MDPI Machine Learning Algorithm User Guide

Algoritem strojnega učenja

Informacije o izdelku

Specifikacije

Ime izdelka: Članek o daljinskem zaznavanju
Avtor: Larissa Patricio-Valerio, Thomas
Schroeder, Michelle J. Devlin, Yi Qin, Scott Smithers
Datum objave: 21. julij 2022
Ključne besede: Himawari-8, barva oceana, umetno
nevronske mreže, Veliki koralni greben, obalne vode, skupaj
suspendirane trdne snovi, strojno učenje, kakovost vode

Navodila za uporabo izdelka

1. Uvod

Članek o daljinskem zaznavanju nudi vpogled v uporabo
algoritmi strojnega učenja za pridobivanje skupnih suspendiranih trdnih snovi
na Velikem koralnem grebenu z uporabo podatkov Himawari-8. Članek
razpravlja o izzivih in prednostih uporabe geostacionarja
Sateliti v zemeljski orbiti za stalno opazovanje obale
področja.

2. Postopek pridobivanja

Članek poudarja pomen geostacionarja
sateliti, kot je Himawari-8, pri zajemanju podatkov skoraj v realnem času
obalne procese. Poudarja omejitve nizke Zemljine orbite
sateliti za reševanje kratkoročne variabilnosti v primerjavi z
geostacionarni sateliti.

3. Senzorji oceanskih barv

Članek omenja pomen barvnih senzorjev oceanov
sateliti za pridobivanje prostorskih informacij v zvezi z vodo
kakovosti. Razpravlja o časovni dinamiki, ki jo opazuje
geostacionarni sateliti in njihov vpliv na spremljanje obale
pojavov.

Pogosto zastavljena vprašanja (FAQ)

V: Kaj je glavni poudarek članka o daljinskem zaznavanju?

O: Glavni poudarek je na uporabi algoritma strojnega učenja s
Podatki Himawari-8 za pridobivanje skupnih suspendiranih trdnih snovi v Veliki
Barrier Reef.

V: Zakaj so geostacionarni sateliti prednostni za obalne
spremljanje?

O: Geostacionarni sateliti ponujajo skoraj neprekinjeno opazovanje
velika območja z večjo frekvenco, kar omogoča boljši nadzor
hitro spreminjajočih se obalnih procesov.

daljinsko zaznavanje

člen
Algoritem strojnega učenja za pridobivanje skupnih suspendiranih trdnih snovi Himawari-8 v Velikem koralnem grebenu
Larissa Patricio-Valerio 1,2,*, Thomas Schroeder 2, Michelle J. Devlin 3, Yi Qin 4 in Scott Smithers 1

1 College of Science and Engineering, James Cook University, Townsville, QLD 4811, Avstralija; scott.smithers@jcu.edu.au
2 Commonwealth Scientific and Industrial Research Organisation, Oceans and Atmosphere, GPO Box 2583, Brisbane, QLD 4001, Avstralija; thomas.schroeder@csiro.au
3 Center za znanost o okoljskem ribištvu in ribogojstvu, 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, Avstralija; yi.qin@csiro.au
* Korespondenca: larissa.patriciovalerio@my.jcu.edu.au

Citiranje: Patricio-Valerio, L.; Schroeder, T.; Devlin, MJ; Qin, Y.; Smithers, S. Algoritem strojnega učenja za zbiranje vseh suspendiranih trdnih snovi Himawari-8 v Velikem koralnem grebenu. Remote Sens. 2022, 14, 3503. https://doi.org/ 10.3390/rs14143503
Akademski urednik: Chris Roelfsema
Prejeto: 15. maj 2022 Sprejeto: 19. julij 2022 Objavljeno: 21. julij 2022
Opomba založnika: MDPI ostaja nevtralen glede trditev o pristojnosti v objavljenih zemljevidih in institucionalnih povezavah.
Avtorske pravice: © 2022 avtorjev. Imetnik licence MDPI, Basel, Švica. Ta članek je članek z odprtim dostopom, ki se distribuira pod pogoji in določili licence Creative Commons Attribution (CC BY) (https://creativecommons.org/licenses/by/ 4.0/).

Povzetek: Daljinsko zaznavanje barve oceana je bilo temeljnega pomena za sinoptično spremljanje kakovosti morske vode v Velikem koralnem grebenu (GBR). Vendar pa senzorji barve oceanov na satelitih v nizki orbiti, kot je konstelacija Sentinel-3, nimajo zadostne zmožnosti ponovnega obiska, da bi v celoti razrešili dnevno spremenljivost v zelo dinamičnih obalnih okoljih. Za premagovanje te omejitve to delo predstavlja na fiziki temelječ barvni algoritem obalnega oceana za Advanced Himawari Imager na krovu geostacionarnega satelita Himawari-8. Kljub temu, da je zasnovan za meteorološke aplikacije, Himawari-8 ponuja možnost ocene barvnih značilnosti oceana vsakih 10 minut v štirih širokih vidnih in skoraj infrardečih spektralnih pasovih ter pri prostorski ločljivosti 1 km2. Skupne simulacije prenosa sevanja v atmosferi oceana pasov Himawari-8 so bile izvedene za realističen obseg optičnih lastnosti GBR v vodi in atmosfere ter za širok spekter sončnih in opazovalnih geometrij. Simulirani podatki so bili uporabljeni za razvoj inverznega modela, ki temelji na tehnikah umetne nevronske mreže za oceno skupnih koncentracij suspendiranih trdnih snovi (TSS) neposredno iz opazovanj spektralne refleksije vrha atmosfere Himawari-8. Algoritem je bil potrjen s sočasnimi podatki in situ v obalnem GBR in ocenjene so bile njegove meje zaznavanja. Pridobitve TSS so pokazale relativne napake do 75 % in absolutne napake 2 mg L-1 v območju validacije od 0.14 do 24 mg L-1, z mejo zaznave 0.25 mg L-1. Razpravljamo o možnih uporabah dnevnih izdelkov TSS Himawari-8 za izboljšano spremljanje in upravljanje kakovosti vode v GBR.
Ključne besede: Himawari-8; barva oceana; umetne nevronske mreže; Veliki koralni greben; obalne vode; skupne suspendirane trdne snovi; strojno učenje; kakovost vode
1. Uvod Senzorji barv oceanov na satelitih v nizki zemeljski orbiti (LEO), kot je MODIS/Aqua,
VIIRS/Suomi-NPP in OLCI/Sentinel-3 sta zagotovila dolgoročne zapise dragocenih in stroškovno učinkovitih opazovanj za preučevanje dnevne do medletne dinamike kakovosti vode v Velikem koralnem grebenu (GBR) [1]. Sateliti LEO pregledajo isto geografsko območje v najboljšem primeru v enem ali dveh dneh; vendar se časovni zamik med dvema zaporednima in enakima orbitama (tj. periodičnost ponovnega obiska) običajno spreminja med enim in do štirimi tedni. Poleg tega lahko na barvne posnetke oceanov v veliki meri vpliva prisotnost oblakov in sončnega sijaja, kar omejuje pridobivanje visokokakovostnih opazovanj [5]. To lahko zahteva tedenski do mesečni nabor dnevnih slik z istega območja za razvoj sestavljenega brez oblaka view oceana. Posledično je časovna zmogljivost satelitov LEO nezadostna za razvoj celovitega opazovalnega sistema in za učinkovito spremljanje kratkoročnih dinamičnih obalnih procesov, kot so dielni cikli fitoplanktona, dnevno napredovanje poplavnih oblakov in

