Användarhandbok för MDPI Machine Learning Algorithm

Machine Learning Algoritm

Produktinformation

Specifikationer

• Produktnamn: Fjärranalysartikel
• Författare: Larissa Patricio-Valerio, Thomas
  Schroeder, Michelle J. Devlin, Yi Qin, Scott Smithers
• Publiceringsdatum: 21 juli 2022
• Nyckelord: Himawari-8, havsfärg, konstgjord
  neurala nätverk, Stora Barriärrevet, kustvatten, totalt
  suspenderade ämnen, maskininlärning, vattenkvalitet

Produktanvändningsinstruktioner

1. Introduktion

Fjärranalysartikeln ger insikter i användningen av
maskininlärningsalgoritmer för att hämta totalt suspenderade fasta ämnen
i Stora barriärrevet med hjälp av data från Himawari-8. Artikeln
diskuterar utmaningarna och fördelarna med att använda geostationärt
Satelliter i omloppsbana om jorden för kontinuerlig observation av kustnära
områden.

2. Hämtningsprocessen

Artikeln belyser vikten av geostationär
satelliter som Himawari-8 för att fånga nästan realtidsdata på
kustprocesser. Det betonar begränsningarna av låg jordomloppsbana
satelliter för att lösa korttidsvariabilitet jämfört med
geostationära satelliter.

3. Havsfärgsensorer

Artikeln nämner betydelsen av havsfärgsensorer på
satelliter för inhämtning av rumslig information relaterad till vatten
kvalitet. Den diskuterar den tidsmässiga dynamiken som observeras av
geostationära satelliter och deras inverkan på kustövervakning
fenomen.

Vanliga frågor (FAQ)

F: Vad är huvudfokus för Fjärranalysartikeln?

S: Huvudfokus ligger på att använda en maskininlärningsalgoritm med
Himawari-8-data för att hämta totalt suspenderat material i den stora
Barriärrevet.

F: Varför föredras geostationära satelliter för kustnära
övervakning?

S: Geostationära satelliter erbjuder nästan kontinuerlig observation av
stora områden med högre frekvens, vilket möjliggör bättre övervakning
av snabbt föränderliga kustprocesser.

fjärranalys

Artikel
En maskininlärningsalgoritm för Himawari-8 totala suspenderade fasta ämnen i Stora barriärrevet
Larissa Patricio-Valerio 1,2,* , Thomas Schroeder 2, Michelle J. Devlin 3 , Yi Qin 4 och 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, Storbritannien; 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
* Korrespondens: larissa.patriciovalerio@my.jcu.edu.au

Citat: Patricio-Valerio, L.; Schroeder, T.; Devlin, MJ; Qin, Y.; Smithers, S. En maskininlärningsalgoritm för Himawari-8 Total Suspended Solids Retrievals in the Great Barrier Reef. Remote Sens. 2022, 14, 3503. https://doi.org/ 10.3390/rs14143503
Akademisk redaktör: Chris Roelfsema
Mottaget: 15 maj 2022 Godkänd: 19 juli 2022 Publicerad: 21 juli 2022
Utgivarens anmärkning: MDPI förblir neutral med avseende på jurisdiktionsanspråk i publicerade kartor och institutionella anknytningar.
Copyright: © 2022 av författarna. Licenstagare MDPI, Basel, Schweiz. Den här artikeln är en artikel med öppen tillgång som distribueras under villkoren för Creative Commons Attribution (CC BY)-licensen (https://creativecommons.org/licenses/by/ 4.0/).

Sammanfattning: Fjärranalys av havsfärger har varit grundläggande för övervakning i synoptisk skala av havsvattenkvaliteten i Stora barriärrevet (GBR). Havsfärgsensorer ombord på satelliter med låg omloppsbana, såsom Sentinel-3-konstellationen, har dock otillräcklig återbesöksförmåga för att helt lösa dygnsvariationer i mycket dynamiska kustmiljöer. För att övervinna denna begränsning presenterar detta arbete en fysikbaserad kusthavsfärgalgoritm för Advanced Himawari Imager ombord på Himawari-8 geostationära satellit. Trots att den är designad för meteorologiska tillämpningar erbjuder Himawari-8 möjligheten att uppskatta havets färgegenskaper var 10:e minut, i fyra breda synliga och nära-infraröda spektralband och med 1 km2 rumslig upplösning. Simuleringar av kopplade havsatmosfärsstrålningsöverföringar av Himawari-8-banden genomfördes för ett realistiskt spektrum av i-vatten och atmosfäriska optiska egenskaper hos GBR och för ett brett spektrum av sol- och observationsgeometrier. De simulerade data användes för att utveckla en omvänd modell baserad på artificiella neurala nätverkstekniker för att uppskatta totala koncentrationer av suspenderade fasta ämnen (TSS) direkt från Himawari-8 top-of-atmosphere spektralreflektansobservationer. Algoritmen validerades med samtidiga in situ-data över kustnära GBR och dess detektionsgränser bedömdes. TSS-hämtningar visade relativa fel upp till 75 % och absoluta fel på 2 mg L-1 inom valideringsintervallet 0.14 till 24 mg L-1, med en detektionsgräns på 0.25 mg L-1. Vi diskuterar potentiella tillämpningar av Himawari-8 dagliga TSS-produkter för förbättrad övervakning och hantering av vattenkvaliteten i GBR.
Nyckelord: Himawari-8; havets färg; konstgjorda neurala nätverk; Stora barriärrevet; kustvatten; totalt suspenderat fast material; maskininlärning; vattenkvalitet
1. Inledning Havsfärgsensorer ombord på satelliter med låg jordomloppsbana (LEO), såsom MODIS/Aqua,
VIIRS/Suomi-NPP, och OLCI/Sentinel-3, har tillhandahållit långsiktiga register över värdefulla och kostnadseffektiva observationer för att undersöka dynamiken för vattenkvaliteten i Stora Barriärrevet (GBR) varje dag till mellan år [1]. LEO-satelliterna skannar i bästa fall samma geografiska område inom en eller två dagar; dock varierar tidsfördröjningen mellan två på varandra följande och identiska banor (dvs. återbesöksperiodicitet) vanligtvis mellan en och upp till fyra veckor. Dessutom kan havets färgbilder till stor del påverkas av närvaron av moln och solglimt, vilket begränsar hämtningen av observationer av hög kvalitet [5]. Detta kan kräva en vecko-till-månad uppsättning dagliga bilder från samma område för att utveckla en sammansatt molnfri view av havet. Följaktligen är den tidsmässiga kapaciteten hos LEO-satelliter otillräcklig för att utveckla ett heltäckande observationssystem och för att effektivt övervaka kortsiktiga dynamiska kustprocesser, såsom fytoplanktondelta cykler, daglig progression av översvämningsplymer och

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

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

Fjärrsensorer 2022, 14, 3503

2 av 23

tidvatten och vinddriven resuspension [7]. Forskare och miljöchefer fortfarande

lita på LEO-havfärgsprodukter för att skaffa kostnadseffektiv rumslig information - i

kustnära GBR [10,11], men inser begränsningarna med dessa tekniker för att lösa kortsiktiga

variabilitet.

–

Satelliter på en g-eostationär jordomloppsbana (GEO), annars tillåter nästan kontinuerlig

observation av stora områden på jordklotet med högre frekvens (minuter till timmar) jämfört med

till den nästan dagliga återbesöksfrekvensen för LEO-plattformar, särskilt över tropikerna [9]. De

världens första Geostationary Ocean Color Imager (GOCI-I), som lanserades 2010, har avslöjat

den tidsmässiga dynamiken i snabbt föränderliga kustprocesser i nordöstra Asien, som t.ex

av grumlighetsplymer och skadliga algblomningar [12,13]. Dess framgång gav ett användbart fall

för den framtida utvecklingen av globala GEO-havfärguppdrag [14]; dock ingen av

de uppdrag som föreslagits för sjösättning inom det kommande decenniet var utformade för observation

australiska vatten. Icke desto mindre drivs GEO-satelliter globalt för meteorologiska observationer

servar och senaste tekniska framsteg har utnyttjat deras förmåga att samla in data över haven, vilket gör att mer dynamiska processer kan observeras från rymden [-15].

Tofhbe annedxst-ignentheera-vtiiosinblGe EspOemctreutemor(o2loogri3cailnssetenasdorosfaorenleyq1uibpapnedd)

med ett ökat antal kombinerat med förbättrat

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 är placerad på 140.7E ovanför ekvatorn och med en 10 minuters skanningshastighet, fångar den minst 48 fulldiskobservationer inom en dag (kl. 8 till 4 lokal tid). Medan AHI-instrumentet var designat för meteorologiska tillämpningar, är det synligt och nära-i-frarött

(VNIR)-band (Figur 1 och Tabell 1) möjliggör detektering av marina egenskaper med starka

optiska signaler, såsom de från mycket grumliga vatten [19]. Dessutom Himawari-21

observationer med ultrahög upplösning möjliggör övervakning av havsegenskaper från

sub-hourly till mellanåriga tidsskalor för hela GBR-lagunen och den intilliggande oceanen

bassäng utan inter-orbital data g-aps.

wFiigthurtehe1.trHainmsmawisas-riio-n8

spektrala svarsfunktioner för de synliga och infraröda banden (heldragna vita linjer) av de atmosfäriska gaserna (grå fylld linje) och överföringen av ozon (röd

heldragen linje) mellan 400 och 1000 nm.

Ett omfattande utbud av applikationer för övervakning och förvaltning av oceaniska områden har potential att härledas från Him-awari-8, inklusive för havsfärg -[22,23]. Nyligen genomförda studier har visat genomförbarheten av Hima-wari-8-observationer för detektering av totala suspenderade fasta ämnen (TSS) i kustvatten [17,24] och för kloroph-yll-a-koncentration (CHL) i det öppna havet [22]. Dessa resultat tyder på en spännande möjlighet att övervaka högfrekventa och dynamiska processer i kustnära GBR. Men även om flera havsfärgalgoritmer kan vara tillgängliga för satellithämtning av kustvattenkvalitetsparametrar, kan de vara olämpliga för den optiska komplexiteten hos GBR eller inte tillämpliga på Himawari-8-observationer.

Fjärrsensorer 2022, 14, 3503

3 av 23
– –
Tleanbglteh1s.anHdimbaanwdawrii-d8-thA, dasvsaoncciaetdedHsipmaatiwalarreisIomluatgioenr.vSiisgibnlael-aton-dn- oni-esearr–aintiforsar(SeNd Rb)anfrdosmcpenertrfoarwa resultat [25]elfr.

Band # (namn) #1 (blå) #2 (grön) #3 (röd) #4 (NIR)

Bandcentrum (bredd) 470.64 (45.37) nm 510.00 (37.41) nm 639.15 (90.02) nm 856.69 (42.40) nm

Rumslig upplösning 1 km 1 km 0.5 km 1 km

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

Modellbaserade havsfärgalgoritmer som använder strålningsöverföringssimuleringar har visat överlägsen prestanda för tillämpning i multi-temporal fjärranalysstudier av kustvatten jämfört med empiriska algoritmer [26]. Specifikt är neurala nätverk en beräkningseffektiv inversionsmetod för fjärranalysapplikationer i optiskt komplexa kustvatten på grund av deras förmåga att approximera icke-linjära funktionella relationer [27]. Denna artikel beskriver utvecklingen av en modellbaserad neurala nätverkshavsfärgalgoritm (Figur 35) för Himawari-2 och parametriserad för GBR:s kustvatten. Enstegsinversionsalgoritmen utvecklades för att uppskatta TSS direkt från Himawari-8 top-of-atmosphere (TOA) observationer med en flerskiktsperceptron, en klass av artificiella neurala nätverk (ANN). Först simulerades den spektrala vinkelfördelningen av TOA-reflektanserna RTOA() sr-8 vid VNIR Himawari-1-banden med en befintlig modell för kopplad oceanatmosfärstrålningsöverföring (RT) (framåtmodell). RT-simuleringarna inkluderade realistiska variationer i vattenkvalitetsparametrar och atmosfäriska och belysningsförhållanden. Flera ANN-experiment (omvända modeller) designades sedan, tränades och testades för att hämta TSS vid Himawari-8-banden baserat på de simulerade TOA-strålningarna. Slutligen utvärderades de Himawari-8 hämtade TSS-utgångarna statistiskt mot samtidiga in situ vattenkvalitetsdata i GBR och begränsningarna för den valda algoritmen undersöktes.

