeret til statistisk analyse. En overview af valideringsproceduren er illustreret

i figur 4. Ydelserne blev evalueret med hensyn til deres rodgennemsnitsfejl

(RMSE–eller absolut fejl), bias, gennemsnitlig absolut procenttage fejl (MAPE–eller relativ fejl), og bestemmelseskoefficienten (R2). Bias, R2 og RMSE blev beregnet i log10

–

rum og MAPE blev beregnet i lineær måling og p den satellit-afledte

psproadceu,cftowlloitwhi-nNgtEhqeunautimonbser(4o)f(v7a)l,iwd hmearetcmhuispsth. e

RMSE = 1/N (m-p)2

(4)

MAPE = 100/N |(m -p)|/p²

(5)

R2 =

N(mp)- (m)(p) m² – (m)² N p² – (

p)2

(6)

Bias = 1/N (m -p)

(7)

ANN match-up-eksperimenterne blev rangeret baseret på de statistiske målinger beskrevet ovenfor. Fortrin blev givet til de eksperimenter med den laveste RMSE, fordi denne statistiske parameter er den omkostningsfunktion, der minimeres under ANN-træningen. Det bedst ydende eksperiment med det laveste antal neuroner i det skjulte lag blev udvalgt for at reducere beregningsindsatsen for inversion af Himawari-8-observationer – over hele GBR.

Figur 4. En forenklet overview af algoritmevalideringsproceduren.

2.6. Vurdering af begrænsninger

Signal-ton-støj-forholdet (SNR) blev beregnet for det synlige og nær-inf-røde

HEaimstearwnaSrti-a-8ndLTaOrdA

(Tim) oeb–seArvEaStTio)nast

scannet valgt

mellem 08:00 og 16:00 lokale datoer og skyfrie områder

tid (Australsk af Koralhavet

–

Fjernsensorer 2022, 14, 3503

9 af 23

(16.25S, 151E og ved 20.60S, 153.53E). Kun observationer efter juli 2017 blev taget i betragtning til denne analyse, da deres kalibreringskoefficienter blev korrigeret for kohærent og horisontal stribe støj [63,78]. Ægte farvesnapshots tilgængelige gennem Himawari-8 Monitor P-Tree System [79] blev gennemset for at vælge målområde og for at sikre, at disse var rumligt ensartede og usandsynligt at blive påvirket af skyer, solglimt, bio-optiske funktioner og røgfaner fra terrestrisk afbrænding [80,81]. De udvalgte Himawari-8-observationer blev konverteret fra råtæller til fysiske enheder ved at anvende kalibreringskoefficienter [60], med delmængder på 51 x 51 pixel ekstraheret og centreret ved koordinaterne for regionerne af interesse. Derudover var delmængderne, tilhørende masker og geometriske parametre hourly samlet. De 10 min og hourly aggregerede delmængder blev maskeret for skyer, land, rev og solglimt, og deres næsten ægte farvekompositter blev inspiceret for uopdagede funktioner såsom koralhuler, rev, skyskygger og sensorartefakter.
SNR blev beregnet for hvert Himawari-8-bånd efter ligning (8) [80]. Gennemsnit af LTOA() for alle gyldige pixels inden for målområdet giver Ltypical(), og at tage standardafvigelsen () inden for det samme område giver den støjækvivalente udstråling (Lnoise()). SNR beregnes som forholdet mellem Ltypisk og Lstøj på hvert bånd:

SNR() = Ltypisk ()/Lstøj() = LTOA()/(LTOA())

(8)

Den daglige variabilitet og størrelsesforskelle mellem SNR beregnet med 10 min og hourly aggregerede Himawari-8-observationer (henholdsvis SNRSING() og SNRAGG() blev inspiceret ved hvert bånd. Derudover blev deres spektrale karakteristika evalueret for intervaller på s, fordi støjniveauer vides at variere med solhøjde [80]. Endelig er den tilhørende pcttage-støjniveauer (%Støj) blev beregnet for s = 45 ± 1 og brugt til at evaluere algoritmens følsomhed over for Himawari-8 typiske støjniveauer.
TSS-algoritmen udviklet i denne undersøgelse blev trænet med spektralt flad (ukorreleret) fotonstøj (0.8%), der blev tilføjet til træningsdatasættet, forudsat begrænset viden om sensorens ydeevnekarakteristika over oceaniske mål. For at evaluere inversionsstabiliteten og for at give en baseline-følsomhedsanalyse af TSS-algoritmen, blev spektralt flad fotonstøj på 0.1, 1.0 og 10 og 50 % tilføjet til testdatasættet og inverteret. Derudover blev %støjen forbundet med Himawari-8-båndene tilføjet til testdatasættet for at kvantificere virkningerne af spektralt afhængige støjniveauer på nøjagtigheden af TSS-hentninger. Genfindingsstabiliteten blev fortolket i form af konstante stigninger af RMSE over et bredt område af TSS (0.01 til 100 mg L-1) ligeligt fordelt i logaritmiske koncentrationer. Derudover blev langsgående transekter af TSS-produkter taget i homogene og skyfrie farvande i kystnære GBR og i Koralhavet evalueret på en pixelskala for en kvalitativ vurdering af støjniveauer for Himawari-8.

3. Resultater
3.1. Algoritme validering
Flere netværk blev trænet med varierede arkitekturkonfigurationer, og det bedste ydeevne netværk med lavest mulige RMSE og laveste antal neuroner i det skjulte lag blev udvalgt til inversioner. Det valgte eksperiment, med 50 neuroner i det skjulte lag, hentede TSS fra 0.14 til 24 mg L-1, med en positiv R2 og bias på 0.014 mg L-1, MAPE på 75.5 % og 10RMSE på 2.08 mg L-1, som vist i figur 5.

Fjernsensorer 2022, 14, 3503

10 af 23

Figur 5. In situ og Himawari-8-afledt TSS med det b-est-performing ANN-eksperiment, med in situ TSS-værdier colour-code-d i logaritmisk skala. Fejlbjælker repræsenterer intra-pixel-standardafvigelsen af TSS i en 3 x 3-pixel boks. Forskellige symboler angiver in situ data indsamlet af AIMS
og af CSIRO hos LJCO.
–
3.2. Himawari-8 Total Suspenderede S-olider til Great Barrier Ree-f
Figur 6 viser en næsten ægte farvekomposit af Himawari-8 (venstre panel) taget den 27. oktober 2017 over GBR-området og det tilsvarende TSS-produkt ved 10 min tidsmæssig opløsning (højre panel). Vandene i GBR-lagunen har generelt TSS på eller over 1 mg L-1, hvorimod vandet offshore GBR har en værdi under 1 mg L-1. TSS-produktet afslørede alvorlig granulering og stribet støj i de åbne havområder i Koralhavet.