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

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

Remote Sens. 2022, 14, 3503

2 od 23

resuspenzija zaradi plimovanja in vetra [7]. Raziskovalci in okoljevarstveniki še vedno

se zanašajte na LEO ocean barvne produkte za pridobivanje stroškovno učinkovitih prostorskih informacij v

obalni GBR [10,11], vendar priznavajo omejitve teh tehnik za kratkoročno reševanje

variabilnost.

–

Sateliti v g-eostacionarni Zemljini orbiti (GEO) sicer omogočajo skoraj neprekinjeno

opazovanje velikih območij sveta z večjo frekvenco (minute do ure) v primerjavi z

na skoraj vsakodnevno pogostost ponovnega obiska platform LEO, zlasti v tropih [9]. The

Prvi na svetu Geostationary Ocean Color Imager (GOCI-I), lansiran leta 2010, je razkril

časovna dinamika hitro spreminjajočih se obalnih procesov v severovzhodni Aziji, kot npr

motnosti in škodljivega cvetenja alg [12,13]. Njegov uspeh je bil koristen primer

za prihodnji razvoj globalnih oceanskih barvnih misij GEO [14]; vendar nobeden od

misije, predlagane za izstrelitev v naslednjem desetletju, so bile zasnovane za opazovanje

avstralske vode. Kljub temu se sateliti GEO globalno uporabljajo za meteorološko opazovanje.

servacije in nedavni tehnološki napredek so izkoristili svoje zmogljivosti za zbiranje podatkov nad oceani, kar omogoča opazovanje bolj dinamičnih procesov iz vesolja [-15].

Tofhbe annedxst-ignentheera-vtiiosinblGe EspOemctreutemor(o2loogri3cailnssetenasdorosfaorenleyq1uibpapnedd)

s povečanim številom v kombinaciji z izboljšanim

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 je postavljen na 140.7E nad ekvatorjem in z 10-minutno hitrostjo skeniranja zajame vsaj 48 opazovanj polnega diska v enem dnevu (od 8. do 4. ure po lokalnem času). Medtem ko je bil instrument AHI zasnovan za meteorološke aplikacije, je viden in skoraj v infrardečem območju

(VNIR) pasovi (slika 1 in tabela 1) omogočajo zaznavanje morskih značilnosti z močnimi

optični signali, kot so tisti iz zelo motnih voda [19]. Poleg tega Himawari-21

opazovanja z izjemno visoko časovno ločljivostjo omogočajo spremljanje lastnosti oceanov

sub-hourly na medletne časovne lestvice s za celotno laguno GBR in sosednji oceanski

basin brez interorbitalnih podatkov g-aps.

wFiigthurtehe1.trHainmsmawisas-riio-n8

funkcije spektralnega odziva vidnega in infrardečega pasu (polne bele črte) atmosferskih plinov (siva polna črta) in prepustnost ozona (rdeča)

polna črta) med 400 in 1000 nm.

Obsežen nabor aplikacij za spremljanje in upravljanje oceanskih območij lahko izhaja iz Him-awari-8, vključno z barvo oceanov - [22,23, 8]. Nedavne študije so pokazale izvedljivost opazovanj Hima-wari-17,24 za odkrivanje skupnih suspendiranih trdnih snovi (TSS) v obalnih vodah [22] in za koncentracijo kloroph-yll-a (CHL) v odprtem oceanu [8]. Ti rezultati kažejo na vznemirljivo priložnost za spremljanje visoko frekventnih in dinamičnih procesov v obalnem GBR. Čeprav je lahko za satelitsko pridobivanje parametrov kakovosti obalne vode na voljo več algoritmov za barvo oceanov, so morda neprimerni za optično kompleksnost GBR ali neuporabni za opazovanja Himawari-XNUMX.

Remote Sens. 2022, 14, 3503

3 od 23
– –
Tleanbglteh1s.anHdimbaanwdawrii-d8-thA, dasvsaoncciaetdedHsipmaatiwalarreisIomluatgioenr.vSiisgibnlael-aton-dn-oni-esearr–aintiforsar(SeNd Rb)anfrdosmcpenertrfoarlmwaanvce–etestni rezultati [25].