Figur 2. Flödesdiagram över den modellbaserade havsfärgalgoritmen utvecklad för Himawari–8.
2. Metoder Parametriseringen av strålningsöverföringssimuleringarna och utformningen av
ANN omvänd modell specificeras i följande underavsnitt. Parametriseringarna av framåt och omvänd modell följer ett tillvägagångssätt som tidigare utvecklats för europeiska kustvatten [36] men anpassades i denna studie för de optiska förhållandena i vattnet för GBR [38]. Dessutom beskrivs H-imawari-39-insamlings-, bearbetnings- och maskeringsprocedurerna och havsfärgprocessorn för den modellbaserade algoritmen som utvecklats här. Valideringsprotokollet och metoderna för bedömning av algoritmbegränsningarna presenteras, liksom de första resultaten för TSS-övervakning i GBR.

Fjärrsensorer 2022, 14, 3503

4 av 23
2.1. Framåtmodellen
I detta arbete användes en skalär version av Matrix-Operator MODel (MOMO) [40,41] för de kopplade överföringssimuleringarna för havsatmosfären av Himawari-8 VNIR-banden (tabell 1). Att försumma atmosfärisk polarisering kan leda till fel på 1 % vid TOA, vilket är acceptabelt för kustvattenapplikationer [2]. Himawari-42 RTOA() simulerades för ett realistiskt utbud av optiska egenskaper i vattnet och atmosfären hos GBR.
Det simulerade oceanatmosfärsystemet är stratifierat i flera horisontellt homogena plan-parallella skikt där de definierade typerna och koncentrationerna av akvatiska och atmosfäriska optiska beståndsdelar beaktas. Höjden på den simulerade atmosfären (TOA) är 50 km tjock och uppdelad i 11 lager där den vertikala profiles av tryck, temperatur och luftfuktighet följer en amerikansk standardatmosfär [43]. Dämpningen av Rayleigh-spridningen redovisas med två barometriska yttryck på 980 hPa och 1040 hPa. Atmosfären är uppdelad i ett gränsskikt (0 km), en fri troposfär (2 km) och en stratosfär (2 km). I varje lager utfördes simuleringarna för åtta distinkta aerosolsammansättningar med varierande koncentrationer av den optiska aerosolens tjocklek (a) vid 12 nm mellan 12 och 50. Varje aerosolsammansättning är sammansatt av de tre huvudaerosolmodellerna, en maritim modell i gränsskiktet, en kontinental modell i den fria troposfären och en svavelsyramodell i stratosfären, vid en relativ luftfuktighet mellan 550 % och 0.015 %. a-intervallet bestämdes från fleråriga nivå 1.0 solfotometerobservationer av AERONET [70]-stationen vid Lucinda Jetty Coastal Observatory (LJCO) som ligger i centrala GBR [99S, 2E]. Analys av motsvarande Ångström-koefficienter [44,45] mellan 18.52 och 146.39 nm vid LJCO AERONET-stationen bekräftar en blandning av maritima och kontinentala aerosoltyper motsvarande de som används i RT-simuleringarna.
Överföringen av atmosfäriska gaser (förutom O3) härleddes från databasen HighResolution Transmission Molecular Absorption (HITRAN) [47] och implementerades i strålningsöverföringssimuleringarna via den modifierade k-fördelningsmodellen av Bennartz och Fischer [48]. Strålningsöverföringssimuleringarna utfördes under antagande av en konstant ozonbelastning på 344 Dobson Units (DU) [43]. Himawari-8-banden simulerades för 17 sol- och observationsvinklar och 25 jämnt fördelade relativa azimutvinklar. Simuleringarna utfördes för realistiska vattenkvalitetsfluktuationer, representerade av slumpmässigt utvalda unika koncentrationer av CHL, TSS och gula ämnen (YEL), hädanefter kallade koncentrationstrillingar. Områdena för de simulerade koncentrationstripletterna definierades baserat på spridningen av in situ-korrelerade koncentrationer som hittats i GBR, enligt metoden av Zhang et al. [49]. De simulerade koncentrationstripletterna var lika fördelade i logaritmiskt utrymme, så varje storleksordning representerades på liknande sätt samtidigt som duplicerade simuleringar undvek.
Den totala spektrala absorptionen av havsvattnet a() modellerades av en fyrkomponents biooptisk modell som redogjorde för absorptionen av rent vatten (aw), absorptionen av växtplankton och allt dött organiskt material (dvs. detritus) ap1 som en funktion av CHL [0.01, 15], absorptionen av icke-algpartiklar [2, 0.01], absorptionen av icke-algpartiklar [100.0 ,443 . 0.002], och absorptionen av gula ämnen var vid 2.5 nm [50, 8]. Absorptionskoefficienten för rent vatten (aw) modellerades enligt Pope och Fry [1] för Himawari-3 synliga band 51 och av Hale och Querry [4] för band 1. Den spektrala absorptionen av växtplankton och detritus ap52 följde en parametrisering av Bricaud et al. [2], medan absorptionen av icke-algpartiklar ap53 parametriserades enligt Babin et al. [2], med en medellutning Sp0.012 på XNUMX som härleddes från in situ biooptiska data sampledde i GBR mellan 2002 och 2013. Den spektrala absorptionskoefficienten för gula ämnen ay modellerades enligt Babin et al. [53], med en medellutning Sy på 0.015 som också härleddes från in situ observationer från GBR [39].
Den totala spektrala spridningen av havsvattnet (b()) modellerades av en tvåkomponents biooptisk modell [53] som redogjorde för spridningen av rent vatten (bw) och spridning eller organiska och oorganiska partiklar bp som en funktion av TSS. Den rena havsvattenspridningen

Fjärrsensorer 2022, 14, 3503

5 av 23

koefficient uttrycktes som en våglängdsberoende effektlag baserad i Morel [54],

definieras för ett globalt salthaltsmedelvärde på 35 PSU. Spridningsbidraget av ekologiska och

oorganiska partiklar kombinerades för att härleda den totala partikelspridningskoefficienten bp efter parametriseringen av Babin et al. [55]. Den massspecifika spridningskoefficienten

av TSS-partiklar bp på 0.31 m2 g-1 beräknades för GBR-vattnet, efter Babin et al. [55]. En sannolikhetsmodell för backscattering för fall 2-vatten tillämpades [49,56] på

beräkna och välj funktionerna för spridningsfas i vattnet (, ) baserat på förhållandet mellan TSS och YEL. Simuleringarna utfördes för ett stort antal slumpmässiga koncentrationer

trillingar och atmosfäriska förhållanden, som tidigare beskrivits, för att bygga en heltäckande

databas med azimutlöst löst Himawari-8 RTOA(). Från denna databas, statistiskt

representativ träning och testdelmängder extraherades slumpmässigt för att utveckla det omvända

modell. Tränings- och testdelmängderna omfattade vardera 100,000 XNUMX indatavektorer

x

innehållande

den: simulerad RTOA vid 470, 510, 640 och 856 nm band, atmosfärstryck vid havsnivå mellan 980 och 1040 hPa, sol zenitvinkel (s), observation av zenit (v) och relativ azimut ().

2.2. Den omvända modellen

I denna studie har en multilayer perceptron (MLP), en klass av feed-forward artificiellt neuralt nätverk (ANN) [57], implementerats som en omvänd modell baserad på Neural Network Simulator C-programmet utvecklat av Malthouse [58], för att approximera det funktionella förhållandet mellan Himawari-8 RTOA() och TSS-koncentrationen. Föreliggande MLP innefattar ett ingångsskikt, ett dolt skikt och ett utgångsskikt av neuroner. Varje neuron är kopplad till varje neuron i nästa lager med en vikt. Den övervakade maskininlärningen eller utbildningsproceduren kan beskrivas enligt följande:

·

Ingångsneuronerna (ni) tar emot ingångsvektorn

x

, innehållande simulerade reflektanser

och de kompletterande data som beskrivits ovan, och sprider dem till de dolda lagerneuronerna

(nh).

· I det dolda lagret summerar de artificiella neuronerna de viktade insignalerna och skickar dessa genom en icke-linjär överföringsfunktion och skickar sedan vidare sina utsignaler

till utgångsskiktets neuroner (nej).

· Kostnadsfunktionen (dvs medelkvadratfel, MSE–ekvation (1)) mellan sim-

ulerade målutgångar yt och ANN-beräknade utgångar yc beräknas för hela träningsdatauppsättningen (N = 100,000 1), och nätverkets interna vikter (W2, WXNUMX) justeras.

· Träningen av ANN upprepas tills kostnadsfunktionen mellan output och målvärde minimeras.

MSE = yc – yt /N

(1)

Kostnadsfunktionen minimeras genom att anpassa viktmatriserna (W1, W2) iterativt med hjälp av en BroydenFletcherGoldfarbShanno-optimeringsalgoritm med begränsat minne [59]. För en trelagers MLP-arkitektur ges den fullständiga analytiska funktionen av ekvation (2):

yc

=

S2

×

W2 × S1

B1 × x

(2)

där S1 och S2 är de icke-linjära (ekvation (3)) och linjära överföringsfunktionerna som används i utmatnings- respektive dolda skikt.

S(x) = 1 + ex -1

(3)

Antalet neuroner i ingångs- och utgångsskikten bestämdes av antalet in- och utgångsparametrar för problemet, medan flera experimentella försök

Fjärrsensorer 2022, 14, 3503

6 av 23

krävdes för att bestämma det optimala antalet neuroner i det dolda lagret. De

experiment utformades genom att variera antalet dolda lagerneuroner från 10 till 100,

i steg om 10. Ett slumpmässigt men för alla experiment fast frö användes för att initiera –

viktkonfiguration av nätverken. Experimenten inkluderade en huvudkomponent

analys (PCA) som ett förbearbetningssteg för att dekorrelatera RTOA()-ingångarna. Dessutom designades experimenten med 0.8 % spektralt okorrelerade signalberoende slumpmässigt-m – brus lagt till RTOA-ingångarna i varje band. ANN-experimenten tränades och testades med en delmängd av 100,000 XNUMX indatavektorer slumpmässigt extraherade från strålningsöverföringen

simulerad datauppsättning. Varje ingångsvektor var associerad med en logaritmisk TSS-koncentration, som valdes som målutdata som skulle approximeras av den övervakade inlärningen

förfarande. Alla experiment tränades för 1000 iterationer och minimering av kostnaden

funktion (ekvation (1)) beräknades över hela träningsdatauppsättningen vid varje iteration. En

oberoende testdatauppsättning av N = 100,000 XNUMX vektorer användes för att övervaka nätverksträningen

prestanda och för att undvika övermontering.

–

2.3.

TBhaesHicipmraowceasrsi-in8- gOscteeapns

Färgbearbetning för Himawari-8 rå

data

till

TSS

produkter

är

visas

in

Figur

3.

Nivå 1 (L1) full disk Himawari-8 VNIR-band förvärvades, extraherades över GBR-området –

(10 S, 29 S, 140 E, 157 E), geolokaliserad, och navigering korrigerad. Den geolokaliserade rådatan

omvandlades till nivå 1b (L1b) TOA-strålningar (LTOA() W m-2sr-1µm-1 ) genom –

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

band. Den L1b-kalibrerade LTOA() normaliserades av den utomjordiska solinstrålningen F() W -m-2 för varje band. F() beräknades som en funktion av dagen på året

och med hjälp av de genomsnittliga utomjordiska solinstrålningsvärdena F-värden baserat på Kurucz [61] och anpassade till Himawari-8-banden [62]. De resulterande TOA-reflektanserna RTOA() sr-1 vid VNIR Himawari-8-banden tjänade som indata till inversionsmetoden. Dessutom

s, v och värden beräknades för varje pixel i satellitbilden som en funktion av latitud, longitud och lokal tid, enligt befintliga procedurer [63], och konverterades till

kartesiska koordinater (x, y, z).