Figur 6. Næsten ægte farve Himaw-ari-8-billeder af GBR erhvervet den 27. oktober 2017 kl. 15:00 AEST (venstre panel) og den tilhørende TSS-produkt [mg L-1] (højre panel). Pixel maskeret i sort på grund af sky-s og værdier uden for området.

Himawari-8 TSS-udsving blev undersøgt Burdekin-flodens munding og over det sydlige GBR

for kystvandets revmatrix (figur 7

saunrdroaunn-imdinatgiothnes

i linket). Burdekin-oversvømmelsen den 12. februar 2019 genererede en sedimentfane, der

nåede de ydre rev (50 km fra mundingen) mellem kl. 3 og 4, med TSS > 20 mg L-1.

–

—

Fjernsensorer 2022, 14, 3503

- -
–

–
–

11 af 23
–

Burdekin-flodens sedimentfane udviklede sig under det indkommende tidevand med en rækkevidde på 0.3 m mellem lavvande og højvande. Kystvandene nær revene oplevede en stigning i størrelsesordenen i TSS (3.6, 26.4 mg-L-1) inden for en s-emi-diurnal tidevandscyklus (krydsmærke i figur 7 (venstre panel) og figur 8a). Revene dækket af oversvømmelser blev udsat for TSS ~40 gange højere end den vejledende tærskel på 0.7 mg L-1 [82]. De områder, hvor-e TSS oversteg 100 mg-L-1, nær munden, var maskeret (sorte områder) som-out-of-range værdier (ANN flag). En animation af TSS-fluktuationerne efter den vigtigste udledningshændelse er tilgængelig i figur S1.

Figur 7. Oversvømmelsesfane, der udleder fra Burdekin-floden, februar 2019 (venstre panel). TSS tidevandsstråler inden for GBR-revmatricen i november 2016 (højre panel). Bemærk de forskellige områder i hvert plot. Pixel maskeret i sort skyldes TSS-værdier uden for rækkevidde.
Mens større oversvømmelseshændelser viser tydelige TSS-træk i kyst-GBR, observeres tidevandsstråler i submeso-skala omkring matrixen af lavvandede og nedsænkede rev i det sydlige GBR (Figur 7 (højre panel)), hvilket viser, hvordan disse forskellige forhold både påvirker kortsigtet TSS-variabilitet. Animationen i figur S2 illustrerer dynamikken i tidevandsinducerede TSS-udsving, hvor høj (4 m) og lav (0.2 m) tidevand fandt sted henholdsvis kl. 10 og 6 (Figur 8b). TSS-koncentrationerne nær Heralds Reef (krydsmarkeret) svingede omkring en størrelsesorden inden for en dag (0.3, 2.0 mg L-1), med værdier, der oversteg de vejledende tærskler for vandkvaliteten for den åbne kystnære GBR (0.7 mg L-1). –

Figur 8. Tidsserier af 10 min Himawa-ri–8-afledt TSS ved mundingen af Burdekin-floden under oversvømmelserne i februar 2019 (a) og i den sydlige GBR-revmatrix i november 2016 (b), som vist i figur 7. Fejlbjælker repræsenterer standardafvigelser inden for en pixel. Vejledende tærskler for kystnære (2.0 mg L– 1) og mellemshelfvande (0.7 mg-L-1) er markeret med rødt. Bemærk de forskellige tidsintervaller i hver figur.
– –
–

Fjernsensorer 2022, 14, 3503

12 af 23
3.3. Detektionsgrænser SNR beregnet fra to sæt Himawari-8-observationer er vist i
grafik af figur 9. Et par enkelte observationer blev savnet på grund af intensiv skydækning, især den 06. september 2017, og resulterede i datahuller i tidsserien. SNRSING og SNRAGG præsenterede klare daglige udsving, hvor den højeste SNR forekom ved de laveste s (<30), mellem kl. 11 og 12. Størrelsen og den daglige variabilitet var højere for SNRAGG og ved de blå og grønne bånd (470 og 510 nm), sammenlignet med de beregnede SNRSING-værdier. SNR beregnet for 640 nm og 856 nm båndene var mindst tre gange lavere end SNR beregnet for de blå og grønne bånd, med subtile døgnvariationer. De daglige udsving af SNR mellem dage og lokationer var varierede, især for det blå bånd og fra SNRAGG. Den 06. september 2017 (gennemsnit v~22) var SNRAGG i de blå og grønne bånd ens i størrelsesordenen (figur 9b). Den 25. september 2017 (på et andet sted med middel v~28) præsenterede det blå bånd SNRSING næsten dobbelt så højt som det grønne bånd (Figur 9d).

Figur 9. Tidsrækker af sig-na-l-til-støj-forhold (SNR, højre akse) beregnet for enkelte (SNRSING) (a,c) og for aggregerede (SNRAGG) observationer (b,d) med tilhørende s (venstre akse). S-NR er
farvekodet efter bånd.

Grupperne af

spektral variabilitet af s, hvor standarden

SNRSING og SNRAGG er vist afvigelser inden for hver gruppe var

i figur tegnet som

10 for loft

tre fejl

barer. De enkelte observationer gav typisk lavere SNR end de aggregerede observationer

i alle bånd, og SNR var den højeste for figur 9. Standardafvigelserne for SNR

s < 30, i overensstemmelse med de data, der er beregnet for enkelt og aggregeret

præsenteret i observationer

wfoerresm>o4r0epartotnhoeubnlcueedbfoanr dsp>re4s0enatendd

ved de blå og grønne bånd. Standardafvigelserne på 27 og af

SNR beregnet 51 for SNRSING

og SNRAGG afvigelser af

hhv. 13 og 26 hhv.

SNR beregnet for det grønne bånd præsenteret standard Disse afvigelser er sandsynligvis forbundet med variablen

atmosfæriske forhold på hvert sted, som forstærkes ved de blå og grønne bånd

og ved høje atmosfæriske vejlængder.