Pas št. (ime) #1 (moder) #2 (zelen) #3 (rdeč) #4 (NIR)

Središče pasu (širina) 470.64 (45.37) nm 510.00 (37.41) nm 639.15 (90.02) nm 856.69 (42.40) nm

Prostorska ločljivost 1 km 1 km 0.5 km 1 km

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

Barvni algoritmi oceanov, ki temeljijo na modelu b in uporabljajo simulacije prenosa sevanja, so v primerjavi z empiričnimi algoritmi pokazali vrhunsko učinkovitost pri uporabi v veččasovnih študijah daljinskega zaznavanja obalnih voda [26]. Natančneje, nevronske mreže so računsko učinkovita inverzijska metoda za aplikacije daljinskega zaznavanja v optično kompleksnih obalnih vodah zaradi svoje zmožnosti približevanja nelinearnih funkcionalnih odnosov [27]. Ta članek opisuje razvoj na modelu temelječega nevronskega mrežnega algoritma oceanskih barv (slika 35) za Himawari-2 in parametriranega za obalne vode GBR. Algoritem enostopenjske inverzije je bil razvit za oceno TSS neposredno iz opazovanj vrha atmosfere (TOA) Himawari–8 z večplastnim perceptronom, razredom umetnih nevronskih mrež (ANN). Najprej je bila simulirana spektralna kotna porazdelitev odbojnosti TOA RTOA() sr-8 na pasovih VNIR Himawari–1 z obstoječim modelom sklopljenega prenosa sevanja v oceanski atmosferi (RT) (model naprej). Simulacije RT so vključevale realne variacije parametrov kakovosti vode ter atmosferskih in svetlobnih pogojev. Več eksperimentov ANN (inverznih modelov) je bilo nato oblikovanih, usposobljenih in testiranih za pridobitev TSS na pasovih Himawari–8 na podlagi simuliranih sevanj TOA. Nazadnje so bili rezultati TSS, pridobljeni s Himawari-8, statistično ocenjeni glede na sočasne podatke o kakovosti vode in situ v GBR in raziskane so bile omejitve izbranega algoritma.

Slika 2. Diagram poteka barvnega algoritma oceana, ki temelji na modelu, razvitega za Himawari–8.
2. Metode Parametrizacija simulacij prenosa sevanja in načrtovanje
Inverzni model ANN je določen v naslednjih pododdelkih. Parametrizacija naprej in inverznega modela sledi pristopu, ki je bil predhodno razvit za evropske obalne vode [36], vendar je bil v tej študiji prilagojen za optične razmere GBR v vodi [38]. Poleg tega so za algoritem, ki temelji na modelu, razvit tukaj, opisani postopki pridobivanja, obdelave in maskiranja H-imawari-39 ter barvni procesor oceana. Predstavljeni so validacijski protokol in metode za oceno omejitev algoritmov ter prvi rezultati za spremljanje TSS v GBR.

Remote Sens. 2022, 14, 3503

4 od 23
2.1. Model naprej
V tem delu je bila uporabljena skalarna različica matričnega operaterja MOdel (MOMO) [40,41, 8] za povezane simulacije prenosa sevanja v oceanski atmosferi pasov Himawari-1 VNIR (tabela 1). Zanemarjanje atmosferske polarizacije lahko povzroči 2-odstotno napako pri TOA, kar je sprejemljivo za uporabo v obalnih vodah [42]. Himawari-8 RTOA() je bil simuliran za realističen obseg optičnih lastnosti GBR v vodi in atmosferi.
Simulirani sistem oceanske atmosfere je stratificiran v več vodoravno homogenih ravninsko vzporednih slojih, kjer se upoštevajo definirane vrste in koncentracije vodnih in atmosferskih optičnih sestavin. Višina simulirane atmosfere (TOA) je debela 50 km in je razdeljena na 11 plasti, kjer je navpična profiletlaka, temperature in vlažnosti sledijo standardni atmosferi ZDA [43]. Slabljenje zaradi Rayleighovega sipanja se upošteva z dvema barometričnima površinskima tlakoma 980 hPa in 1040 hPa. Ozračje je razdeljeno na mejno plast (0 km), prosto troposfero (2 km) in stratosfero (2 km). V vsaki plasti so bile simulacije izvedene za osem različnih aerosolnih sklopov z različnimi koncentracijami optične debeline aerosola (a) pri 12 nm med 12 in 50. Vsak aerosolni sklop je sestavljen iz treh glavnih modelov aerosolov, morskega modela v mejni plasti, celinskega modela v prosti troposferi in modela žveplove kisline v stratosferi pri relativni vlažnosti med 550 % in 0.015 %. Razpon je bil določen na podlagi večletnih opazovanj stopnje 1.0 s sončnim fotometrom postaje AERONET [70] na obalnem observatoriju Lucinda Jetty (LJCO), ki se nahaja v osrednjem GBR [99S, 2E]. Analiza ustreznih Ångströmovih koeficientov [44,45] med 18.52 in 146.39 nm na postaji LJCO AERONET potrjuje mešanico pomorskih in celinskih tipov aerosolov, ki ustrezajo tistim, uporabljenim v simulacijah RT.
Prenos atmosferskih plinov (razen za O3) je bil izpeljan iz baze podatkov HITRAN (High Resolution Transmission Molecular Absorption) [47] in implementiran v simulacijah prenosa sevanja prek modificiranega modela k-distribucije Bennartza in Fischerja [48]. Simulacije prenosa sevanja so bile izvedene ob predpostavki konstantne obremenitve z ozonom 344 Dobsonovih enot (DU) [43]. Pasovi Himawari-8 so bili simulirani za 17 sončnih in opazovalnih kotov ter 25 enakomerno razporejenih relativnih azimutnih kotov. Simulacije so bile izvedene za realna nihanja kakovosti vode, ki jih predstavljajo naključno izbrane edinstvene koncentracije CHL, TSS in rumenih snovi (YEL), v nadaljevanju imenovane tripleti koncentracij. Območja trojčkov simuliranih koncentracij so bila opredeljena na podlagi disperzije in situ koreliranih koncentracij, najdenih v GBR, po pristopu Zhanga et al. [49]. Trojčki simuliranih koncentracij so bili enakomerno porazdeljeni v logaritemskem prostoru, tako da je bil vsak red velikosti podobno predstavljen, pri čemer so se izognili podvojenim simulacijam.
Celotna spektralna absorpcija morske vode a() je bila modelirana s štirikomponentnim biooptičnim modelom, ki upošteva absorpcijo čiste vode (aw), absorpcijo fitoplanktona in vsega mrtvega organskega materiala (tj. detritusa) ap1 kot funkcijo CHL [0.01, 15], absorpcijo nealgalnih delcev ap2 kot funkcijo TSS [0.01, 100.0], absorpcija rumenih snovi pa je pri 443 nm [0.002, 2.5]. Absorpcijski koeficient čiste vode (aw) je bil modeliran po Popeju in Fryju [50] za vidne pasove Himawari-8 1 ter po modelu Hale in Querry [3] za pas 51. Spektralna absorpcija fitoplanktona in detritusa ap4 je sledila parametrizaciji Bricauda et al. [1], medtem ko je bila absorpcija nealgnih delcev ap52 parametrizirana po Babinu et al. [2], s srednjim naklonom Sp53 2, ki je bil izpeljan iz in situ biooptičnih podatkov sampvoden v GBR med letoma 2002 in 2013. Spektralni absorpcijski koeficient rumenih snovi ay je bil modeliran po Babin et al. [53], s srednjim naklonom Sy 0.015, ki je prav tako izpeljan iz opazovanj in situ iz GBR [39].
Celotno spektralno sipanje morske vode (b()) je bilo modelirano z dvokomponentnim biooptičnim modelom [53], ki upošteva sipanje čiste vode (bw) in sipanje organskih in anorganskih delcev bp kot funkcijo TSS. Razprševanje čiste morske vode