Figur 3. Himawari-8-Ocean Color Processing flödesschema. HSD hänvisar till Himawari-8 standarddata, GBR hänvisar till Great Barrier Reef, VNIR hänvisar till Himawari-8 synliga och nära infraröda band (470, 510, 640 och 856 nm), och ANN hänvisar till artificiellt neuralt nätverk.

de

ACulsoturadlimanasckoinntginoenf tHainmdaswuarrroi–u8nodbisnegrvwaatitoenrss.

var den

utvecklad av Qin et al. [64] för 2 km upplösning molnmask var

resampledde till damm och rök

1plkummHesimfraowmabrii-o8mg-raisds

och inkluderar maskering av pixlar som är förorenade med bränning. Likaså pixlar identifierade som framkom

ytor, såsom kontinentala områden, öar och stim, maskerades utifrån formfiles

tillgänglig från databasen Great Barrier Reef Marine Park Authority [65]. En solglimt

–

Fjärrsensorer 2022, 14, 3503

7 av 23
masken skapades genom att beräkna koordinaterna för solglimt (PPS) som en funktion av dagen på året (sollutningen), lokal timme, latitud och longitud [66], vid 1 km rumslig upplösning. Solskivans kontur buffrades för en cirkulär radie på 1300 km från koordinaterna för PPS. Radiestorleken valdes efter att en serie visuella tester använts för att säkerställa maximal täckning av solskivans huvudområde.
Himawari-8-observationerna normaliserades pixel-för-pixel och för varje band med nästan samtidiga satellitdata av totalt kolonnozon extraherat från Total Ozone från Analysis of Stratospheric and Tropospheric Satellite Components (TOAST) produkt [67] före inversioner. TOAST-produkten, med rumslig upplösning på 1.25 gånger 1 grad och daglig tidsupplösning, var resampledde till 1 km för överensstämmelse med Himawari-8-rutnätet. Himawari-8-observationerna normaliserades vid varje band genom förhållandet mellan överföringen av TOAST-härlett ozon och överföringen av den simulerade ozonkolonndensiteten på 344 DU. Dessutom användes medelhavsnivåns atmosfärstryckdata från NCEP/NCAR `Reanalysis 2′ PaRt2m [68] som indata för inversionen av Himawari-70-observationer. "Reanalysis 8"-data beräknas var 2:e ​​timme (6, 0, 6, 12 UTC) och sampledde på ett vanligt globalt rutnät med 2.5 graders spatial upplösning [71]. De närmaste samtidiga PaRt2m-data förvärvades och resampledde till 1 km Himawari-8-rutnätet. Den hämtade TSS, tillhörande masker och metadata sparades i en NetCDF file, inklusive pixelvis associerade flaggor för in- och utgångar utanför intervallet. Områdena för giltiga in- och utdata definierades baserat på den RT-simulerade datamängden. Till exempel, om en viss pixelinmatnings- och/eller utgångsparameter översteg de simulerade intervallen, tilldelades pixeln en motsvarande flagga. Ingångs- och utmatningsflaggorna summerades för varje pixel i Himawari-8-rutnätet. Flaggorna utanför intervallet applicerades på vattenkvalitetsprodukterna före den efterföljande valideringen och appliceringsanalyserna.
2.4. Stora barriärrevet in situ-data
In situ TSS uppmätt mellan 2015 och 2018 av Australian Institute of Marine Sciences (AIMS) och Commonwealth Scientific and Industrial Research Organization (CSIRO) erhölls från IMOS Bio-optical Database [72] genom portalen Australian Ocean Data Network (AODN). Både CSIRO och AIMS använder den gravimetriska metoden för att bestämma TSS-koncentrationen i havsvatten. Metoden består i att mäta torrvikten av suspenderade partiklar från en känd volym havsvattenample efter att den har vakuumfiltrerats på ett förvägt membranfilter. Ytterligare detaljer om metodiken som används av AIMS och CSIRO beskrivs i Great Barrier Reef Marine Park Authority [73] och Soja-Woz´niak et al. [74] respektive. Trots att AIMS- och CSIRO-laboratorier använder något olika metoder för att bestämma TSS (dvs. antal replikat, filterkuddar, sköljning, etc.), har dessa datauppsättningar kombinerats i denna valideringsövning. Totalt 347 in situ datapunkter med TSS från 0.01 till 85 mg L-1 och ett medelvärde på 3.5 mg L-1 övervägdes. In situ datapunkter inom 1 km från kustlinje eller rev exkluderades från analysen för att minska osäkerheter på grund av närliggande effekter [75]. Vi inkluderade allt in situ havsvattenamples tagna vid ytan (<0.5 m djup) av stationer belägna på varierande vattendjup (1.5 m till 40 m), där den grundaste datapunkten visar TSS > 10 mg L-1.
2.5. Valideringsprotokoll
Valideringsprotokollet som används i denna studie följer erfarenheterna från tidigare valideringsövningar för fjärranalys av havsfärger i Australien, inklusive i kustnära GBR [27,76,77]. Dessa studier beskrev bearbetningssteg för extraktion av satellitobservationer samtidigt med mätningar på plats i kustnära GBR, såväl som användbara statistiska prestandamått.
Flera Himawari-8-observationer kan kombineras inom en tidsram (dvs. hourly) att eliminera potentiella extremvärden och minska sensor- och omgivningsljud, vilket sannolikt förbättrar uppskattningar och valideringsprestanda [7,9,16]. Därför förvärvades alla tillgängliga Himawari-8-observationer som skannades inom ±30 minuter från den registrerade in situ-tiden för denna valideringsövning. Valda och bearbetade 10 min Himawari-8 observationer vid VNIR

Fjärrsensorer 2022, 14, 3503

8 av 23

- -

band med tillhörande sol- och observationsgeometri delades till 3-x-3-pixe-l bo-x-es,

centrerad vid koordinaterna för varje samtidig in situ datapunkt. På samma sätt extraherades 3 x 3-pixel underuppsättningar av samtidiga masker (dvs. moln, land, rev och solglimt) och tillhörande data (dvs - ozon och tryck). Nästan äkta färgkompositer av utvalda Himawari-8 –

observationer inspekterades visuellt för att eliminera matchups i vatten med skarp horisontell

gradienter i optiska egenskaper (dvs grumlighetsfronter) eller närliggande moln.

–

Hourly sammansättningar av giltiga delmängder beräknades med tidsmässigt medelvärde, utan hänsyn till –

maskerade pixlar. Den hourly aggregerade delmängder bearbetades med ANN-inversionen

algoritmer och maskerade för värden utanför intervallet. Slutligen median och standardavvikelse

av hourly TSS-delmängder beräknades, exklusive m-frågade pixlar. Endast de delmängder med två eller färre pixlar maskerade per pixelbox ansågs vara giltiga för matchning. ANN

utdata beräknades i logaritmisk skala (log10) och den samtidiga in situ TSS logtransformerades för statistisk analys. Ett överview av valideringsproceduren illustreras

i figur 4. Prestandan utvärderades med avseende på deras rotmedelkvadratfel

(RMSE–eller absolut fel), bias, genomsnittlig absolut procenttage-fel (MAPE–eller relativt fel) och bestämningskoefficienten (R2). Bias, R2 och RMSE beräknades i log10

–

rymden och MAPE beräknades i linjär mätning och p den satellithärledda

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)

ANN match-up-experimenten rangordnades baserat på de statistiska mått som beskrivs ovan. Företräde gavs till de experiment med lägst RMSE eftersom denna statistiska parameter är kostnadsfunktionen som minimeras under ANN-utbildningen. Det bäst presterande experimentet med det lägsta antalet neuroner i det dolda lagret valdes ut för att minska beräkningsansträngningarna för inversionen av Himawari-8-observationer – över hela GBR.

Figur 4. En förenklad överview av algoritmvalideringsproceduren.

2.6. Bedömning av begränsningar

Signal-ton-oise ratios (SNR) beräknades för synligt och nära inf-rött

HEaimstearwnaSrti-a-8ndLTaOrdA

(Tim) oeb–seArvEaStTio)nast

skannade valt

mellan 08 och 00 lokala datum och molnfria områden

tid (Australien från Korallhavet

–

Fjärrsensorer 2022, 14, 3503

9 av 23

(16.25S, 151E och vid 20.60S, 153.53E). Endast observationer efter juli 2017 beaktades för denna analys, med tanke på att deras kalibreringskoefficienter korrigerades för koherent och horisontellt striping-brus [63,78]. Äkta färgögonblicksbilder tillgängliga genom Himawari-8 Monitor P-Tree System [79] bläddrades för val av målområde och för att säkerställa att dessa var rumsligt enhetliga och sannolikt inte påverkas av moln, solglimt, biooptiska egenskaper och rökplymer från markbränning [80,81]. De utvalda Himawari-8-observationerna konverterades från råtal till fysiska enheter genom att tillämpa kalibreringskoefficienter [60], med delmängder av 51 x 51 pixlar extraherade och centrerade på koordinaterna för de intressanta regionerna. Dessutom var delmängderna, associerade masker och geometriska parametrar hourly aggregerat. De 10 min och hourly aggregerade delmängder maskerades för moln, land, rev och solglimt, och deras nästan sanna färgkompositer inspekterades för oupptäckta egenskaper som koraller, rev, molnskuggor och sensorartefakter.
SNR beräknades för varje Himawari-8-band efter ekvation (8) [80]. Genomsnittet av LTOA() för alla giltiga pixlar inom målområdet ger Ltypical(), och att ta standardavvikelsen () inom samma område ger brusekvivalent strålning (Lnoise()). SNR beräknas som förhållandet mellan Ltypical och Lnoise vid varje band:

SNR() = Ltypisk ()/Lnoise() = LTOA()/(LTOA())

(8)

Dygnsvariabiliteten och storleksskillnaderna mellan SNR beräknade med 10 min och hourly aggregerade Himawari-8-observationer (SNRSING() respektive SNRAGG() inspekterades vid varje band. Dessutom utvärderades deras spektrala egenskaper för intervall av s eftersom bullernivåerna är kända för att variera med solhöjden [80]. Slutligen tillhörande procenttage brusnivåer (%Noise) beräknades för s = 45 ± 1 och användes för att utvärdera algoritmens känslighet för Himawari-8 typiska brusnivåer.
TSS-algoritmen som utvecklades i denna studie tränades med spektralt platt (okorrelerat) fotonbrus (0.8 %) som lades till träningsdatauppsättningen, förutsatt begränsad kunskap om sensorprestandaegenskaper över oceaniska mål. För att utvärdera inversionsstabiliteten och för att tillhandahålla en baslinjekänslighetsanalys av TSS-algoritmen, lades spektralt platt fotonbrus på 0.1, 1.0 och 10 och 50 % till testdatauppsättningen och inverterades. Dessutom lades %bruset associerat med Himawari-8-banden till testdatauppsättningen för att kvantifiera effekterna av spektralt beroende brusnivåer på noggrannheten av TSS-hämtningar. Hämtningsstabiliteten tolkades i termer av konstanta ökningar av RMSE över ett brett intervall av TSS (0.01 till 100 mg L-1) jämnt fördelade i logaritmiska koncentrationer. Dessutom utvärderades longitudinella transekter av TSS-produkter tagna i homogena och molnfria vatten i kustnära GBR och i Korallhavet i en pixelskala för en kvalitativ bedömning av bullernivåerna för Himawari-8.

3. Resultat
3.1. Algoritmvalidering
Flera nätverk tränades med olika arkitekturkonfigurationer och det bästa prestandanätverket med lägsta möjliga RMSE och lägsta antal neuroner i det dolda lagret valdes för inversioner. Det valda experimentet, med 50 neuroner i det dolda lagret, hämtade TSS från 0.14 till 24 mg L-1, med en positiv R2 och bias på 0.014 mg L-1, MAPE på 75.5 % och 10RMSE på 2.08 mg L-1, som visas i figur 5.