Fjernsensorer 2022, 14, 3503

13 af 23

Figur 10. Spektralfordeling af sig-gn-al-til-støj-forhold beregnet for enkelt (SNRSING) (-a) og

aggregerede observationer (SNRAGG) (b), og grupperet som standardafvigelser af SNR inden for hver gruppe af

for s.

tre

intervaller

Fejl

barer

var

beregnet

TgcorhemegpaSTtNuehtdReedASoGNbfGsoRerrvAvaaGallGluti,seoitsnnhsgceolwLemtioytphpbiicslaeesldr,=vaiann4t5diToaLn±bnsol e1iwse2iawtwhnederersaec=saosob4m5copiuaitlt±eetddw1ipinceweTrcaaeebsrnelhetiai2ngg.chelLunaikdsoeeitswdheeifs(oc%eor, NtrchrooeeimssSpepN)oaf–nRordiSrsIiNaongnGg-. SNRSING, undtagen i det røde bånd. Ikke desto mindre er de store støjniveauer i den røde (~3%) og i tshigenNalIRdebsapnidtest(h~e5%eff)oinrtdsiicnataevtohiadtinthgeeSnNviRroAngmG emnataylbceonmdoistitolynsafifnecitetmedagbeystehleecattimoTrtdsiicnataevtohiadtinthgeeSnNviRroAngmGnecitetmedagbeystehleecattimo,h. hvor vandet, der forlader stråler, betragtes som ubetydeligt i klart åbent hav.

–

Tabel 2. Synlig og nær-infrarød Himawari-8 Ltypisk og Lstøj W m-2sr-1µm-1 og tilhørende

procenttage støj (%Støj) for SNRAGG ved s = 45 ± 1. Beregnet SNRSING ved s = 45 ± 1 værdier

blev tilføjet til sammenligning.

Bånd 470 510 640 865

Typisk 59.5 38.3 13.8 3.4

Lstøj 0.26 0.29 0.41 0.18

%Støj
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

når 50% af spektralt flad fotonstøj tilføjes I mellemtiden blev der opnået store fejl (>300%)

til Himawari-8 for TSS-hentninger

bånd nedenfor

(Figur-e 0.1 mg

11a). L-1,

uanset støjtype og niveau. På et mere realistisk scenarie, når det er spektralt afhængigt

fotonstøj (dvs. % støj fra tabel 2) - føjes til Himawari-8 båndene, fejlene er

for det meste under 100%- for TSS > ~0.25 mg L-1 (Figur 11 (højre panel)). Derfor for at opnå

pålidelige genfindinger fra Himawari-8 med den nuværende TSS-algoritme, blev en detektionsgrænse på 0.25 mg L-1 valgt. Til sammenligning er detektionsgrænserne for TSS-hentninger beregnet

fra atmosfærisk korrigeret Himawari-8, som i Dorji og Fearns [17], er repræsenteret som en

lodret stiplet linje ved 0.15 mg L-1.

Fjernsensorer 2022, 14, 3503

14 af 23

Figur 11. Hentning af RMSE-fejl (i mg-L-1) for spektralt flade (venstre panel) og spektralt afhængige (højre panel) fotonstøjniveauer. Radia-tive transfer (RT) TSS og tilhørende RMSE-værdier præsenteres i logaritmisk skala. Den lodrette stiplede linje ved 0.15 m- g L-1 er detektionsgrænsen tilpasset fra Dorji og Fearns [17], 2018. Den lodrette stiplede linje ved 0.25 m- -g L-1 er detektionsgrænsen for den foreliggende metode.
En visuel inspektion af støjniveauer afslørede kraftig granulering og vandrette striber iogttitnnruhbraeraHstnbhneTsiierumdeSvlcCSaaactAtostwoiiGroaooaaGnsnfrl-tiTsaSw-(-h8lSeTaoaSaTSswSrS(SIesmNSSeeaIGdNvaspgeGra(iroenT)nendcSdlatruySnat> Sdei~r(nAdouF1GwicomgmeGpsu-da,egtrsaFnei-knLki1goie-an2ucn1g)ger,)geba.parne1raIetno2rgwwt)uaiaeacantd-eeutrdeenddlarciis1T-rtllill5oS(oyu1Sppadthatha

–

Figur 12. Placering af transekter (magenta pile) ekstraheret for TSSSING(a) og TSSAGG(b). Bemærk

kumulativ skymaskering i TSSAGG.Himawari-8-observationer taget den 9. september 2017 mellem n

10:00 og 10:50 lokal tid (AEST).

–

Transekten sampført mellem 19S og 20Sin the Coral Sea (Figur 13a) præsenteret

TSSSING- og TSSAGG-værdier ligger for det meste under metodens detektionsgrænser (0.25 mg L–1), hvilket kan præsentere genfindingsfejl over 100 %. TSSSING præsenterede spidser eller forskellige ordener af størrelsesværdier, der forekommer successivt på en pixelskala (eller inden for 1 km). Som

et resultat, der blev observeret forskelle på op til 0.3 mg L-1 mellem nabopixel-s,

som angivet af sendt glattere

pplioxtela-tnon-potixaetilovnasriiantiFonigsu(r~e0.1036am. gMLe-an1)w. ShuilbetltehdeifafsesroencicaetsedweTrSeSoAbGsGerpvered-

Fjernsensorer 2022, 14, 3503

15 af 23

—

–

mellem TSSSING og T-SSAGG i transekterne taget i kystnære GBR (Figur 13b), især for TSS -> 1 mg L-1. Imidlertid med stigendeasinI g-afstand fra kysten faldt TSS til under 1 mg L-1, og forskellene mellem TSSSING og TSSAGG blev forstærket. Selvom de fleste TSSSING-pixels i figur 13b var over detektionsgrænserne (0.25 mg L-1), udviste de dårlig rumlig kohærens i overgangsområdet mellem kyst og hav (151.4 til 152-0 Ø). Fordi TSSSING og TSSAGG giver sammenlignelige resultater for TSS > ~1 mg L-1, kan begge være passende til overvågning af det kystnære GBR. TSSSAGG udviser dog generelt bedre rumlig kohærens og kan foretrækkes frem for TSSSING, afhængigt af anvendelsesområdet.

Figur 13. Transekter af Himawari-8-afledt TSS (mg L-1) taget i Koralhavet (a) og inden for
kystnære GBR-farvande (b) fra TSSSING (blå prikker) og TSSAGG (røde prikker). Datahullerne repræsenterer pixels maskeret for skyer, land, solglimt eller ANN-flag, hvor det er relevant. Den annoterede TSS (med sorte pile) angiver pixel-top-ixel-værdier, og den grønne vandrette linje markerer detektionsgrænsen for
metoden.