Remote Sens. 2022, 14, 3503

5 od 23

koeficient je bil izražen kot od valovne dolžine odvisen potenčni zakon, ki temelji na Morelu [54],

opredeljeno za globalno povprečje slanosti 35 PSU. Prispevek razpršitve organskih in

anorganskih delcev smo združili, da smo izpeljali skupni koeficient sipanja delcev bp po parametrizaciji Babina et al. [55]. Masni specifični koeficient sipanja

TSS delcev bp 0.31 m2 g-1 je bila izračunana za GBR vode, po Babin et al. [55]. Uporabljen je bil verjetnostni model povratnega sipanja za vode primera 2 [49,56].

izračunajte in izberite fazne funkcije sipanja v vodi (, ) na podlagi razmerja TSS in YEL. Simulacije so bile izvedene za veliko število naključnih koncentracij

trojčke in atmosferske razmere, kot je bilo opisano prej, za izgradnjo celovitega

baza podatkov azimutno ločljivih Himawari-8 RTOA(). Iz te podatkovne baze, statistično

reprezentativne podskupine za usposabljanje in teste so bile naključno izvlečene, da bi razvili obratno

model. Podskupine za usposabljanje in testiranje so vsebovale vsak po 100,000 vhodnih vektorjev

ki vsebuje

simulirani RTOA pri pasovih 470, 510, 640 in 856 nm, atmosferski tlak na morski gladini med 980 in 1040 hPa, kot sončnega zenita (s), zenit opazovanja (v) in relativni azimut ().

2.2. Inverzni model

V tej študiji je bil večplastni perceptron (MLP), razred posredne umetne nevronske mreže (ANN) [57], implementiran kot inverzni model, ki temelji na C-programu simulatorja nevronske mreže, ki ga je razvil Malthouse [58], da se približa funkcionalno razmerje med Himawari-8 RTOA() in koncentracijo TSS. Trenutni MLP obsega vhodno plast, skrito plast in izhodno plast nevronov. Vsak nevron je povezan z vsakim nevronom naslednje plasti z utežjo. Postopek nadzorovanega strojnega učenja ali usposabljanja je mogoče opisati na naslednji način:

Vhodni nevroni (ni) prejmejo vhodni vektor

, ki vsebuje simulirane odboje

in pomožne podatke, opisane zgoraj, in jih širi do nevronov skrite plasti

(nh).

· V skritem sloju umetni nevroni seštejejo utežene vhodne signale in jih prenesejo skozi nelinearno prenosno funkcijo ter nato posredujejo njihove izhode

na nevrone izhodne plasti (ne).

· Funkcija stroškov (tj. srednje kvadratne napake, MSE–Enačba (1)) med sim-

ulirani ciljni izhodi yt in izračunani izhodi ANN yc se izračunajo za celoten nabor podatkov o usposabljanju (N = 100,000), notranje uteži (W1, W2) omrežja pa se prilagodijo.

· Usposabljanje ANN se ponavlja, dokler se stroškovna funkcija med rezultatom in ciljno vrednostjo ne minimizira.

MSE = yc – yt /N

(1)

Funkcija stroškov se minimizira z iterativnim prilagajanjem utežnih matrik (W1, W2) z uporabo optimizacijskega algoritma BroydenFletcherGoldfarbShanno z omejenim pomnilnikom [59]. Za trislojno arhitekturo MLP je popolna analitična funkcija podana z enačbo (2):

W2 × S1

W1 × x

(2)

kjer sta S1 in S2 nelinearna (enačba (3)) in linearna prenosna funkcija, uporabljena v izhodni oziroma skriti plasti.

S(x) = 1 + ex -1

(3)

Število nevronov v vhodnem in izhodnem sloju je bilo določeno s številom vhodnih in izhodnih parametrov problema, medtem ko je več eksperimentalnih poskusov

Remote Sens. 2022, 14, 3503

6 od 23

so bili potrebni za določitev optimalnega števila nevronov v skriti plasti. The

poskusi so bili zasnovani tako, da so spreminjali število nevronov skritega sloja od 10 do 100,

v korakih po 10. Za inicializacijo –

konfiguracijo teže omrežij. Poskusi so vključevali glavno komponento

analiza (PCA) kot korak predprocesiranja za dekorelacijo vnosov RTOA(). Poleg tega so bili poskusi zasnovani z 0.8 % spektralno nekoreliranega, od signala odvisnega naključnega m šuma, dodanega vhodom RTOA v vsakem pasu. Eksperimenti ANN so bili usposobljeni in testirani s podmnožico 100,000 vhodnih vektorjev, naključno ekstrahiranih iz prenosa sevanja

simulirani nabor podatkov. Vsak vhodni vektor je bil povezan z logaritemsko koncentracijo TSS, ki je bila izbrana kot ciljni izhod, ki ga je treba približati z nadzorovanim učenjem.

postopek. Vsi poskusi so bili usposobljeni za 1000 iteracij in minimiziranje stroškov

funkcija (enačba (1)) je bila izračunana za celoten nabor podatkov o usposabljanju pri vsaki ponovitvi. An

neodvisni testni nabor podatkov N = 100,000 vektorjev je bil uporabljen za spremljanje usposabljanja omrežja

učinkovitost in izogibanje pretiranemu prileganju.