Fjärrsensorer 2022, 14, 3503

10 av 23

Figur 5. In situ och Himawari-8-härledd TSS med det b-est-presterande ANN-experimentet, med in situ TSS-värden colour-code-d i logaritmisk skala. Felstaplar representerar intra-pixel-standardavvikelsen för TSS i en 3 x 3-pixel-ruta. Olika symboler indikerar in situ data som samlats in av AIMS
och av CSIRO på LJCO.
–
3.2. Himawari-8 Totalt upphängda S-olids för Great Barrier Ree-f
Figur 6 visar en nästan sann färgkomposit av Himawari-8 (vänster panel) tagen den 27 oktober 2017 över GBR-området och motsvarande TSS-produkt med 10 min tidsupplösning (höger panel). Vattnen inom GBR-lagunen har TSS i allmänhet på eller över 1 mg L-1, medan vattnet utanför GBR för närvarande är under 1 mg L-1. TSS-produkten avslöjade allvarliga granulerings- och randljud i Korallhavets öppna havsområden.

Figur 6. Himaw-ari-8-bilder i nästan sann färg av GBR som förvärvades den 27 oktober 2017 kl. 15:00 AEST (vänster panel) och den tillhörande TSS-produkten [mg L-1] (höger panel). Pixlar maskerade i svart på grund av molnvärden och värden utanför intervallet.

Himawari–8 TSS-fluktuationer undersöktes Burdekin Rivers mynning och över södra GBR

för kustvattnets revmatris (Figur 7

saunrdroaunn-imdinatgiothnes

i länken). Burdekin-översvämningen den 12 februari 2019 genererade en sedimentplym som

nådde de yttre reven (50 km från mynningen) mellan kl. 3 och 4, med TSS > 20 mg L-1.

–

–

–

–

–

—

Fjärrsensorer 2022, 14, 3503

- -
–

–
–

11 av 23
–

Burdekinflodens sedimentplym utvecklades under det inkommande tidvattnet med ett intervall på 0.3 m mellan låg- och högvatten. Kustvattnen nära reven upplevde en ökning av TSS i storleksordning (3.6, 26.4 mg-L-1) inom en halvdaglig tidvattencykel (korsmärke i figur 7 (vänster panel) och figur 8a). Reven som täcktes av översvämningsvatten exponerades för TSS ~40 gånger högre än riktgränsen på 0.7 mg L-1 [82]. De områden där TSS översteg 100 mg-L-1, nära munnen, var maskerade (svarta områden) som värden utanför intervallet (ANN-flaggor). En animering av TSS-fluktuationerna efter den huvudsakliga urladdningshändelsen är tillgänglig i figur S1.

Figur 7. Översvämningsplym som rinner ut från Burdekinfloden, februari 2019 (vänster panel). TSS tidvattenstrålar inom GBR-revmatrisen i november 2016 (höger panel). Notera de olika intervallen i varje plot. Pixlar maskerade i svart beror på TSS-värden utanför räckvidden.
Medan stora översvämningshändelser visar tydliga TSS-egenskaper i kustnära GBR, observeras tidvattenstrålar i submesoskala runt matrisen av grunda och nedsänkta rev i södra GBR (Figur 7 (höger panel)), vilket visar hur dessa olika förhållanden båda påverkar kortsiktig TSS-variabilitet. Animationen som tillhandahålls i figur S2 illustrerar dynamiken i tidvatteninducerade TSS-fluktuationer, där de höga (4 m) och låga (0.2 m) tidvatten ägde rum vid 10:6 respektive 8:0.3 (Figur 2.0b). TSS-koncentrationerna nära Heralds Reef (kryssmarkerade) fluktuerade omkring en storleksordning inom en dag (1, 0.7 mg L-1), med värden som översteg de riktvärden för vattenkvalitet som rekommenderas för den öppna kustnära GBR (XNUMX mg L-XNUMX). –

Figur 8. Tidsserie av 10 min Himawa-ri–8-härledd TSS vid mynningen av Burdekinfloden under översvämningarna i februari 2019 (a) och i den södra GBR-revmatrisen i november 2016 (b), som visas i figur 7. Felstaplar representerar standardavvikelser inom en pixel. Riktlinjer för kustvatten (2.0 mg L– 1) och mellanhyllor (0.7 mg-L-1) är markerade med rött. Notera de olika tidsintervallen i varje figur.
– –
–

Fjärrsensorer 2022, 14, 3503

12 av 23
3.3. Detektionsgränser SNR beräknat från två uppsättningar Himawari-8-observationer visas i
grafik av figur 9. Några enstaka observationer missades på grund av intensiv molntäckning, särskilt den 06 september 2017, och resulterade i dataluckor i tidsserien. SNRSING och SNRAGG presenterade tydliga dygnsfluktuationer, med den högsta SNR som inträffade vid lägsta s (<30), mellan kl. 11 och 12. Storleken och variabiliteten under dygnen var högre för SNRAGG och vid de blå och gröna banden (470 och 510 nm), jämfört med beräknade värden SNRNING. SNR beräknat för 640 nm och 856 nm banden var minst tre gånger lägre än SNR beräknat för de blå och gröna banden, med subtila dygnsvariationer. Dygnsfluktuationerna av SNR mellan dagar och platser varierade, särskilt för det blå bandet och från SNRAGG. Den 06 september 2017 (medelvärde v~22) var SNRAGG i de blå och gröna banden lika i magnitud (Figur 9b). Den 25 september 2017 (på en annan plats med medelvärde v~28) visade det blå bandet SNRSING nästan dubbelt så högt som det gröna bandet (Figur 9d).

Figur 9. Tidsserier av sig-na-l-till-brus-förhållanden (SNR, höger axel) beräknade för enstaka (SNRSING) (a,c) och för aggregerade (SNRAGG) observationer (b,d) med tillhörande s (vänster axel). S-NR är
färgkodad efter band.

Grupperna av

spektral variabilitet av s, där standarden

SNRSING och SNRAGG visas avvikelser inom varje grupp var

i figuren ritad som

10 för tak

tre fel

barer. De enskilda observationerna gav vanligtvis lägre SNR än de aggregerade observationerna

i alla band, och SNR var den högsta för figur 9. Standardavvikelserna för SNR

s < 30, i överensstämmelse med data som beräknats för enstaka och aggregerade

presenteras i observationer

wfoerresm>o4r0epartotnhoeubnlcueedbfoanr dsp>re4s0enatendd

vid de blå och gröna banden. Standardavvikelserna på 27 och av

SNR beräknat 51 för SNRSING

och SNRAGG avvikelser av

13 respektive 26.

SNR beräknat för det gröna bandet som presenteras standard. Dessa avvikelser är sannolikt associerade med variabeln

atmosfäriska förhållanden på varje plats, som intensifieras vid de blå och gröna banden

och vid höga atmosfäriska väglängder.

Fjärrsensorer 2022, 14, 3503

13 av 23

Figur 10. Spektralfördelning av si-gn-al-till-brus-förhållanden beräknade för enkel (SNRSING) (-a) och

aggregerade observationer (SNRAGG) (b), och grupperade som standardavvikelser av SNR inom varje grupp av

för s.

tre

intervall

of

s.

Fel

barer

var

beräknad

TgcorhemegpaSTtNuehtdReedASoGNbfGsoRerrvAvaaGallGluti,seoitsnnhsgceolwLemtioytphpbiicslaeesldr,=vaiann4t5diToaLn±bnsol e1iwse2iawtwhnederersaec=saosob4m5copiuaitlt±eetddw1ipinceweTrcaaeebsrnelhetiai2ngg.chelLunaikdsoeeitswdheeifs(oc%eor, NtrchrooeeimssSpepN)oaf–nRordiSrsIiNaongnGg-. SNRSING, utom i det röda bandet. Icke desto mindre är de höga ljudnivåerna i det röda (~3%) och i tshigenNalIRdebsapnidtest(h~e5%eff)oinrtdsiicnataevtohiadtinthgeeSnNviRroAngmG emnataylbceonmdoistitolynsafifnecitmedagbeystehleecattimo,h. där vattnet som lämnar utstrålningar anses vara försumbart i klart öppet hav.

–

–

–

Tabell 2. Synlig och nära-infraröd Himawari-8 Ltypisk och Lnoise W m-2sr-1µm-1 och tillhörande

procenttage brus (%Noise) för SNRAGG vid s = 45 ± 1. Beräknad SNRSING vid s = 45 ± 1 värden

lades till för jämförelse.

Band 470 510 640 865

Typiskt 59.5 38.3 13.8 3.4

Ljus 0.26 0.29 0.41 0.18

%Buller
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

när 50 % av spektralt platt fotonbrus läggs till. Under tiden erhölls stora fel (>300 %)

till Himawari-8 för TSS-hämtningar

band nedan

(Figur-e 0.1 mg

11a). L-1,

oavsett ljudtyp och nivå. På ett mer realistiskt scenario, när det är spektralt beroende

fotonbrus (dvs %brus från tabell 2)-läggs till i Himawari-8-banden, felen är

mestadels under 100%- för TSS > ~0.25 mg L-1 (Figur 11 (höger panel)). Därför för att få

tillförlitliga hämtningar från Himawari-8 med den aktuella TSS-algoritmen, valdes en detektionsgräns på 0.25 mg L-1. Som jämförelse beräknas detektionsgränserna för TSS-hämtningar

från atmosfäriskt korrigerad Himawari-8, som i Dorji och Fearns [17], representeras som en

vertikal streckad linje vid 0.15 mg L-1.

Fjärrsensorer 2022, 14, 3503

14 av 23

Figur 11. Hämtning av RMSE-fel (i mg-L-1) för spektralt plana (vänster panel) och spektralt beroende (höger panel) fotonbrusnivåer. Radiativ överföring (RT) TSS och tillhörande RMSE-värden presenteras i logaritmisk skala. Den vertikala streckade linjen vid 0.15 m- g L-1 är detektionsgränsen anpassad från Dorji och Fearns [17], 2018. Den vertikala streckade linjen vid 0.25 m- -g L-1 är detektionsgränsen för föreliggande metod.
En visuell inspektion av bullernivåer avslöjade kraftig granulering och horisontella ränder iogttitnnruhbraeraHstnbhneTsiierumdeSvlcCSaaactAtostwoiiGroaooaaGnsnfrl-tiTsaSw-(-h8lSeTaoaSaTSswSrS(SIesmNSSeeaIGdNvaspgeGra(iroenT)nendcSdlatruySnat> Sdei~r(nAdouF1GwicomgmeGpsu-da,egtrsaFnei-knLki1goie-an2ucn1g)ger,)geba.parne1raIetno2rgwwt)uaiaeacantd-eeutrdeenddlarciis1T-rtllill5oS(oyu1SpPaethats

–

–

Figur 12. Placering av transekter (magenta pilar) extraherade för TSSSING(a) och TSSAGG(b). Observera

kumulativ molnmaskering i TSSAGG.Himawari-8-observationer som togs den 9 september 2017 mellan n

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

–

Transekten sampledde mellan 19S och 20Sin the Coral Sea (Figur 13a) presenteras

TSSSING- och TSSAGG-värdena ligger oftast under metodens detektionsgränser (0.25 mg L–1), vilket kan visa upphovsfel över 100 %. TSSSING presenterade toppar eller olika order av magnitudvärden som inträffade successivt på en pixelskala (eller inom 1 km). Som

som ett resultat observerades skillnader på upp till 0.3 mg L-1 mellan angränsande pixlar,

som indikeras av skickade mjukare

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

Fjärrsensorer 2022, 14, 3503

15 av 23

—

–

–

–

mellan TSSSING och T-SSAGG i transekterna tagna i kustnära GBR (Figur 13b), särskilt för TSS -> 1 mg L-1. Men med ökande avstånd från kusten sjönk TSS under 1 mg L-1 och skillnaderna mellan TSSSING och TSSAGG ökade. Även om de flesta TSSSING-pixlar i figur 13b låg över detektionsgränserna (0.25 mg L-1), uppvisade de dålig rumslig koherens i övergångsområdet från kust till hav (151.4 till 152-,0E). Eftersom TSSSING och TSSAGG ger jämförbara resultat för TSS > ~1 mg L-1, kan båda vara lämpliga för övervakning av kustnära GBR. TSSAGG presenterar dock övergripande bättre rumslig koherens och kan föredras framför TSSSING, beroende på användningsområde.