4. Diskussion
Synoptisk overvågning af vandkvaliteten i det omfattende og optisk komplekse GBR er en prioritet, hvilket udgør en udfordring for miljøledere og forskere [2,83]-. Selvom havfarvefjernmåling har strenge radiometriske og spektrale krav, tilbyder Himawari-8 et hidtil uset antal observationer til den avancerede vandkvalitetsovervågning af GBR. Dette papir præsenterer den første avancerede fjernmålingsalgoritme, der er lokalt indstillet og valideret til synoptisk overvågning af vandkvalitet ved daglige skalaer i GBR.

4.1. Algoritmeudvikling og validering

De koblede oceanatmosfære strålingsoverførselssimuleringer gav en stor og

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

robusthed til input opfylder minimum

rnaodisioemweatsriecsrpeeqcuiaairlelymaednvtsanotfaogceeoaunsccoolnosuirdseerninsgo-rHs iamnadweanrvii-r8odnomeesnntoatl

støj, især fra atmosfæren, kan i høj grad påvirke udtagningerne. Disse resultater

Fjernsensorer 2022, 14, 3503

16 af 23
opfordrede til yderligere anvendelse af Himawari-8-observationer til validering mod in situ vandkvalitetsdata i GBR.
De hentede Himawari-8 TSS matchup fejl sammenlignede godt med missionsmålene defineret for andre havfarvesensorer, såsom Sentinel-3 i Case 2 farvande [85], især for TSS over 0.1 mg L-1. Ydeevnen af den nuværende algoritme kan sammenlignes godt med dem, der bruger atmosfærisk korrigerede Himawari-8-observationer [17,24], hvilket indikerer egnetheden af at udlede kyst-TSS med modelbaserede et-trins inversioner. Eksplicitte atmosfæriske korrektionsprocedurer kan forbedre genfinding for det nedre TSS-område (<~1 mg L-1), som sandsynligvis er påvirket af den dominerende atmosfæriske baneudstråling og den lave radiometriske ydeevne af Himawari-8.
Ydeevneforbedringer ville kræve en større og mere omfattende database over in situ bio-optiske målinger, der dækker de relevante rumlige og tidsmæssige skalaer af variabilitet. Desuden skal strenge måleprotokoller følges for at reducere usikkerheder forbundet med algoritmeparameterisering og validering i kystvande. For eksempel tredobbelt samples anbefales til bestemmelse af TSS med den gravimetriske metode. Derudover er validering samples bør tages i optisk homogene farvande [86], hvilket er særligt vanskeligt i meget dynamiske kystnære omgivelser. Ikke desto mindre er in situ målinger blevet gjort tilgængelige af flere forskningsbureauer med forskellige videnskabelige prioriteter, der anvender karakteristiskeampling og analysemetoder. Derudover blev der ikke taget højde for fysiske og miljømæssige processer, såsom bundreflektans, fluorescens, tovejsreflektans, polarisering og skadelige algeopblomstringer, men de kan også bidrage til matchup-hentningsfejlene.
4.2. Himawari-8 Total Suspended Solids til Great Barrier Reef
Himawari-8 tillod næsten-realtidsovervågning af en episodisk oversvømmelseshændelse i GBR, hvilket afslørede en TSS-stigning i størrelsesordenen inden for en dag. Denne begivenhed blev observeret i en våd sæson, hvor Burdekin udledte mellem 0.5 og 1.5 millioner ML/dag i 10 på hinanden følgende dage (Burdekin River ved Clare station [87]). TSS-udsving fra Burdekin-oversvømmelsesfanen var et godt stykke over den vejledende tærskelværdi for vandkvalitet på 2 mg L-1 for åbne kystnære og midt-shelfvande samt 0.7 mg L-1 for offshorevande i GBR [82]. Oversvømmelsesfanen strakte sig 50 km ind i de ydre rev, og dens daglige udvikling blev fulgt trin-for-trin med 10 min Himawari-8-afledt TSS. Derfor leverede Himawari-8 et hidtil uset antal observationer til en komplet kvalitativ og kvantitativ overvågning af oversvømmelser i GBR. De maskerede pixels i oversvømmelser angiver værdier over 100 mg L-1, hvilket betyder, at simuleringsområdet bør udvides for værdier over denne grænse for genfindinger under oversvømmelser i GBR.
TSS-egenskaberne i den sydlige revmatrix er sandsynligvis et resultat af kortlivede sub-mesoscale resuspensionshvirvler (1 km diameter), ofte omtalt som tidevandsstråler. I det sydlige GBR inducerer store tidevandsområder (10 m) stærke strømme [5], der skubber vand gennem smalle og relativt lavvandede kanaler [10]. Disse komplekse hydrodynamik fremmer resuspensionen og injektionen af TSS fra hyldebrudet ind i revmatrixen, og TSS-koncentrationer i disse regioner er sandsynligvis uafhængige af terrestriske kilder [88,89]. Tidevandsstrålerne er blevet forbundet med lokaliseret opstrømning og udveksling af næringsstoffer mellem Koralhavet og GBR-lagunen [90], hvilket er en vigtig mekanisme for transport og blanding af sedimenter, næringsstoffer og planteplanktonproduktion [91]. Placeringen og forekomsten af tidevandsstråler er dog næppe beskrevet på grund af mangel på passende rumlige og tidsmæssige opløsningsobservationer [92,93]. Himawari-94 tillod identifikation og sporing af sådanne funktioner inden for GBR med den nødvendige tidsmæssige opløsning for at løse kortvarige kystprocesser.
4.3. Begrænsninger
Himawari-8 giver ringere SNR sammenlignet med tidligere og i øjeblikket operationelle havfarvesensorer [80], og dens følsomhed er langt under minimumskravene til havfarveapplikationer, især over åbent hav [9,97]. Himawari-