–

2.3.

TBhaesHicipmraowceasrsi-in8- gOscteeapns

Barvna obdelava za Himawari-8 raw

podatke

TSS

izdelkov

prikazano

Slika

Zajeti so bili pasovi VNIR ravni 1 (L1) s polnim diskom Himawari-8, ekstrahirani na območju GBR –

(10 J, 29 J, 140 V, 157 V), geolociran, in navigacija popravljena. Geolocirani neobdelani podatki

so bile pretvorjene v sevanja TOA stopnje 1b (L1b) (LTOA() W m-2sr-1µm-1 ) prek –

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

pasovi. L1b umerjen LTOA() je bil normaliziran z zunajzemeljskim sončnim obsevanjem F() W -m-2 za vsak pas. F() je bil izračunan kot funkcija dneva v letu

in z uporabo srednjih vrednosti F zunajzemeljskega sončnega obsevanja b na podlagi Kurucza [61] in prilagojenih pasov Himawari-8 [62]. Posledični odboji TOA RTOA() sr-1 na pasovih VNIR Himawari-8 so služili kot vhodni podatki za metodo inverzije. Poleg tega je

Vrednosti s, v in so bile izračunane za vsak slikovni element satelitske slike kot funkcija zemljepisne širine, dolžine in lokalnega časa po obstoječih postopkih [63] in pretvorjene v

kartezične koordinate (x, y, z).

Slika 3. Diagram poteka obdelave barv Himawari-8-Ocean. HSD se nanaša na standardne podatke Himawari-8, GBR se nanaša na Veliki koralni greben, VNIR se nanaša na vidne in bližnje infrardeče pasove Himawari-8 (470, 510, 640 in 856 nm), ANN pa na umetno nevronsko mrežo.

the

ACulsoturadlimanasckoinntginoenf tHainmdaswuarrroi–u8nodbisnegrvwaatitoenrss.

je bil The

razvili Qin et al. [64] za ločljivost 2 km je bila oblačna maska

resampprivedlo do prahu in dima

1plkummHesimfraowmabrii-o8mg-raisds

in vključuje maskiranje slikovnih pik, onesnaženih z žganjem. Podobno so se pojavile slikovne pike, za katere je bilo ugotovljeno, da so se pojavile

površine, kot so celinska območja, otoki in plitvine, so bile zamaskirane glede na oblikofiles

na voljo v zbirki podatkov organa morskega parka Great Barrier Reef [65]. Sončni lesk

–

Remote Sens. 2022, 14, 3503

7 od 23
maska je bila ustvarjena z izračunom koordinat glavne točke sončnega sijaja (PPS) kot funkcije dneva v letu (sončne inklinacije), lokalne ure, zemljepisne širine in dolžine [66], pri prostorski ločljivosti 1 km. Obris sončnega diska je bil medpomnilnik za krožni radij 1300 km od koordinat PPS. Velikost polmera je bila izbrana po seriji vizualnih preizkusov, da bi zagotovili največjo pokritost glavnega območja sončnega diska.
Opazovanja Himawari-8 so bila normalizirana slikovno piko za slikovno piko in za vsak pas s skoraj sočasnimi satelitskimi podatki skupnega ozona v stolpcu, ekstrahiranim iz izdelka skupnega ozona iz analize stratosferskih in troposferskih satelitskih komponent (TOAST) [67] pred inverzijami. Izdelek TOAST s prostorsko ločljivostjo 1.25 krat 1 stopinjo in dnevno časovno ločljivostjo je bil resampvodil do 1 km za skladnost z mrežo Himawari-8. Opazovanja Himawari-8 so bila normalizirana na vsakem pasu z razmerjem med prenosom ozona, pridobljenega iz TOAST, in prenosom simulirane gostote ozonskega stolpca 344 DU. Poleg tega so bili podatki o srednjem atmosferskem tlaku na gladini morja iz NCEP/NCAR `Reanalysis 2' PaRt2m [68] uporabljeni kot vhodni podatki za inverzijo opazovanj Himawari-70. Podatki `Reanalysis 8' so povprečni vsakih 2 ur (6, 0, 6, 12 UTC) in sampvodil na redni globalni mreži s prostorsko ločljivostjo 2.5 stopinje [71]. Pridobljeni so bili najbližji sočasni podatki PaRt2m in resampvodila do 1 km mreže Himawari-8. Pridobljeni TSS, povezane maske in metapodatki so bili shranjeni v NetCDF file, vključno s slikovnimi pikami povezanimi zastavicami za vhode in izhode zunaj obsega. Območja veljavnih vhodov in izhodov so bila določena na podlagi simuliranega nabora podatkov RT. Na primer, če je določen vhodni in/ali izhodni parameter slikovne pike presegel simulirane razpone, je bila pikslu dodeljena ustrezna zastavica. Vhodne in izhodne zastavice so bile seštete za vsako slikovno piko mreže Himawari-8. Oznake izven območja so bile uporabljene za izdelke kakovosti vode pred kasnejšo validacijo in analizami uporabe.
2.4. Podatki o velikem koralnem grebenu in situ
In situ TSS, ki sta ga med letoma 2015 in 2018 izmerila Avstralski inštitut za pomorske znanosti (AIMS) in Organizacija za znanstvene in industrijske raziskave Commonwealtha (CSIRO), sta bila pridobljena iz biooptične baze podatkov IMOS [72] prek portala avstralske mreže podatkov o oceanih (AODN). Tako CSIRO kot AIMS uporabljata gravimetrično metodo za določanje koncentracije TSS v morski vodi. Metoda je sestavljena iz merjenja suhe teže suspendiranih trdnih snovi iz znane prostornine morske vodeample potem, ko je bila vakuumsko filtrirana na predhodno tehtanem membranskem filtru. Dodatne podrobnosti o metodologiji, ki jo uporabljata AIMS in CSIRO, so opisane v Great Barrier Reef Marine Park Authority [73] in Soja-Woz´niak et al. [74] oz. Kljub temu, da laboratorija AIMS in CSIRO uporabljata nekoliko drugačne metode za določanje TSS (tj. število ponovitev, filtrske blazinice, izpiranje itd.), so bili ti nabori podatkov združeni v tej validacijski vaji. Upoštevanih je bilo skupno 347 in situ podatkovnih točk s TSS v razponu od 0.01 do 85 mg L-1 in povprečjem 3.5 mg L-1. Podatkovne točke in situ znotraj 1 km od obale ali grebenov so bile izključene iz analize, da bi zmanjšali negotovosti zaradi učinkov sosednje [75]. Vključili smo vse in situ morske vodeampposnete na površini (<0.5 m globine) postaj, ki se nahajajo na spremenljivih globinah vode (1.5 m do 40 m), pri čemer najplitvejše podatkovno mesto predstavlja TSS > 10 mg L-1.
2.5. Validacijski protokol
Protokol validacije, uporabljen v tej študiji, sledi izkušnjam prejšnjih validacijskih vaj za daljinsko zaznavanje barv oceanov v Avstraliji, vključno z obalnim GBR [27,76,77]. Te študije so opisale korake obdelave za ekstrakcijo satelitskih opazovanj, sočasno z meritvami in situ v obalnem GBR, kot tudi uporabne statistične meritve uspešnosti.
Več opazovanj Himawari-8 je mogoče združiti znotraj časovnega okvira (tj. hourly) za odpravo morebitnih izstopajočih vrednosti in zmanjšanje hrupa senzorjev in okolja, kar verjetno izboljša ocene in uspešnost validacije [7,9,16]. Zato so bila za to validacijsko vajo pridobljena vsa razpoložljiva opazovanja Himawari-8, skenirana v ±30 minutah od zabeleženega časa in situ. Izbrana in obdelana 10-minutna opazovanja Himawari-8 na VNIR