Figur 13. Transekter av Himawari–8–härledd TSS (mg L–1) tagna i Korallhavet (a) och inom
kustnära GBR-vatten (b) från TSSSING (blå prickar) och TSSAGG (röda prickar). Dataluckan representerar pixlar maskerade för moln, land, solglimt eller ANN-flaggor, där så är lämpligt. Den annoterade TSS (med svarta pilar) indikerar pixel-top-ixel-värden och den gröna horisontella linjen markerar detektionsgränsen för
metoden.

4. Diskussion
Synoptisk övervakning av vattenkvaliteten i det omfattande och optiskt komplexa GBR är en prioritet, vilket innebär en utmaning för miljöchefer och forskare [2,83]-. Även om fjärranalys av havsfärger har stränga radiometriska och spektrala krav, erbjuder Himawari–8 ett aldrig tidigare skådat antal observationer för avancerad vattenkvalitetsövervakning av GBR. Detta dokument presenterar den första avancerade fjärranalysalgoritmen som är lokalt avstämd och validerad för synoptisk övervakning av vattenkvalitet på dygnsskala i GBR.

4.1. Algoritmutveckling och validering

De kopplade strålningssimuleringarna i oceanatmosfären gav en stor och

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

robusthet för att input uppfyller minimum

rnaodisioemweatsriecsrpeeqcuiairlelymaednvtsanotfaogceeoaunsccoolnosuirdseerninsgo-rHs iamnadweanrvii-r8odnomeesnntoatl

buller, särskilt från atmosfären, kan till stor del påverka hämtningarna. Dessa resultat

Fjärrsensorer 2022, 14, 3503

16 av 23
uppmuntrade ytterligare tillämpning av Himawari-8-observationer för validering mot in situ vattenkvalitetsdata i GBR.
De hämtade Himawari-8 TSS-matchup-felen jämfördes väl med uppdragsmålen som definierats för andra havsfärgsensorer, såsom Sentinel-3 i fall 2-vatten [85], särskilt för TSS över 0.1 mg L-1. Prestandan för den nuvarande algoritmen jämför väl med de som använder atmosfäriskt korrigerade Himawari-8-observationer [17,24], vilket indikerar lämpligheten av att härleda kustnära TSS med modellbaserade enstegsinversioner. Explicita atmosfäriska korrigeringsprocedurer kan förbättra hämtningarna för det lägre TSS-intervallet (<~1 mg L-1), som troligen påverkas av den dominerande atmosfäriska strålningsstrålningen och den låga radiometriska prestandan hos Himawari-8.
Prestandaförbättringar skulle kräva en större och mer omfattande databas med biooptiska mätningar på plats som täcker relevanta rumsliga och tidsmässiga variationsskalor. Dessutom måste rigorösa mätprotokoll följas för att minska osäkerheter förknippade med parametrisering och validering av algoritmer i kustvatten. Till exempel, triplicate samples rekommenderas för bestämning av TSS med den gravimetriska metoden. Dessutom, validering samples bör tas i optiskt homogena vatten [86], vilket är särskilt svårt i mycket dynamiska kustmiljöer. Ändå har in situ-mätningar gjorts tillgängliga av flera forskningsbyråer med olika vetenskapliga prioriteringar som använder sig av distinktaampling och analysmetoder. Dessutom togs inte hänsyn till fysiska och miljömässiga processer, såsom bottenreflektans, fluorescens, dubbelriktad reflektans, polarisering och skadliga algblomningar, men de kan också bidra till matchuphämtningsfelen.
4.2. Himawari-8 Total Suspended Solids för Stora Barriärrevet
Himawari-8 tillät nästan realtidsövervakning av en episodisk översvämningshändelse i GBR, vilket avslöjade en TSS-ökning i storleksordning inom en dag. Denna händelse observerades under en våt säsong där Burdekin släppte ut mellan 0.5 och 1.5 miljoner ML/dag under 10 dagar i följd (Burdekin River vid Clare station [87]). TSS-fluktuationer från Burdekins översvämningsplym låg långt över riktvärde för vattenkvaliteten på 2 mg L-1 för öppna kustvatten och mellanliggande vatten, samt 0.7 mg L-1 för havsvatten i GBR [82]. Flodplymen sträckte sig 50 km in i de yttre reven, och dess dygnsutveckling följdes steg-för-steg med 10 min Himawari-8-härledd TSS. Därför gav Himawari-8 ett aldrig tidigare skådat antal observationer för en komplett kvalitativ och kvantitativ övervakning av översvämningshändelser i GBR. De maskerade pixlarna i översvämningsvatten indikerar värden över 100 mg L-1, vilket innebär att simuleringsintervallet bör utökas för värden över denna gräns för hämtning under översvämningar i GBR.
TSS-egenskaperna i den södra revmatrisen är sannolikt ett resultat av kortlivade sub-mesoscale resuspensionsvirvlar (1 km diameter), ofta kallade tidvattenstrålar. I södra GBR inducerar stora tidvattenområden (10 m) starka strömmar [5], vilket driver vatten genom smala och relativt grunda kanaler [10]. Denna komplexa hydrodynamik främjar återsuspension och injektion av TSS från hyllbrytningen in i revmatrisen, och TSS-koncentrationer i dessa regioner är sannolikt oberoende av terrestra källor [88,89]. Tidvattenstrålarna har associerats med lokaliserad uppströmning och näringsutbyte mellan Korallhavet och GBR-lagunen [90], vilket är en viktig mekanism för transport och blandning av sediment, näringsämnen och växtplanktonproduktion [91]. Emellertid beskrivs platsen och förekomsten av tidvattenstrålar knappt på grund av bristen på lämpliga observationer av rumslig och tidsmässig upplösning [92,93]. Himawari-94 tillät identifiering och spårning av sådana funktioner inom GBR, med den nödvändiga tidsmässiga upplösningen för att lösa kortlivade kustprocesser.
4.3. Begränsningar
Himawari-8 ger sämre SNR jämfört med tidigare och för närvarande använda havsfärgsensorer [80], och dess känslighet är långt under minimikraven för havsfärgapplikationer, särskilt över öppet hav [9,97]. Himawari-

Fjärrsensorer 2022, 14, 3503

17 av 23
8:s måttliga radiometriska upplösning på 11 bitar kommer sannolikt inte att mättas över ljusa mål, såsom moln [80] och över extremt grumliga kustvatten (TSS ~100 mg L-1), samtidigt som den ger tillräckligt med känslighet för att ge en rimlig nivå av diskretisering över klart vatten (>0.25 mg L-1). Brusnivåer beräknade från aggregerade observationer var generellt lägre än de från enstaka observationer i alla band, vilket bekräftar lämpligheten att försämra den tidsmässiga upplösningen för att förbättra bildkvaliteten [7,16]. Trots att dagliga SNR-fluktuationer till stor del moduleras av solhöjdsvinklar, innebär det spektrala beroendet att en betydande källa till ingående brus (3 % i det röda och NIR-bandet) i öppet hav kan komma från atmosfären [5]. Icke desto mindre är detektionsgränsen för föreliggande metod (80 mg L-0.25) jämförbar med de som använder explicit atmosfärisk korrigering till inversion av meteorologiska data [1].
Detektionsgränsen på 0.25 mg L-1 är nära detektionsgränsen för in situ TSS uppmätt med den gravimetriska metoden på ~0.4 mg L-1, för AIMS och CSIRO. Relativa osäkerheter för den gravimetriska metoden är förknippade med mätprotokollet som används av olika laboratorier, vilket inkluderar skillnader i filtertyper, operatörsbias, saltsköljning, etc. [99,100 101,102]. Till exempel påverkar saltkristaller fångade i glasfiberfilter till stor del TSS-mätningar och salt bör avlägsnas genom att skölja filtreringsapparaten [30]. Ändå har fel så stora som 1% erhållits med användning av olika saltsköljningstekniker, vilket hindrar den exakta bestämningen av TSS lägre än 101 mg [8]. Därför är detektionsgränserna och relativa osäkerheter för in situ-mätningar och Himawari-8-härledda TSS jämförbara för den aktuella studien. Detta resultat tyder på att Himawari-0.25 erbjuder en möjlighet att noggrant övervaka dygnsvariationer av vattenkvalitet i kustnära GBR, för TSS mellan 100 och 1 mg L-XNUMX.
Himawari-8-härledda TSS-produkter presenterade en systematisk horisontell striping, med storlek som i allmänhet motsvarar individuella horisontella skanningar (500 km), som tidigare identifierats av Murakami [22]. Randningen var resultatet av skillnader i detektor-till-detektor-kalibreringslutningar från soldiffusorobservationer av de synliga banden [103,104]. Även om kalibreringskoefficienterna tillämpades för observationerna efter juli 2017, fanns de horisontella randmönstren fortfarande i offshore-vatten och med TSS < 1 mg L-1. Dessutom observerades allvarlig granulering i TSS-produkter härledda var 10:e minut, potentiellt associerad med den låga radiometriska prestandan hos Himawari-8-sensorn över vattenmål [17,22]. Det visuella bruset reducerades dock till stor del genom tidsmässig aggregering av flera individuella observationer till hourly-härledda TSS-produkter [16]. Lyckligtvis var granulerat buller försumbart i kustnära och måttligt grumliga vatten (TSS > 1 mg L-1), antingen från 10 min eller från hourly TSS företagsprofil. Detta resultat kan vara associerat med den ökade tillbakaspridningen av suspenderade partiklar, vilket ökar den vattenavgivande strålningen och överväldigar fotonbruset [105]. Följaktligen är det mer sannolikt att Himawari-8-härledd TSS återvinns exakt över måttligt grumliga kustvatten än över det öppna havet, vilket bekräftar analysen av detektionsgränser.
Pixel-till-pixel-variationer i öppna havsområden (TSS < 0.25 mg L-1) var sannolikt relaterade till de granulerade mönstren som observerades med visuell inspektion, på grund av den låga känsligheten hos Himawari-8-sensorn vid 10 minuters upplösning. Det radiometriska bruset för TSS under 0.25 mg L-1 reducerades till stor del i aggregerad TSS, vilket bekräftar analyserna av känslighet och visuell inspektion. Omvänt observerades förbättrad rumslig koherens i den kustnära GBR-transekten för TSS > 1 mg L-1. Som ett resultat kan Himawari-8 10 min-härledd TSS användas med lika mycket självförtroende som TSS härledd från hourly aggregerade observationer i kustområden. Att erhålla TSS var 10:e minut i kustnära GBR förbättrar diskrimineringen av snabbt föränderliga vattenkvalitetsfluktuationer inom en timme. Emellertid kräver denna temporala frekvens nära realtid stora bearbetnings- och lagringsmöjligheter som kan vara omöjliga för hela GBR. Tillverkar hourly TSS förbättrar annars inte bara bearbetningshastigheter och lagringsmöjligheter utan hjälper också till att eliminera extremvärden och öka noggrannheten hos TSS-produkter.