Fjernsensorer 2022, 14, 3503

17 af 23
8's moderate radiometriske opløsning på 11 bit vil sandsynligvis ikke mættes over lyse mål, såsom skyer [80] og over ekstremt grumsete kystvande (TSS ~100 mg L-1), mens den giver tilstrækkelig følsomhed til at give et rimeligt niveau af diskretisering over klart vand (>0.25 mg L-1). Støjniveauer beregnet ud fra aggregerede observationer var generelt lavere end dem fra enkeltobservationer i alle bånd, hvilket bekræfter egnetheden af at forringe den tidsmæssige opløsning for at forbedre billedkvaliteten [7,16]. På trods af at de daglige SNR-udsving i høj grad moduleres af solhøjdevinkler, indebærer den spektrale afhængighed, at en betydelig kilde til inputstøj (3 % i det røde og NIR-bånd) i åbent hav kan stamme fra atmosfæren [5]. Ikke desto mindre er detektionsgrænsen for den foreliggende metode (80 mg L-0.25) sammenlignelig med dem, der anvender eksplicit atmosfærisk korrektion til inversion af meteorologiske data [1].
Detektionsgrænsen på 0.25 mg L-1 er tæt på detektionsgrænsen for in situ TSS målt med den gravimetriske metode på ~0.4 mg L-1, for AIMS og CSIRO. Relative usikkerheder ved den gravimetriske metode er forbundet med måleprotokollen anvendt af forskellige laboratorier, som omfatter forskelle i filtertyper, operatørbias, saltskylning osv. [99,100]. For eksempel påvirker saltkrystaller fanget i glasfiberfiltre i høj grad TSS-målinger, og salt bør fjernes ved at skylle filtreringsapparatet [101,102]. Alligevel er der opnået fejl så store som 30% ved at anvende forskellige saltskylningsteknikker, hvilket hindrer den nøjagtige bestemmelse af TSS lavere end 1 mg [101]. Derfor er detektionsgrænserne og relative usikkerheder for in situ målinger og Himawari-8-afledt TSS sammenlignelige for denne undersøgelse. Dette resultat antyder, at Himawari-8 tilbyder en mulighed for nøjagtigt at overvåge variabiliteten i vandkvaliteten i det kystnære GBR for TSS mellem 0.25 og 100 mg L-1.
Himawari-8-afledte TSS-produkter præsenterede en systematisk vandret stribe, med størrelse, der generelt svarer til individuelle vandrette scanninger (500 km), som tidligere identificeret af Murakami [22]. Stribningen var et resultat af forskelle i detektor-til-detektor kalibreringshældninger fra soldiffusorobservationer af de synlige bånd [103,104]. Selvom kalibreringskoefficienterne blev anvendt for observationerne efter juli 2017, var de horisontale stribemønstre stadig til stede i offshorefarvande og med TSS < 1 mg L-1. Derudover blev der observeret alvorlig granulering i TSS-produkter afledt hvert 10. minut, potentielt forbundet med den lave radiometriske ydeevne af Himawari-8-sensoren over vandmål [17,22]. Den visuelle støj blev dog stort set reduceret ved tidsmæssig aggregering af flere individuelle observationer til hourly-afledte TSS-produkter [16]. Heldigvis var granuleret støj ubetydelig i kystnære og moderat grumsete farvande (TSS > 1 mg L-1), enten fra 10 min eller fra hourly TSS kontaktoplysninger forvaltning. Dette resultat kan være forbundet med den øgede tilbagespredning af suspenderede partikler, som øger den vandafgivende udstråling og overvælder fotonstøjen [105]. Følgelig er Himawari-8-afledt TSS mere sandsynligt, at blive nøjagtigt hentet over moderat grumsete kystvande end over det åbne hav, hvilket bekræfter analysen af detektionsgrænser.
Pixel-til-pixel variationer i åbne havområder (TSS < 0.25 mg L-1) var sandsynligvis relateret til de granulerede mønstre observeret med visuel inspektion på grund af den lave følsomhed af Himawari-8-sensoren ved 10 minutters opløsning. Den radiometriske støj for TSS under 0.25 mg L-1 blev stort set reduceret i aggregeret TSS, hvilket bekræfter følsomheds- og visuel inspektionsanalyser. Omvendt blev der observeret forbedret rumlig sammenhæng i det kystnære GBR-transekt for TSS > 1 mg L-1. Som et resultat kan Himawari-8 10 min-afledt TSS bruges med lige så stor selvtillid som TSS afledt af hourly aggregerede observationer i kystområder. At opnå TSS hvert 10. minut i kystnære GBR forbedrer diskriminationen af hurtigt skiftende vandkvalitetsudsving inden for en time. Denne tidsmæssige frekvens næsten i realtid kræver imidlertid store behandlings- og lagringskapaciteter, som kan være umulige for hele GBR. Producerer hourly TSS forbedrer ellers ikke kun behandlingshastigheder og lagringskapaciteter, men hjælper også med at eliminere afvigelser og øge nøjagtigheden af TSS-produkter.