Remote Sens. 2022, 14, 3503

8 od 23

- -

pasovi s povezanim soncem in geometrijo opazovanja so bili podnastavljeni na 3-krat-3-pixe-l bo-x-es,

s središčem na koordinatah vsake sočasne podatkovne točke in situ. Podobno so bili ekstrahirani podnabori sočasnih mask (tj. oblaki, kopno, grebeni in sončni blesk) in pomožnih podatkov (tj. – ozon in tlak) v velikosti 3 x 3 slikovnih pik. Kompoziti skoraj prave barve izbranega Himawari-8 –

opazovanja so bila vizualno pregledana, da bi odpravili ujemanja v vodah z ostro vodoravno

gradientov v optičnih lastnostih (tj. frontah motnosti) ali bližnjih oblakih.

–

Hourly kompoziti veljavnih podmnožic so bili izračunani s časovnim povprečjem, ne glede na –

maskiranih slikovnih pik. Hourly združenih podnaborov je bilo obdelanih z inverzijo ANN

algoritmov in maskiran za vrednosti zunaj obsega. Na koncu še mediana in standardni odklon

od hourly Podmnožice TSS so bile izračunane, razen m-vprašanih slikovnih pik. Samo tiste podmnožice z dvema ali manj slikovnimi pikami, maskiranimi na slikovno polje, so veljale za ujemanje. ANN

rezultati so bili izračunani v logaritemski lestvici (log10) in sočasni in situ TSS je bil logaritmično transformiran za statistično analizo. Večview je prikazan postopek potrjevanja

na sliki 4. Zmogljivosti so bile ovrednotene glede na njihov koren srednje kvadratne napake

(RMSE–ali absolutna napaka), pristranskost, srednji absolutni odstotektage napaka (MAPE–ali relativna napaka) in koeficient determinacije (R2). Pristranskost, R2 in RMSE so bili izračunani v log10

–

vesolje in MAPE je bil izračunan v linearni meritvi, p pa satelitsko pridobljen

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

RMSE = 1/N (m -p)2

(4)

MAPE = 100/N |(m - p)|/p²

(5)

2 R =

N(mp)- ( m)(p) m2 – ( m)2 N p2 – (

p)2

(6)

Pristranskost = 1/N (m -p)

(7)

Eksperimenti ujemanja ANN so bili razvrščeni na podlagi zgoraj opisanih statističnih meritev. Prednost so imeli tisti poskusi z najnižjo RMSE, ker je ta statistični parameter stroškovna funkcija, ki je minimizirana med usposabljanjem ANN. Izbran je bil najuspešnejši poskus z najmanjšim številom nevronov v skritem sloju, da se zmanjšajo računski napori za inverzijo opazovanj Himawari-8 – v celotnem GBR.

Slika 4. Poenostavljeni konecview postopka validacije algoritma.

2.6. Ocena omejitev

Razmerje signal-ton-šum (SNR) je bilo izračunano za vidno in skoraj infrardečo svetlobo.