Fjärrsensorer 2022, 14, 3503

18 av 23
5. Slutsatser och framtidsperspektiv
In situ-övervakning och LEO-satellitdata har gett mycket av vår kunskap om översvämningsplymer som kommer in i GBR [4,106]. Emellertid hindrade sällsynta och spatialt knapphändiga observationer den fulla förståelsen av plymutveckling och evolution över korta tidsskalor. Denna studie visade på lämpligheten av Himawari-108 för tillförlitlig TSS-hämtning i kustnära GBR och för kartläggning, spårning och övervakning av översvämningsplymer. För första gången kvantifierades kustnära TSS-egenskaper tillförlitligt för hela GBR, med hastigheter som endast är möjliga med biogeokemiska och hydrodynamiska modeller [8]. Himawari-109 TSS-produkter ger fram förmågan att karakterisera och lösa periodiska och kortlivade fenomen med oöverträffade rumsliga upplösningar. Dessa produkter kommer att vara användbara för forskare, modellerare och intressenter som bedömer effekterna av vattenkvalitet i GBR-ekosystem som för närvarande endast använder LEO orbit oceanfärgprodukter [8]. Dygnsförändringar och orsaker till fluktuationer i vattenkvaliteten bör undersökas ytterligare i GBR med hjälp av Himawari-109 TSS-produkter och data om kustprocesser som tidvatten, vindar och sötvattenutsläpp. Dessutom kan algoritmen som presenteras i den här studien användas direkt till den identiska Himawari-8 AHI-sensorn, som är planerad att efterträda Himawari-9 år 8. Nästa generations Himawari-uppdrag (Himawari-2029) är i planeringsfasen och ytterligare kanaler i det synliga området, såväl som förbättrad upplösning, känslighet och spatial är en möjlighet. Dessa egenskaper skulle i hög grad främja kapaciteten hos havsfärgalgoritmer för geostationära sensorer, vilket möjliggör mer exakta hämtningar i kustvatten på dygnsskala. På samma sätt observerar Advanced Meteorological Imager (AMI) ombord på GEOKOMPSAT-10A, såväl som GOCI-II (GEOKOMPSAT-2B), för närvarande Australien och Östasien, och en liknande maskininlärningsalgoritm kan utvecklas för att utnyttja dessa stora och rikliga datamängder i nästan realtid. I detta sammanhang ger den här studien en avancerad algoritm och en möjlighet till potentiella tillämpningar som kan utvecklas när havsfärgsensorer ombord på geostationära plattformar blir verklighet för Australien.
Tilläggsmaterial: Följande är tillgängligt online på https://www.mdpi.com/article/ 10.3390/rs14143503/s1, Figur S1: Dygnsvariabilitet av totalt svävande fasta ämnen över Burdekinflodens mynning i februari 2019 från 10 min Himawari-8 variabilitet över Suspendi-observationer av Suspendi-2: Totalt observationer från Himawari-2016 över Suspenderade ämnen. södra Stora Barriärrevet nära Heralds Reef i november 10 från 8 min Himawari-XNUMX observationer.
Författarbidrag: Conceptualization, LP-V. och TS; metodik, LP-V. och TS; mjukvara, LP-V., TS och YQ; validering, LP-V.; formell analys, LP-V.; datakurering, LP-V., TS och YQ; skrivande – originalutkast, LP-V.; skrivande-review och redigering, TS, MJD, SS och YQ; övervakning, TS, MJD och SS; finansieringsförvärv, LP-V. Alla författare har läst och samtyckt till den publicerade versionen av manuskriptet.
Finansiering: Denna forskning finansierades av National Council for Scientific and Technological Development (CNPq) Foundation av den brasilianska federala regeringen genom programmet Sciences without Borders, anslagsnummer 206339/2014-3.
Datatillgänglighet: De data som presenteras i denna studie är tillgängliga på begäran från motsvarande författare.
Erkännanden: Vi tackar Juergen Fischer och Michael Schaale (Institutet för rymdvetenskap, Institutionen för geovetenskaper, Freie Universität Berlin) för att de har tillhandahållit tillgång till MOMO:s strålningsöverföringskod och för det inversa modelleringsverktyget. Britta Schaffelke, Michele Skuza och Renee Gruber (AIMS) är erkända för att ha tillhandahållit värdefull in situ-data som samlats in som en del av Marine Monitoring Program for Inshore Water Quality, ett samarbete mellan Great Barrier Reef Marine Park Authority, Australian Institute of Marine Science, James Cook University och Cape York Water Monitoring Partnership. Japan Meteorological Agency är erkänd för driften av Himawari-8 och datadistribution genom Australian Bureau of Meteorology. Australian Bureau of Meteorology är erkänd för att tillhandahålla tidvattenförutsägelsedata. In situ-data hämtades från Australiens Integrated Marine Observing System (IMOS) – IMOS är aktiverat av National Collaborative Research Infrastructure Strategy (NCRIS). NCRIS (IMOS) och CSIRO

Fjärrsensorer 2022, 14, 3503

19 av 23

är erkända för att finansiera Lucinda Jetty Coastal Observatory. Denna forskning genomfördes med hjälp av resurser från National Computational Infrastructure (NCI Australia), en NCRIS-aktiverad funktion som stöds av den australiensiska regeringen.
Intressekonflikter: Författarna förklarar ingen intressekonflikt.
Referenser
1. Schroeder, T.; Devlin, MJ; Brando, VE; Dekker, AG; Brodie, JE; Clementson, LA; McKinna, L. Variabilitet mellan år av sötvattensplymens utbredning under våtsäsongen in i lagunen vid Stora barriärrevet baserat på observationer av satellitkusthavsfärger. Mar. Pollut. Bull. 2012, 65, 210. [CrossRef] 223. Devlin, M.; Petus, C.; da Silva, ET; Tracey, D.; Wolff, N.; Waterhouse, J.; Brodie, J. Vattenkvalitet och flodplymövervakning i Stora barriärrevet: An Overview av metoder baserade på satellitdata från havets färg. Remote Sens. 2015, 7, 12909. [CrossRef] 12941. Blondeau-Patissier, D.; Brando, VE; Lønborg, C.; Leahy, SM; Dekker, AG Phenology of Trichodesmium spp. blommar i lagunen Great Barrier Reef, Australien, från ESA-MERIS 3-åriga uppdrag. PLoS ONE 10, 2018, e13. [CrossRef] [PubMed] 0208010. Petus, C.; Waterhouse, J.; Lewis, S.; Vacher, M.; Tracey, D.; Devlin, M. En flod av information: Användning av Sentinel-4 vattenfärgsprodukter för att säkerställa kontinuitet i övervakningen av vattenkvalitetstrender i Great Barrier Reef (Australien). J. Environ. Manag. 3, 2019, 248. [CrossRef] 109255. Brodie, J.; Schroeder, T.; Rohde, K.; Trogen, J.; Mästare, B.; Dekker, A.; Brando, V.; Maughan, M. Spridning av suspenderade sediment och näringsämnen i Great Barrier Reef-lagunen under flodutsläpp: Slutsatser från satellitfjärranalys och samtidiga översvämningsplymeramplånga. Mar Freshw. Res. 2010, 61, 651. [CrossRef] 664. Sirjacobs, D.; Alvera-Azcárate, A.; Barth, A.; Lacroix, G.; Park, Y.; Nechad, B.; Ruddick, K.; Beckers, J.-M. Molnfyllning av havsfärg och havsytans temperatur fjärranalysprodukter över södra Nordsjön med Data Interpolating Empirical Orthogonal Functions-metoden. J. Sea Res. 6, 2011, 65. [CrossRef] 114. Ruddick, K.; Neukermans, G.; Vanhellemont, Q.; Jolivet, D. Utmaningar och möjligheter för geostationär havsfärg fjärranalys av regionala hav: A review av de senaste resultaten. Remote Sens. Environ. 2014, 146, 63. [CrossRef] 76. Ruddick, K.; Vanhellemont, Q.; Yan, J.; Neukermans, G.; Wei, G.; Shang, S. Variabilitet av suspenderade partiklar i Bohaihavet från den geostationära Ocean Color Imager (GOCI). Hav. Sci. J. 8, 2012, 47. [CrossRef] 331. IOCCG. Havsfärgobservationer från en geostationär bana; Rapporter från International Ocean-Colour Coordinating Group (IOCCG) Rapport nummer 345; Antoine, D., Ed.; IOCCG: Dartmouth, NS, Kanada, 9. Tillgänglig online: http://ioccg.org/wpcontent/uploads/2015/10/ioccg-report-12.pdf (åtkom 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. Marine Monitoring Program: Årsrapport för Inshore Water Quality Monitoring 2018; Rapport för Great Barrier Reef Marine Park Authority 2019; Great Barrier Reef Marine Park Authority: Townsville, Australien, 2208. Tillgänglig online: https://elibrary.gbrmpa.gov.au/jspui/handle/4096/2020 (tillgänglig 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. Sammanfattning av vetenskaplig konsensusförklaring: Markanvändningspåverkan på Great Barrier Reefs vattenkvalitet och ekosystemtillstånd; State of Queensland: Townsville, Australien, 2017. Tillgänglig online: https://www.reefplan.qld.gov.au/science-and-research/thescientific-consensus-statement (tillgänglig den 25 november 2017).
12. Feng, J.; Chen, H.; Zhang, H.; Li, Z.; Yu, Y.; Zhang, Y.; Bilal, M.; Qiu, Z. Turbiditetsuppskattning från GOCI-satellitdata i grumliga flodmynningar av Kinas kust. Remote Sens. 2020, 12, 3770. [CrossRef] 13. Lou, X.; Hu, C. Dagliga förändringar av en skadlig algblomning i Östkinesiska havet: Observationer från GOCI. Remote Sens. Environ. 2014, 140, 562. [CrossRef] 572. Groom, S.; Sathyendranath, S.; Ban, Y.; Bernard, S.; Brewin, R.; Brotas, V.; Brockmann, C.; Chauhan, P.; Choi, J.-K.; Chuprin, A.; et al. Satellithavsfärg: Nuvarande status och framtidsperspektiv. Främre. Mar. Sci. 14, 2019, 6. [CrossRef] 485. Park, J.-E.; Park, K.-A.; Kang, C.-K.; Park, Y.-J. Kortsiktigt svar av klorofyll-a-koncentration på förändring i vindfältet på havsytan över Mesoscale Eddy. Estuaries Coasts 15, 2019, 43. [CrossRef] 646. Lavigne, H.; Ruddick, K. Den potentiella användningen av geostationär MTG/FCI för att hämta klorofyll-a-koncentration vid hög tidsupplösning för de öppna haven. Int. J. Remote Sens. 660, 16, 2018. [CrossRef] 39. Dorji, P.; Fearns, P. Atmosfärisk korrigering av geostationära Himawari-2399-satellitdata för kartläggning av totalt suspenderat sediment: En fallstudie i kustvattnen i västra Australien. ISPRS J. Photogramm. Remote Sens. 2420, 17, 8. [CrossRef] 2018. Miller, SD; Schmit, TL; Seaman, CJ; Lindsey, DT; Gunshor, MM; Kohrs, RA; Sumida, Y.; Hillger, D. A Sight for Sore Eyes: The Return of True Color to geostationary satellites. Bull. Am. Meteorol. Soc. 144, 81, 93. [CrossRef] 18. Doxaran, D.; Lamquin, N.; Park, Y.-J.; Mazeran, C.; Ryu, J.-H.; Wang, M.; Poteau, A. Hämtning av havsvattenreflektansen för övervakning av suspenderade ämnen i Östkinesiska havet med hjälp av MODIS, MERIS och GOCI satellitdata. Remote Sens. Environ. 2016, 97, 1803. [CrossRef] 1816. Doxaran, D.; Cherukuru, RCN; Lavendel, SJ Användning av reflektansbandsförhållanden för att uppskatta koncentrationer av suspenderat och löst material i flodmynningsvatten. Int. J. Remote Sens. 19, 2014, 146. [CrossRef]