Fjernsensorer 2022, 14, 3503

18 af 23
5. Konklusioner og fremtidsperspektiver
In-situ overvågning og LEO-satellitdata har givet meget af vores viden om oversvømmelsesfaner, der kommer ind i GBR [4,106]. Imidlertid hindrede sjældne og rumligt sparsomme observationer den fulde forståelse af faneudvikling og -evolution over korte tidsskalaer. Denne undersøgelse demonstrerede Himawari-108's egnethed til pålidelige TSS-hentninger i kystnære GBR og til kortlægning, sporing og overvågning af oversvømmelsesfaner. For første gang blev kyst-TSS-egenskaber pålideligt kvantificeret for hele GBR, med hastigheder, der kun er mulige med biogeokemiske og hydrodynamiske modeller [8]. Himawari-109 TSS-produkter frembringer evnen til at karakterisere og løse periodiske og kortvarige fænomener med hidtil usete rumlige opløsninger. Disse produkter vil være nyttige for forskere, modelbyggere og interessenter, der vurderer virkningen af vandkvalitet i GBR-økosystemer, der i øjeblikket kun bruger LEO-kredsløbshavfarveprodukter [8]. Daglige ændringer og årsager til udsving i vandkvaliteten bør undersøges yderligere i GBR ved hjælp af Himawari-109 TSS-produkter og data fra kystnære processer såsom tidevand, vind og ferskvandsudledning. Derudover kan den algoritme, der præsenteres i denne undersøgelse, anvendes direkte til den identiske Himawari-8 AHI-sensor, som er planlagt til at efterfølge Himawari-9 i 8. Næste generation af Himawari-missionen (Himawari-2029) er i planlægningsfasen, og yderligere kanaler i det synlige område, såvel som forbedret opløsningsfølsomhed, er en mulighed og spatial. Disse egenskaber ville i vid udstrækning fremme mulighederne for havfarvealgoritmer til geostationære sensorer, hvilket muliggør mere nøjagtige genfindinger i kystvande i daglige skalaer. Ligeledes observerer Advanced Meteorological Imager (AMI) om bord på GEOKOMPSAT-10A, såvel som GOCI-II (GEOKOMPSAT-2B), i øjeblikket Australien og Østasien, og en lignende maskinlæringsalgoritme kunne udvikles til at udnytte disse store og rigelige datasæt i næsten realtid. I denne sammenhæng giver denne undersøgelse en avanceret algoritme og en udsigt til potentielle applikationer, der skal udvikles, når havfarvesensorer ombord på geostationære platforme bliver en realitet for Australien.
Supplerende materialer: Følgende er tilgængelige online på https://www.mdpi.com/article/ 10.3390/rs14143503/s1, figur S1: Daglig variabilitet af totalt suspenderede faste stoffer over Burdekin-flodens udmunding i februar 2019 fra 10 min Himawari-8 variabilitet i alt over Suspenderede Solid-2 observationer af Suspendi-2016-observationer: det sydlige Great Barrier Reef nær Heralds Reef i november 10 fra 8 min Himawari-XNUMX observationer.
Forfatterbidrag: Conceptualization, LP-V. og TS; metodik, LP-V. og TS; software, LP-V., TS og YQ; validering, LP-V.; formel analyse, LP-V.; datakuration, LP-V., TS og YQ; skrivning – originalt udkast til forberedelse, LP-V.; skrivning-review og redigering, TS, MJD, SS og YQ; supervision, TS, MJD og SS; finansieringsopkøb, LP-V. Alle forfattere har læst og accepteret den offentliggjorte version af manuskriptet.
Finansiering: Denne forskning blev finansieret af National Council for Scientific and Technological Development (CNPq) Foundation i den brasilianske føderale regering gennem Sciences without Borders-programmet, bevillingsnummer 206339/2014-3.
Datatilgængelighedserklæring: Dataene præsenteret i denne undersøgelse er tilgængelige på anmodning fra den tilsvarende forfatter.
Anerkendelser: Vi anerkender Juergen Fischer og Michael Schaale (Institute of Space Sciences, Department of Earth Sciences, Freie Universität Berlin) for at give adgang til MOMO-strålingsoverførselskoden og til det omvendte modelleringsværktøj. Britta Schaffelke, Michele Skuza og Renee Gruber (AIMS) er anerkendt for at levere værdifulde in situ data indsamlet som en del af Marine Monitoring Program for Inshore Water Quality, et samarbejde mellem Great Barrier Reef Marine Park Authority, Australian Institute of Marine Science, James Cook University og Cape York Water Monitoring Partnership. Japan Meteorological Agency er anerkendt for driften af Himawari-8 og datadistribution gennem Australian Bureau of Meteorology. Australian Bureau of Meteorology er anerkendt for at levere tidevandsforudsigelsesdata. In situ data blev hentet fra Australiens Integrated Marine Observing System (IMOS) – IMOS er aktiveret af National Collaborative Research Infrastructure Strategy (NCRIS). NCRIS (IMOS) og CSIRO

Fjernsensorer 2022, 14, 3503

19 af 23

er anerkendt for at finansiere Lucinda Jetty Coastal Observatory. Denne forskning blev udført med hjælp fra ressourcer fra National Computational Infrastructure (NCI Australia), en NCRIS-aktiveret kapacitet understøttet af den australske regering.
Interessekonflikter: Forfatterne erklærer ingen interessekonflikter.
Referencer
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 (åbnet den 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. Havovervågningsprogram: Årsrapport for kystvandskvalitetsovervågning 2018; Rapport for Great Barrier Reef Marine Park Authority 2019; Great Barrier Reef Marine Park Authority: Townsville, Australien, 2208. Tilgængelig online: https://elibrary.gbrmpa.gov.au/jspui/handle/4096/2020 (tilgået den 11017. maj 3665).
11. Waterhouse, J.; Schaffelke, B.; Bartley, R.; Eberhard, R.; Brodie, J.; Thorburn, P.; Rolfe, J.; Ronan, M.; Taylor, B.; Star, M.; et al. Resumé af videnskabelig konsensuserklæring: Indvirkning på arealanvendelse på Great Barrier Reefs vandkvalitet og økosystemtilstand; State of Queensland: Townsville, Australien, 2017. Tilgængelig online: https://www.reefplan.qld.gov.au/science-and-research/thescientific-consensus-statement (tilgået den 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]

Fjernsensorer 2022, 14, 3503

20 af 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 (åbnet den 20. september 2021).
26. IOCCG. Fjernmåling af havfarve i kystnære og andre optisk-komplekse farvande; Rapporter fra International Ocean-Colour Coordinating Group (IOCCG) Rapport nummer 3; Sathyendrath, S., red.; IOCCG: Dartmouth, NS, Canada, 2000. Tilgængelig online: http://ioccg.org/wp-content/uploads/2015/10/ioccg-report-03.pdf (åbnet den 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.; Schales, J.; Binding, 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. Udvalg om udvidelse til standardatmosfæren. amerikansk standardatmosfære; 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 – Et fødereret instrumentnetværk og dataarkiv til aerosolkarakterisering. Remote Sens. Environ. 1998, 66, 1. [CrossRef] 16. AERONET. Aerosol Robotic Network. Tilgængelig online: https://aeronet.gsfc.nasa.gov/cgi-bin/data_display_aod_v45?site= Lucinda&nachal=3&level=2&place_code=3 (tilgået den 10. oktober 3).