HEaimstearwnaSrti-a-8ndLTaOrdA

(Tim) oeb–seArvEaStTio)nast

skenirano izbrano

med 08:00 in 16:00 po lokalnih datumih in območjih brez oblakov

čas (Avstralsko v Koralnem morju

–

Remote Sens. 2022, 14, 3503

9 od 23

(16.25S, 151E in na 20.60S, 153.53E). Za to analizo so bila upoštevana samo opazovanja po juliju 2017, glede na to, da so bili njihovi kalibracijski koeficienti popravljeni za koherentni in vodoravni črtasti šum [63,78]. Posnetki resničnih barv, ki so na voljo prek sistema Himawari-8 Monitor P-Tree System [79], so bili prebrskani za izbiro ciljnega območja in za zagotovitev, da so prostorsko enotni in da ni verjetno, da bi nanje vplivali oblaki, sončni blesk, biooptične značilnosti in dimni oblaki zemeljskega gorenja [80,81]. Izbrana opazovanja Himawari-8 so bila pretvorjena iz neobdelanih štetij v fizične enote z uporabo kalibracijskih koeficientov [60], s podmnožicami 51 krat 51 slikovnih pik, ekstrahiranih in osredotočenih na koordinate regij, ki nas zanimajo. Poleg tega so bile podmnožice, povezane maske in geometrijski parametri hourly združeno. 10 minut in hourly združene podmnožice so bile zamaskirane za oblake, kopno, grebene in sončni blesk, njihove skoraj prave barvne kompozite pa so pregledali glede neodkritih značilnosti, kot so koralni grebeni, grebeni, sence oblakov in senzorski artefakti.
SNR je bil izračunan za vsak pas Himawari-8 po enačbi (8) [80]. Povprečenje LTOA() za vse veljavne slikovne pike znotraj ciljnega območja daje Ltypical(), standardno odstopanje () znotraj istega območja pa daje sevanje, ki ustreza šumu (Lnoise()). SNR se izračuna kot razmerje med Ltypical in Lnoise na vsakem pasu:

SNR() = Ltipično ()/Lšum() = LTOA()/(LTOA())

(8)

Dnevna variabilnost in razlike v magnitudi med SNR, izračunanimi z 10 min in hourly združena opazovanja Himawari-8 (SNRSING() oziroma SNRAGG() so bila pregledana na vsakem pasu. Poleg tega so bile njihove spektralne značilnosti ovrednotene za območja s, ker je znano, da se ravni hrupa spreminjajo glede na višino Sonca [80]. Končno, pripadajoči procenttagRavni hrupa (% hrupa) so bile izračunane za s = 45 ± 1 in uporabljene za oceno občutljivosti algoritma na tipične ravni hrupa Himawari-8.
Algoritem TSS, razvit v tej študiji, je bil treniran s spektralno ravnim (nekoreliranim) fotonskim šumom (0.8 %), ki je bil dodan naboru podatkov za usposabljanje, ob predpostavki omejenega znanja o značilnostih delovanja senzorja nad oceanskimi cilji. Za ovrednotenje stabilnosti inverzije in za zagotovitev osnovne analize občutljivosti algoritma TSS je bil spektralno raven fotonski šum 0.1, 1.0 ter 10 in 50 % dodan naboru podatkov za testiranje in obrnjen. Poleg tega je bil naboru podatkov o testiranju dodan % hrupa, povezan s pasovi Himawari-8, da bi kvantificirali učinke spektralno odvisnih ravni hrupa na natančnost pridobivanja TSS. Stabilnost pridobivanja je bila interpretirana v smislu konstantnih prirastkov RMSE v širokem razponu TSS (0.01 do 100 mg L-1), enakomerno razporejenih v logaritemskih koncentracijah. Poleg tega so bili vzdolžni transekti produktov TSS, posneti v homogenih vodah brez oblakov obalnega GBR in v Koralnem morju, ocenjeni na lestvici slikovnih pik za kvalitativno oceno ravni hrupa Himawari-8.

3. Rezultati
3.1. Validacija algoritma
Več omrežij je bilo usposobljenih z različnimi arhitekturnimi konfiguracijami in za inverzije je bilo izbrano najbolj zmogljivo omrežje z najmanjšim možnim RMSE in najmanjšim številom nevronov v skritem sloju. Izbrani poskus s 50 nevroni v skritem sloju je pridobil TSS v razponu od 0.14 do 24 mg L-1, s pozitivnim R2 in pristranskostjo 0.014 mg L-1, MAPE 75.5 % in 10RMSE 2.08 mg L-1, kot je prikazano na sliki 5.

Remote Sens. 2022, 14, 3503

10 od 23

Slika 5. In situ in Himawari-8-de- r-de-rived TSS z b-najzmogljivejšim eksperimentom ANN, z in situ TSS vrednostimi barvne kode-d v logaritemski lestvici. Vrstice napak predstavljajo standardni odklon TSS znotraj slikovnih pik v polju 3x3–pixe-l. Različni simboli označujejo podatke in situ, ki jih je zbral AIMS
in CSIRO pri LJCO.
–
3.2. Himawari-8 Skupni viseči S-olidi za Veliki koralni greben-f
Na sliki 6 je prikazana skoraj prava barvna kombinacija Himawari-8 (leva plošča), posneta 27. oktobra 2017 nad območjem GBR, in ustrezen izdelek TSS pri 10-minutni časovni ločljivosti (desna plošča). Vode znotraj lagune GBR imajo TSS na splošno 1 mg L-1 ali več, medtem ko imajo vode na morju GBR vrednosti pod 1 mg L-1. Izdelek TSS je razkril hud hrup granulacije in črtanja na odprtih oceanskih območjih Koralnega morja.

Slika 6. Skoraj prave barvne slike Himaw-ari-8 GBR, pridobljene 27. oktobra 2017 ob 15:00 AEST (leva plošča) in povezanega izdelka TSS [mg L-1] (desna plošča). Piksli, zamaskirani v črni barvi zaradi vrednosti oblakov in izven obsega.

Nihanja Himawari–8 TSS so bila raziskana v ustju reke Burdekin in nad južnim GBR

za matrico grebena obalnih voda (slika 7

saunrdroaunn-imdinatgiothnes

v povezavi). Poplava Burdekin 12. februarja 2019 je povzročila oblak usedlin, ki

dosegel zunanje grebene (50 km od ustja) med 3. in 4. uro, s TSS > 20 mg L-1.

–

—

Remote Sens. 2022, 14, 3503

- -
–

–
–

11 od 23
–

Sedimentni oblak reke Burdekin se je razvil med prihajajočo plimo z razponom 0.3 m med nizko in visoko plimo. Obalne vode v bližini grebenov so doživele povečanje TSS za velikostni red (3.6, 26.4 mg-L-1) znotraj s-poldnevnega cikla plimovanja (križ na sliki 7 (leva plošča) in sliki 8a). Grebeni, ki jih pokriva poplavna voda, so bili izpostavljeni TSS ~40-krat večji od priporočenega praga 0.7 mg L-1 [82]. Območja, kjer je TSS presegla 100 mg-L-1, blizu ust, so bila zamaskirana (črna območja) kot vrednosti izven območja (zastavice ANN). Animacija nihanj TSS po dogodku glavnega izpusta je na voljo na sliki S1.