Fjärrsensorer 2022, 14, 3503

20 av 23

21. Kwiatkowska, EJ; Ruddick, K.; Ramon, D.; Vanhellemont, Q.; Brockmann, C.; Lebreton, C.; Bonekamp, HG Ocean färgprodukter från geostationära plattformar, möjligheter med Meteosat andra och tredje generationen. Hav. Sci. Diskutera. 2015, 12, 3143. [CrossRef] 3167. Murakami, H. Havsfärguppskattning av Himawari-22/AHI. I Proceedings of the Remote Sensing of the Oceans and Inland Waters: Techniques, Applications, and Challenges, New Delhi, Indien, 8 maj 7. [CrossRef] 2016. Chen, X.; Shang, S.; Lee, Z.; Qi, L.; Yan, J.; Li, Y. Högfrekvent observation av flytande alger från AHI på Himawari-23. Remote Sens. Environ. 8, 2019, 227. [CrossRef] 151. Hafeez, S.; Wong, MS; Abbas, S.; Jiang, G. Bedömning av potentialen hos geostationär Himawari-161 för kartläggning av ytans totala svävande fasta ämnen och dess dygnsförändringar. Remote Sens. 24, 8, 2021. [CrossRef] 13. Japan Meteorological Agency. Händelselogg: Himawari-336 prestandatestresultat; Meteorological Satellite Center: Kiyose, Japan, 25. Tillgänglig online: https://www.data.jma.go.jp/mscweb/en/himawari89/space_segment/fig/AHI8_performance_test_en.pdf (åtkom den 20 september 2021).
26. IOCCG. Fjärravkänning av havsfärg i kustnära och andra optiskt komplexa vatten; Rapporter från International Ocean-Colour Coordinating Group (IOCCG) Rapport nummer 3; Sathyendrath, S., Ed.; IOCCG: Dartmouth, NS, Kanada, 2000. Tillgänglig online: http://ioccg.org/wp-content/uploads/2015/10/ioccg-report-03.pdf (åtkom den 20 september 2015).
27. Schroeder, T.; Schaale, M.; Lovell, J.; Blondeau-Patissier, D. En ensemble neurala nätverk atmosfärisk korrigering för Sentinel-3 OLCI över kustvatten som ger inneboende modellosäkerhetsuppskattning och sensorbrusutbredning. 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: En maskininlärningsbaserad dataanalysplattform för satellithavsfärgsensorer. Remote Sens. Environ. 2021, 253, 112236. [CrossRef] 29. Brockmann, C.; Doerffer, R.; Peters, M.; Stelzer, K.; Embacher, S.; Ruescas, A. Evolution av C2RCC neurala nätverk för Sentinel 2 och 3 för hämtning av havsfärgprodukter i normala och extrema optiskt komplexa vatten. I Proceedings of the European Space Agency, Prag, Tjeckien, 9 maj 13.
30. Schroeder, T.; Fischer, J.; Schaale, M.; Fell, F. Artificiell-neural-nätverksbaserad atmosfärisk korrigeringsalgoritm: Tillämpning på MERIS-data. I Proceedings of the SPIE 4892, Ocean Remote Sensing and Applications, Hangzhou, Kina, 8 maj 2003; s. 124. [CrossRef] 132. Jamet, C.; Thira, S.; Moulin, C.; Crepon, M. Användning av en neurovariationell inversion för att hämta oceaniska och atmosfäriska beståndsdelar från havsfärgbilder: en genomförbarhetsstudie. J. Atmos. Hav. Technol. 31, 2005, 22. [CrossRef] 460. Brajard, J.; Jamet, C.; Moulin, C.; Thiria, S. Användning av en neuro-variationell inversion för att hämta oceaniska och atmosfäriska beståndsdelar från satellithavsfärgsensor: Tillämpning på absorberande aerosoler. Neuralt nät. Av. J. Int. Neuralt nät. Soc. 475, 32, 2006. [CrossRef] 19. Doerffer, R. Algorithm Theoretical Basis Document (ATBD) MERIS Regional Coastal and Lake Fall 178 Water Project Atmospheric Correction ATBD; Vatten version 185; GKSS Research Center: Geesthacht, Tyskland, 33; s. 2.
34. Pahlevan, N.; Smith, B.; Schales, J.; Binding, C.; Cao, Z.; Ma, R.; Alikas, K.; Kangro, K.; Gurlin, D.; Hà, N.; et al. Sömlösa hämtningar av klorofyll-a från Sentinel-2 (MSI) och Sentinel-3 (OLCI) i inlands- och kustvatten: En maskininlärningsmetod. Remote Sens. Environ. 2020, 240, 111604. [CrossRef] 35. Gross, L.; Thiria, S.; Frouin, R.; Mitchell, BG Artificiella neurala nätverk för modellering av överföringsfunktionen mellan marin reflektans och växtplanktonpigmentkoncentration. J. Geophys. Res. Hav. 2000, 105, 3483. [CrossRef] 3495. Schroeder, T.; Behnert, I.; Schaale, M.; Fischer, J.; Doerffer, R. Atmosfärisk korrigeringsalgoritm för MERIS ovanför fall-36 vatten. Int. J. Remote Sens. 2, 2007, 28. ​​[CrossRef] 1469. Schroeder, T.; Schaale, M.; Fischer, J. Hämtning av atmosfäriska och oceaniska egenskaper från MERIS-mätningar: En ny Case-1486-vattenprocessor för BEAM. Int. J. Remote Sens. 37, 2, 2007. [CrossRef] 28. Schroeder, T. Fernerkundung von Wasserinhaltsstoffen i Küstengewässern mit MERIS unter Anwendung expliziter und impliziter Atmosphärenkorrekturververfahren with MERIS Atmosfäriska korrigeringsalgoritmer). Ph.D. Thesis, Freie Universität, Berlin, tyska, 5627. [CrossRef] 5632. Patricio-Valerio, L. Exploring Himawari-38 Observations for the Advanced Coastal Monitoring of the Great Barrier Reef. Ph.D. Thesis, James Cook University, Townsville, Australien, 2005. [CrossRef] 39. Fell, F.; Fischer, J. Numerisk simulering av ljusfältet i atmosfär-ocean-systemet med hjälp av matris-operatormetoden. J. Quant. Spectrosc. Radiat. Transf. 8, 2021, 40. [CrossRef] 2001. Fischer, J.; Grassl, H. Strålningsöverföring i ett atmosfäriskt havssystem: En azimutberoende matrisoperatörsmetod. Appl. Välja. 69, 351, 388. [CrossRef] 41. Santer, R.; Zagolski, F.; Dilligeard, E. Radiative Transfer Code Comparison for MERIS Vicarious Calibration. I Proceedings of the ENVISAT Validation Workshop, ESRIN, Frascati, Italien, 1984 december 23.
43. Kommittén för utvidgning av standardatmosfären. US Standard Atmosphere; 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 – Ett federerat instrumentnätverk och dataarkiv för aerosolkarakterisering. Remote Sens. Environ. 1998, 66, 1. [CrossRef] 16. AERONET. Aerosol Robotic Network. Tillgängligt online: https://aeronet.gsfc.nasa.gov/cgi-bin/data_display_aod_v45?site= Lucinda&nachal=3&level=2&place_code=3 (tillgänglig den 10 oktober 3).

Fjärrsensorer 2022, 14, 3503

21 av 23

46. ​​Ångström, A. Parametrarna för atmosfärisk grumlighet. 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. HITRANs molekylära spektroskopiska databas: Upplaga av 2000 inklusive uppdateringar till 2001. J. Quant. Spectrosc. Radiat. Transf. 2003, 82, 5. [CrossRef] 44. Bennartz, R.; Fischer, J. En modifierad k-fördelningsmetod som tillämpas på smalbandiga uppskattningar av vattenånga och syreabsorption i det nära infraröda området. J. Quant. Spectrosc. Radiat. Transf. 48, 2000, 66. [CrossRef] 539. Zhang, T.; Fell, F.; Liu, ZS; Preusker, R.; Fischer, J.; He, MX Utvärderar prestandan av artificiella neurala nätverkstekniker för pigmenthämtning från havsfärg i fall I-vatten. J. Geophys. Res. Hav. 553, 49, 2003. [CrossRef] 108. Pope, RM; Fry, ES Absorptionsspektrum (3286 nm) av rent vatten. II. Integrering av kavitetsmätningar. Appl. Välja. 50, 380, 700. [CrossRef] 1997. Hale, GM; Querry, MR Optiska konstanter för vatten i 36 nm till 8710 µm våglängdsregionen. Appl. Välja. 8723, 51, 200. [CrossRef] 200. Bricaud, A.; Morel, A.; Babin, M.; Allali, K.; Claustre, H. Variationer av ljusabsorption av suspenderade partiklar med klorofyllkoncentration i oceaniska (fall 1973) vatten: Analys och implikationer för biooptiska modeller. J. Geophys. Res. Hav. 12, 555, 563. [CrossRef] 52. Babin, M.; Stramski, D.; Ferrari, GM; Claustre, H.; Bricaud, A.; Obolensky, G.; Hoepffner, N. Variationer i ljusabsorptionskoefficienterna för växtplankton, icke-algpartiklar och löst organiskt material i kustvatten runt om i Europa. J. Geophys. Res. Hav. 1, 1998, 103. [CrossRef] 31033. Morel, A. Optiska egenskaper hos rent vatten och rent havsvatten. I optiska aspekter av oceanografi; Nielsen, JS, Ed.; Academic Press: Cambridge, MA, USA, 31044; s. 53. 2003. Babin, M.; Morel, A.; Fournier-Sicre, V.; Fell, F.; Stramski, D. Ljusspridningsegenskaper hos marina partiklar i kustnära och öppna havsvatten som relaterade till partikelmassakoncentrationen. Limnol. Oceanogr. 108, 3211, 54. [CrossRef] 1974. Zhang, T.; Fell, F.; Fischer, J. Modellering av backspridningsförhållandet för marina partiklar i fall-1-vatten. 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 Begränsningar av olinjär PCA utförd med generiska neurala nätverk. IEEE Trans. Neuralt nät. 859, 56, 2. [CrossRef] [PubMed] 18. Liu, DC; Nocedal, J. Om BFGS-metoden med begränsat minne för storskalig optimering. Matematik. Programmera. 22, 2002, 57. [CrossRef] 1969. Japan Meteorological Agency. Händelselogg: Uppdatering av kalibreringsinformation som används för att korrigera Himawari-58 AHI-känslighetstrend; Meteorological Satellite Center: Kiyose, Japan, 1998. Tillgänglig online: https://www.data.jma.go.jp/mscweb/en/oper/eventlog/ Update_of_Calibration_Information_2019.pdf (tillgänglig den 20 september 2021). 61. Kurucz, R. Solspektrumet: Atlaser och linjeidentifieringar. I Proceedings of the Laboratory and Astronomical High Resolution Spectra, Bryssel, Belgien, 29 augusti2 september 1995; sid. 17. 62. Meteorologiskt satellitcentrum. GSICS Himawari-8 Visible and Near-Infrared Vicarious Calibration Guide. Tillgänglig online: https://www.data.jma.go.jp/mscweb/data/monitoring/gsics/vis/techinfo_visvical.html (tillgänglig den 10 maj 2022). 63. Japan Meteorological Agency. Händelselogg: Förbättring av Himawari-8 observationsdatakvalitet; Händelselogg Meteorological Satellite Center: Kiyose, Japan, 2017. Tillgänglig online: https://www.data.jma.go.jp/mscweb/en/oper/eventlog/Improvement_of_ Himawari-8_data_quality.pdf (åtkom den 20 september 2021). 64. Qin, Y.; Steven, ADL; Schroeder, T.; McVicar, TR; Huang, J.; Cope, M.; Zhou, S. Molntäcke i Australien: Utveckling och validering av en molnmaskerings-, klassificerings- och optisk djuphämtningsalgoritm för den avancerade Himawari-bildkameran. Främre. Environ. Sci. 2019, 7, 20. [CrossRef] 65. Great Barrier Reef Marine Park Authority. Great Barrier Reef (GBR) Funktioner (revgränser, QLD-fastlandet, öar, Cays, klippor och torra rev) (GBRMPA) (Version 1.4) [Datauppsättning] 2164DB88-FD79-449E-920F-61C37ADE634B. 1998. Tillgänglig online: http://www.gbrmpa.gov.au/geoportal/catalog/search/resource/details.page?uuid=%7B41AB3629-B41B-4746-9B753822667E5AF3%7D (åtkom den 14 maj 2022). 66. Emecen, E.; Kara, G.; Erdogmus, F.; Gardashov, R. Bestämning av sollintsplatser på havsytan genom observation från geostationära satelliter. TAO Terr. Atmos. Hav. Sci. 2006, 17, 253. [CrossRef] 67. National Oceanic and Atmospheric Administration. Total ozonanalys med hjälp av SBUV/2 och TOVS (TOAST). Tillgänglig online: https://www.ospo.noaa.gov/Products/atmosphere/toast/index.html (tillgänglig 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. The NCEPNCAR 50-year reanalysis: Monthly betyder CD-ROM och 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 Reanalysis (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. NCEP/NCAR 1644-åriga omanalysprojekt. Bull. Am. Meteorol. Soc. 70, 40, 1996. [CrossRef] 77. National Oceanic and Atmospheric Administration. NCEP Reanalysis 437 Meteorologiska data. Tillgänglig online: https://psl.noaa. gov/data/gridded/data.ncep.reanalysis472.html (tillgänglig den 71 december 2).