Fjernsensorer 2022, 14, 3503

21 af 23

46. Ångström, A. Parametrene for atmosfærisk turbiditet. 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. Den HITRAN molekylære spektroskopiske database: Udgave af 2000 inklusive opdateringer til og med 2001. J. Quant. Spectrosc. Radiat. Transf. 2003, 82, 5. [CrossRef] 44. Bennartz, R.; Fischer, J. En modificeret k-fordelingstilgang anvendt til snævert båndede vanddamp- og oxygenabsorptionsestimater i det nære infrarøde. J. Quant. Spectrosc. Radiat. Transf. 48, 2000, 66. [CrossRef] 539. Zhang, T.; Fald, F.; Liu, ZS; Preusker, R.; Fischer, J.; He, MX Evaluering af ydeevnen af kunstige neurale netværksteknikker til pigmenthentning fra havfarve i Case I-farvande. J. Geophys. Res. Ocean. 553, 49, 2003. [CrossRef] 108. Pope, RM; Fry, ES Absorptionsspektrum (3286 nm) af rent vand. II. Integrering af hulrumsmålinger. Appl. Opt. 50, 380, 700. [CrossRef] 1997. Hale, GM; Forespørgsel, MR Optiske konstanter for vand i 36 nm til 8710 µm bølgelængdeområdet. Appl. Opt. 8723, 51, 200. [CrossRef] 200. Bricaud, A.; Morel, A.; Babin, M.; Allali, K.; Claustre, H. Variationer af lysabsorption af suspenderede partikler med chlorophyllakoncentration i oceaniske (tilfælde 1973) farvande: Analyse og implikationer for bio-optiske modeller. J. Geophys. Res. Ocean. 12, 555, 563. [CrossRef] 52. Babin, M.; Stramski, D.; Ferrari, GM; Claustre, H.; Bricaud, A.; Obolensky, G.; Hoepffner, N. Variationer i lysabsorptionskoefficienterne for fytoplankton, ikke-algepartikler og opløst organisk stof i kystnære farvande rundt om i Europa. J. Geophys. Res. Ocean. 1, 1998, 103. [CrossRef] 31033. Morel, A. Optiske egenskaber af rent vand og rent havvand. I optiske aspekter af oceanografi; Nielsen, JS, red.; Academic Press: Cambridge, MA, USA, 31044; s. 53. 2003. Babin, M.; Morel, A.; Fournier-Sicre, V.; Fald, F.; Stramski, D. Lysspredningsegenskaber af marine partikler i kystnære og åbne havvand som relateret til partikelmassekoncentrationen. Limnol. Oceanogr. 108, 3211, 54. [CrossRef] 1974. Zhang, T.; Fald, F.; Fischer, J. Modellering af tilbagespredningsforholdet af marine partikler i Case-1 farvande. In Proceedings of the Ocean Optics XVI, Santa Fe, MN, USA, 24 november 55. 2003. Minsky, M.; Papert, SA Perceptrons: An Introduction to Computational Geometry; MIT Press: Cambridge, MA, USA, 48. 843. Malthouse, EC Begrænsninger af ikke-lineær PCA udført med generiske neurale netværk. IEEE Trans. Neuralt netværk 859, 56, 2. [CrossRef] [PubMed] 18. Liu, DC; Nocedal, J. Om BFGS-metoden med begrænset hukommelse til optimering i stor skala. Matematik. Program. 22, 2002, 57. [CrossRef] 1969. Japan Meteorological Agency. Hændelseslog: Opdatering af kalibreringsoplysninger, der bruges til at korrigere Himawari-58 AHI-følsomhedstrend; Meteorologisk satellitcenter: Kiyose, Japan, 1998. Tilgængelig online: https://www.data.jma.go.jp/mscweb/en/oper/eventlog/ Update_of_Calibration_Information_2019.pdf (åbnet den 20. september 2021). 61. Kurucz, R. Solspektret: Atlas og linjeidentifikationer. I Proceedings of the Laboratory and Astronomical High Resolution Spectra, Bruxelles, Belgien, 29. august 2. september 1995; s. 17. 62. Meteorologisk Satellitcenter. GSICS Himawari-8 Visible and Near-Infrared Vicarious Calibration Guide. Tilgængelig online: https://www.data.jma.go.jp/mscweb/data/monitoring/gsics/vis/techinfo_visvical.html (tilgået den 10. maj 2022). 63. Japan Meteorological Agency. Hændelseslog: Forbedring af Himawari-8 observationsdatakvalitet; Hændelseslog Meteorological Satellite Center: Kiyose, Japan, 2017. Tilgængelig online: https://www.data.jma.go.jp/mscweb/en/oper/eventlog/Improvement_of_ Himawari-8_data_quality.pdf (åbnet den 20. september 2021). 64. Qin, Y.; Steven, ADL; Schroeder, T.; McVicar, TR; Huang, J.; Cope, M.; Zhou, S. Skydække i den australske region: Udvikling og validering af en skymaskering, klassificering og optisk dybdesøgningsalgoritme til det avancerede Himawari-billede. Front. Environ. Sci. 2019, 7, 20. [CrossRef] 65. Great Barrier Reef Marine Park Authority. Great Barrier Reef (GBR) Egenskaber (revgrænser, QLD-fastlandet, øer, kajer, klipper og tørre rev) (GBRMPA) (Version 1.4) [Datasæt] 2164DB88-FD79-449E-920F-61C37ADE634B. 1998. Tilgængelig online: http://www.gbrmpa.gov.au/geoportal/catalog/search/resource/details.page?uuid=%7B41AB3629-B41B-4746-9B753822667E5AF3%7D (tilgået den 14. maj 2022). 66. Emecen, E.; Kara, G.; Erdogmus, F.; Gardashov, R. Bestemmelsen af solglitsplaceringer på havoverfladen ved observation fra geostationære satellitter. TAO Terr. Atmos. Ocean. Sci. 2006, 17, 253. [CrossRef] 67. National Oceanic and Atmospheric Administration. Total ozonanalyse ved hjælp af SBUV/2 og TOVS (TOAST). Tilgængelig online: https://www.ospo.noaa.gov/Products/atmosphere/toast/index.html (tilgængelig den 1. december 2020). 68. Kistler, R.; Kalnay, E.; Collins, W.; Saha, S.; White, G.; Woollen, J.; Chelliah, M.; Ebisuzaki, W.; Kanamitsu, M.; Kousky, V. NCEPNCAR 50-års reanalyse: Månedligt betyder cd-rom og dokumentation. Tyr. Er. 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). Tyr. Er. 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. NCEP/NCAR 1644-årige reanalyseprojekt. Tyr. Er. Meteorol. Soc. 70, 40, 1996. [CrossRef] 77. National Oceanic and Atmospheric Administration. NCEP Reanalyse 437 Meteorologiske data. Tilgængelig online: https://psl.noaa. gov/data/gridded/data.ncep.reanalysis472.html (tilgået den 71. december 2).