Fjärrsensorer 2022, 14, 3503

22 av 23

72. Integrerat marint observationssystem. IMOS Ocean Color Bio Optical Database of Australian Waters (SRS-OC-BODBAW). 2011. Tillgänglig online: https://researchdata.edu.au/imos-srs-ocean-australian-waters (tillgänglig den 20 februari 2017).
73. Great Barrier Reef Marine Park Authority. Marin övervakningsprogram Kvalitetssäkring och kvalitetskontroll Manual 2017; Great Barrier Reef Marine Park Authority: Townsville, Australien, 2018. Tillgänglig online: http://elibrary.gbrmpa.gov.au/jspui/ handle/2019/11017 (tillgänglig den 3487 maj 15).
74. Soja-Woz´niak, M.; Baird, M.; Schroeder, T.; Qin, Y.; Clementson, L.; Baker, B.; Boadle, D.; Brando, V.; Steven, ADL Partikelåterspridningsförhållande som en indikator på förändrad partikelsammansättning i kustvatten: Observationer från Great Barrier Reef Waters. J. Geophys. Res. Hav. 2019, 124, 5485. [CrossRef] 5502. Bulgarelli, B.; Zibordi, G. Om detekterbarheten av närliggande effekter i havsfärgsfjärranalys av kustmiljöer på mitten av latituderna av SeaWiFS, MODIS-A, MERIS, OLCI, OLI och MSI. Remote Sens. Environ. 75, 2018, 209. [CrossRef] 423. Schroeder, T.; Lovell, J.; King, E.; Clementson, L.; Scott, R. IMOS Ocean Color Validation Report 438-76, Report to the Integrated Marine Observing System (IMOS); CSIRO Oceans and Atmosphere: Brisbane, Australien, 2017; sid. 18.
77. King, E.; Schroeder, T.; Brando, V.; Suber, K. Ett preoperativt system för satellitövervakning av marina vattenkvaliteten vid Stora barriärrevet. In Wealth from Oceans Flagship Report; CSIRO Wealth from Oceans Flagship: Hobart, Australien, 2014. [CrossRef] 78. Japan Meteorological Agency. Händelselogg: Kvalitetsförbättring av Himawari-8-observationsdata; Meteorological Satellite Center: Kiyose, Japan, 2016. Tillgänglig online: https://www.data.jma.go.jp/mscweb/en/oper/eventlog/20161117_Quality_ improvement_of_Himawari-8_observation_data.pdf (åtkom den 20 september 2021).
79. Japan Aerospace Exploration Agency. JAXA Himawari Monitor P-Tree System. Tillgänglig online: https://www.eorc.jaxa.jp/ ptree/index.html (tillgänglig den 14 maj 2022).
80. Hu, C.; Feng, L.; Lee, Z.; Davis, CO; Mannino, A.; McClain, CR; Franz, BA Dynamiskt omfång och känslighetskrav för satellithavsfärgsensorer: Lärande av det förflutna. Appl. Välja. 2012, 51, 6045. [CrossRef] 6062. Tang, W.; Llort, J.; Weis, J.; Perron, MMG; Basart, S.; Li, Z.; Sathyendranath, S.; Jackson, T.; Sanz Rodriguez, E.; Proemse, BC; et al. Utbredda växtplanktonblomningar utlöste av bränder i Australien 81. Nature 2019, 2020, 2021. [CrossRef] [PubMed] 597. Great Barrier Reef Marine Park Authority. Riktlinjer för vattenkvalitet för Great Barrier Reef Marine Park; 370; Great Barrier Reef Marine Park Authority: Townsville, Australien, 375. Tillgänglig online: https://elibrary.gbrmpa.gov.au/jspui/handle/82/ 1921682299 (tillgänglig den 2010 augusti 11017).
83. Brodie, J.; Grech, A.; Pressey, B.; Day, J.; Dale, A.; Morrison, T.; Wenger, A. The future of the Great Barrier Reef: Vattenkvaliteten är absolut nödvändig. I kuster och flodmynningar; Wolanski, E., Day, JW, Elliott, M., Ramachandran, R., Eds.; Elsevier: Amsterdam, Nederländerna, 2019; s. 477. [CrossRef] 499. Hieronymi, M.; Müller, D.; Doerffer, R. The OLCI Neural Network Swarm (ONNS): En bio-geo-optisk algoritm för öppet hav och kustvatten. Främre. Mar. Sci. 84, 2017, 4. [CrossRef] 140. Donlon, C. Sentinel-85 Mission Requirements Traceability Document (MRTD); Europeiska rymdorganisationen (ESA)–ESTEC: Noordwijk, Nederländerna, 3; sid. 2011. Tillgänglig online: https://sentinels.copernicus.eu/documents/234/247904/Sentinel-1848151-MissionRequirements-Traceability (tillgänglig den 3 oktober 11).
86. Doerffer, R. Protocols for the Validation of MERIS Water Products; ESA-publikation PO-TN-MEL-GS-0043 GKSS; Forschungszentrum: Geesthacht, Tyskland, 2002; s. 1.
87. Queensland regering. Vattenövervakningsinformationsportal (WMIP). Tillgänglig online: https://water-monitoring.information. qld.gov.au/ (åtkom den 30 mars 2021).
88. Wolanski, E.; Spagnol, S. Sticky Waters in the Great Barrier Reef. Estuar. Kust. Hylla Sci. 2000, 50, 27. [CrossRef] 32. Pickard, GL; Donguy, J.-R.; Hénin, C.; Rougerie, F.A. Review av den fysiska oceanografin av Stora barriärrevet och västra koraller
Hav; Australian Government Publishing Service: Canberra, Australien, 1977. 90. Feng, D.; Hodges, BR; Socolofsky, SA; Thyng, KM Tidal virvlar vid ett smalt kanalinlopp i operativa oljeutsläppsmodeller. Mar.
Förorena. Bull. 2019, 140, 374. [CrossRef] [PubMed] 387. De'ath, GA; Fabricius, KK Stora barriärrevets vattenkvalitet: distributioner, effekter på revets biota och triggervärden för
Skydd av ekosystemhälsa; Great Barrier Reef Marine Park Authority Commonwealth of Australia och Australian Institute of Marine Science: Townsville, Australien, 2008; sid. 104. 92. Thomson, RE; Wolanski, EJ Tidal period upwelling inom Raine ön ingången stora barriärrevet. J. Mar. Res. 1984, 42, 787. [CrossRef] 808. Wolanski, E.; Drew, E.; Abel, KM; O'Brien, J. Tidvattenstrålar, näringsuppväxt och deras inverkan på produktiviteten hos algen Halimeda i Ribbon Reef, Great Barrier Reef. Estuar. Kust. Hylla Sci. 93, 1988, 26. [CrossRef] 169. Marmorino, GO; Smith, GB; Miller, WD Turbulensegenskaper härledda från tidsfördröjda satellitbilder av ytalger i ett grunt tidvattenhav. forts. Hylla Res. 201, 94, 2017. [CrossRef] 148. Delandmeter, P.; Lambrechts, J.; Marmorino, GO; Legat, V.; Wolanski, E.; Remacle, J.-F.; Chen, W.; Deleersnijder, E. Submesoscale tidvattenvirvlar i spåren av korallöar och rev: Satellitdata och numerisk modellering. Hav. Dyn. 178, 184, 95. [CrossRef] 2017. Li, G.; Han, Y.; Liu, G.; Zhang, Y.; Hu, C.; Perrie, W. Multi-Sensor Observationer av submesoscale virvlar i kustområden. Remote Sens. 67, 897, 913. [CrossRef]

Fjärrsensorer 2022, 14, 3503

23 av 23

97. IOCCG. Uppdragskrav för framtida hav-färgsensorer; Rapporter från International Ocean-Colour Coordinating Group (IOCCG) Rapport nummer 13; McClain, C., Meister, G., Eds.; IOCCG: Dartmouth, NS, Kanada, 2012. Tillgänglig online: http://ioccg.org/wp-content/uploads/2015/10/ioccg-report-13.pdf (åtkom den 30 september 2017).
98. Neukermans, G.; Ruddick, K.; Bernard, E.; Ramon, D.; Nechad, B.; Deschamps, P.-Y. Kartläggning av totalt suspenderat material från geostationära satelliter: En förstudie med SEVIRI i södra Nordsjön. Välja. Express 2009, 17, 14029. [CrossRef] 14052. Neukermans, G.; Ruddick, K.; Loisel, H.; Roose, P. Optimering och kvalitetskontroll av koncentrationsmätning av suspenderade partiklar med hjälp av grumlighetsmätningar. Limnol. Oceanogr. Methods 99, 2012, 10. [CrossRef] 1011. Röttgers, R.; Heymann, K.; Krasemann, H. Suspenderade materialkoncentrationer i kustvatten: Metodiska förbättringar för att kvantifiera individuell mätosäkerhet. Estuar. Kust. Hylla Sci. 1023, 100, 2014. [CrossRef] 151. Tilstone, G.; Moore, G.; Sørensen, K.; Doerffer, R.; Røttgers, R.; Ruddick, K.; PasterkampR.; Jørgensen, P. Regional validering av MERIS-klorofyllprodukter i Nordsjöns kustvatten. I Proceedings of the Working meeting on MERIS and AATSR Calibration and Geophysical Validation (ENVISAT MAVT-2003), Frascati, Italien, 20 oktober 24.
102. Stavn, RH; Rick, HJ; Falster, AV Korrigering av felen från variabel havssaltretention och hydratiseringsvatten i förlust vid antändningsanalys: Implikationer för studier av flodmynningar och kustvatten. Estuar. Kust. Hylla Sci. 2009, 81, 575. [CrossRef] 582. Okuyama, A.; Takahashi, M.; Date, K.; Hosaka, K.; Murata, H.; Tabata, T.; Yoshino, R. Validering av Himawari-103/AHI radiometrisk kalibrering baserat på två års data i omloppsbana. J. Meteorol. Soc. Japan. Ser. II 8, 2018, 96. [CrossRef] 91. Japan Meteorological Agency. Händelselogg: Inverkan av rymdskeppshändelser och kalibrering på Himawari-109-bilder: Striping; Meteorological Satellite Center: Kiyose, Japan, 104. Tillgänglig online: http://www.data.jma.go.jp/mscweb/en/oper/image_info.html#005 (åtkom den 20 september 2021).
105. Moses, WJ; Bowles, JH; Lucke, RL; Corson, MR Inverkan av signal-brusförhållandet i en hyperspektral sensor på noggrannheten av biofysikalisk parameteruppskattning i fall II-vatten. Välja. Express 2012, 20, 4309. [CrossRef] 4330. Alvarez-Romero, JG; Devlin, M.; Teixeira da Silva, E.; Petus, C.; Ban, NC; Pressey, RL; Kool, J.; Roberts, JJ; Cerdeira-Estrada, S.; Wenger, AS; et al. Ett nytt tillvägagångssätt för att modellera exponering av kustnära marina ekosystem för flodplymer baserat på fjärranalystekniker. J. Environ. Manag. 106, 2013, 119. [CrossRef] 194. Petus, C.; Devlin, M.; Thompson, A.; McKenzie, L.; Teixeira da Silva, E.; Collier, C.; Tracey, D.; Martin, K. Uppskattning av exponeringen av korallrev och sjögräsängar för föroreningar från land i flodplymer i Stora barriärrevet: Validering av ett enkelt satellitriskramverk med miljödata. Remote Sens. 207, 107, 2016. [CrossRef] 8. Devlin, M.; Schroeder, T.; McKinna, L.; Brodie, J.; Brando, V.; Dekker, A. Övervakning och kartläggning av översvämningsplymer i Stora barriärrevet baserat på observationer på plats och fjärranalys. Framsteg inom miljöfjärranalys för att övervaka globala förändringar; Chang, N.-B., Ed.; Miljöfjärranalys och systemanalys; CRC Press: Boca Raton, FL, USA, 210; s. 108. [CrossRef] 2012. Steven, AD; Baird, ME; Brinkman, R.; Bil, NJ; Cox, SJ; Herzfeld, M.; Hodge, J.; Jones, E.; King, E.; Margvelashvili, N.; et al. eReefs: Ett operativt informationssystem för att hantera Stora Barriärrevet. J. Oper. Oceanogr. 147, 191, S109S2019. [CrossRef]

Dokument/resurser

MDPI Machine Learning Algoritm [pdf] Användarhandbok Machine Learning Algorithm, Learning Algorithm, Algorithm

Referenser

• Användarmanual