Fjernsensorer 2022, 14, 3503

22 af 23

72. Integreret havobservationssystem. IMOS Ocean Color Bio Optical Database of Australian Waters (SRS-OC-BODBAW). 2011. Tilgængelig online: https://researchdata.edu.au/imos-srs-ocean-australian-waters (tilgået den 20. februar 2017).
73. Great Barrier Reef Marine Park Authority. Marine Monitoring Program Kvalitetssikring og kvalitetskontrol Manual 2017; Great Barrier Reef Marine Park Authority: Townsville, Australien, 2018. Tilgængelig online: http://elibrary.gbrmpa.gov.au/jspui/ handle/2019/11017 (tilgængelig den 3487. maj 15).
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 (åbnet den 20. september 2021).
79. Japan Aerospace Exploration Agency. JAXA Himawari Monitor P-Tree System. Tilgængelig online: https://www.eorc.jaxa.jp/ ptree/index.html (tilgængelig den 14. maj 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. Protokoller til validering af MERIS-vandprodukter; ESA-publikation PO-TN-MEL-GS-0043 GKSS; Forschungszentrum: Geesthacht, Tyskland, 2002; s. 1.
87. Queensland regering. Vandovervågningsinformationsportal (WMIP). Tilgængelig online: https://water-monitoring.information. qld.gov.au/ (tilgået den 30. marts 2021).
88. Wolanski, E.; Spagnol, S. Sticky Waters in the Great Barrier Reef. Estuar. Kyst. Hylde Sci. 2000, 50, 27. [CrossRef] 32. Pickard, GL; Donguy, J.-R.; Hénin, C.; Rougerie, F. A. Review af den fysiske oceanografi af Great Barrier Reef og Western Coral
Hav; Australian Government Publishing Service: Canberra, Australien, 1977. 90. Feng, D.; Hodges, BR; Socolofsky, SA; Thyng, KM Tidevandshvirvler ved et smalt kanalindløb i operationelle olieudslipsmodeller. Mar.
Forurene. Tyr. 2019, 140, 374. [CrossRef] [PubMed] 387. De'ath, GA; Fabricius, KK Vandkvaliteten af Great Barrier Reef: Fordelinger, virkninger på revets biota og triggerværdier for
Beskyttelse af økosystemsundhed; Great Barrier Reef Marine Park Authority Commonwealth of Australia og Australian Institute of Marine Science: Townsville, Australien, 2008; s. 104. 92. Thomson, RE; Wolanski, EJ Tidevandsperiodens opstrømning inden for Raine-øens indgang store barriererev. J. Mar. Res. 1984, 42, 787. [CrossRef] 808. Wolanski, E.; Drew, E.; Abel, KM; O'Brien, J. Tidevandsstråler, opblomstring af næringsstoffer og deres indflydelse på produktiviteten af algen Halimeda i Ribbon Reefs, Great Barrier Reef. Estuar. Kyst. Hylde Sci. 93, 1988, 26. [CrossRef] 169. Marmorino, GO; Smith, GB; Miller, WD Turbulenskarakteristika udledt af tidsforsinkede satellitbilleder af overfladealger i et lavvandet tidevandshav. Forts. Hylde Res. 201, 94, 2017. [CrossRef] 148. Delandmeter, P.; Lambrechts, J.; Marmorino, GO; Legat, V.; Wolanski, E.; Remacle, J.-F.; Chen, W.; Deleersnijder, E. Submesoscale tidevandshvirvler i kølvandet på koraløer og rev: Satellitdata og numerisk modellering. Ocean. Dyn. 178, 184, 95. [CrossRef] 2017. Li, G.; Han, Y.; Liu, G.; Zhang, Y.; Hu, C.; Perrie, W. Multi-Sensor Observationer af Submesoscale hvirvler i kystområder. Remote Sens. 67, 897, 913. [CrossRef]

Fjernsensorer 2022, 14, 3503

23 af 23

97. IOCCG. Missionskrav til fremtidige havfarvesensorer; Rapporter fra International Ocean-Colour Coordinating Group (IOCCG) Rapport nummer 13; McClain, C., Meister, G., red.; IOCCG: Dartmouth, NS, Canada, 2012. Tilgængelig online: http://ioccg.org/wp-content/uploads/2015/10/ioccg-report-13.pdf (åbnet den 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.; PasterkampR.; Jørgensen, P. Regional validering af MERIS klorofylprodukter i Nordsøens kystnære farvande. I Proceedings of the Working meeting on MERIS and AATSR Calibration and Geophysical Validation (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/da/oper/image_info.html#005 (åbnet den 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]

Dokumenter/ressourcer

Machine Learning Algoritme

User Guide · Machine Learning Algorithm, Learning Algorithm, Algorithm

Referencer

aeronet.gsfc.nasa.gov/cgi-bin/data_display_aod_v3?site=aeronet.gsfc.nasa.gov
co.ukco.uk
Hjemmesidedoi.org
edu.auedu.au
Reef Authority Digital Repository: Hjemelibrary.gbrmpa.gov.au
elibrary.gbrmpa.gov.au/jspui/handle/11017/3665elibrary.gbrmpa.gov.au
jcu.edu.aujcu.edu.au
psl.noaapsl.noaa
Queensland regering | Queensland regeringqld.gov.au
researchdata.edu.au/imos-srs-ocean-australian-watersresearchdata.edu.au
Brugermanualmanual.tools

Published: April 8, 2025

Opdateret: 26. november 2025

Brugervejledning til MDPI Machine Learning Algorithm

Machine Learning Algoritme

Produktinformation

Specifikationer

Produktbrugsvejledning

1. Introduktion

2. Henteproces

3. Havfarvesensorer

Ofte stillede spørgsmål (FAQ)

Spørgsmål: Hvad er hovedfokus for fjernmålingsartiklen?

Q: Hvorfor foretrækkes geostationære satellitter til kystnære
overvågning?

Dokumenter/ressourcer

Referencer

Stil et spørgsmål

Relaterede emner

Machine Learning Algoritme

Produktinformation

Specifikationer

Produktbrugsvejledning

1. Introduktion

2. Henteproces

3. Havfarvesensorer

Ofte stillede spørgsmål (FAQ)

Spørgsmål: Hvad er hovedfokus for fjernmålingsartiklen?

Q: Hvorfor foretrækkes geostationære satellitter til kystnære overvågning?

Dokumenter/ressourcer

Referencer

Stil et spørgsmål

Stil et spørgsmål Cancel question

Relaterede emner

Seneste MDPI Manualer

Q: Hvorfor foretrækkes geostationære satellitter til kystnære
overvågning?