Slika 7. Poplavni oblak, ki izteka iz reke Burdekin, februar 2019 (leva plošča). Plimski curki TSS v matrici grebena GBR novembra 2016 (desna plošča). Upoštevajte različne razpone v vsaki ploskvi. Slikovne pike, zamaskirane v črni barvi, so posledica vrednosti TSS izven obsega.
Medtem ko veliki poplavni dogodki kažejo jasne značilnosti TSS v obalnem GBR, so opaženi plimski curki v submezo skali, ki obkrožajo matriko plitvih in potopljenih grebenov v južnem GBR (slika 7 (desna plošča)), kar kaže, kako ti različni pogoji vplivajo na kratkoročno spremenljivost TSS. Animacija na sliki S2 ponazarja dinamiko nihanj TSS, povzročenih s plimovanjem, kjer sta se visoka (4 m) in nizka (0.2 m) plima zgodila ob 10 oziroma ob 6 (slika 8b). Koncentracije TSS v bližini grebena Heralds Reef (označeno s križcem) so nihale približno za en red velikosti v enem dnevu (0.3, 2.0 mg L-1), pri čemer so vrednosti presegale mejne vrednosti smernic za kakovost vode, priporočene za odprto obalno GBR (0.7 mg L-1). –

Slika 8. Časovna vrsta 10-minutnega TSS, pridobljenega s Himawa-ri–8, na ustju reke Burdekin med poplavami februarja 2019 (a) in v matriki grebena južnega GBR novembra 2016 (b), kot je prikazano na sliki 7. Vrstice napak predstavljajo standardna odstopanja intr-a-pixel. Priporočeni pragovi za obalne vode (2.0 mg L–1) in vode srednjega grebena (0.7 mg L–1) so označeni z rdečo. Upoštevajte različna časovna obdobja na vsaki sliki.
– –
–

Remote Sens. 2022, 14, 3503

12 od 23
3.3. Meje zaznavanja SNR, izračunan iz dveh nizov opazovanj Himawari-8, je prikazan v
grafika slike 9. Nekaj posameznih opazovanj je bilo izpuščenih zaradi intenzivne pokritosti z oblaki, zlasti 06. septembra 2017, kar je povzročilo vrzeli v podatkih v časovni vrsti. SNRSING in SNRAGG sta predstavila jasna dnevna nihanja, pri čemer se je najvišji SNR pojavil pri najnižjih s (<30), med 11 in 12. Magnituda in dnevna variabilnost sta bili večji za SNRAGG ter na modrem in zelenem pasu (470 in 510 nm) v primerjavi z vrednostmi, izračunanimi za SNRSING. SNR, izračunan za pasove 640 nm in 856 nm, je bil vsaj trikrat nižji od SNR, izračunanega za modri in zeleni pas, s subtilnimi dnevnimi variacijami. Dnevna nihanja SNR med dnevi in lokacijami so bila različna, zlasti za modri pas in od SNRAGG. 06. septembra 2017 (povprečje v~22) je bil SNRAGG v modrem in zelenem pasu podobne velikosti (slika 9b). 25. septembra 2017 (na drugi lokaciji s povprečjem v ~ 28) je modri pas predstavil SNRSING skoraj dvakrat višji od zelenega pasu (slika 9d).

Slika 9. Časovna vrsta razmerij signal-na-l proti šumu (SNR, desna os), izračunana za enojna (SNRSING) (a,c) in za združena (SNRAGG) opazovanja (b,d) s pripadajočimi s (leva os). S-NR je
barvno kodiran po pasu.

Skupine

spektralna variabilnost s, kjer standard

SNRSING in SNRAGG prikazuje odstopanja znotraj vsake skupine

na sliki narisano kot

10 za omejeno

tri napake

palice. Posamezna opazovanja so običajno dala nižji SNR kot združena opazovanja

v vseh pasovih, SNR pa je bil najvišji za Slika 9. Standardni odkloni SNR

s < 30, v skladu s podatki, izračunanimi za posamezne in agregirane

predstavljeni v opažanjih

wfoerresm>o4r0epartotnhoeubnlcueedbfoanr dsp>re4s0enatendd

na modrem in zelenem pasu. Standardna odstopanja 27 in

SNR izračunan 51 za SNRSING

in SNRAGG odstopanja od

, medtem ko 13 oziroma 26.

SNR, izračunan za predstavljeni standard zelenega pasu. Ta odstopanja so verjetno povezana s spremenljivko

atmosferske razmere vsake lokacije, ki so intenzivirane na modrem in zelenem pasu

in na velikih atmosferskih dolžinah poti.

Remote Sens. 2022, 14, 3503

13 od 23

Slika 10. Spektralna porazdelitev razmerij si-gn-al-šum, izračunana za enojni (SNRSING) (-a) in

agregiranih opazovanj (SNRAGG) (b) in razvrščenih kot standardne deviacije SNR znotraj vsake skupine

za s.

tri

razponi

Napaka

palice

bili

izračunano

TgcorhemegpaSTtNuehtdReedASoGNbfGsoRerrvAvaaGallGluti,seoitsnnhsgceolwLemtioytphpbiicslaeesldr,=vaiann4t5diToaLn±bnsol e1iwse2iawtwhnederersaec=saosob4m5copiuaitlt±eetddw1ipinceweTrcaaeebsrnelhetiai2ngg.chelLunaikdsoeeitswdheeifs(oc%eor, NtrchrooeeimssSpepN)oaf–nRordiSrsIiNaongnGg-. SNRSING, razen v rdečem pasu. Kljub temu so visoke ravni šuma v rdečem (~3 %) in tshigenNalIRdebsapnidtest(h~e5%eff)oinrtdsiicnataevtohiadtinthgeeSnNviRroAnGmG emnataylbceonmdoistitolynsafifnecitmedagbeystehleecattimono.sTp-hhiesriics še posebej očitne v pasu NIR, kjer sevanje, ki pušča vodo, velja za zanemarljivo v čistih odprtih oceanskih vodah.

–

Tabela 2. Vidni in bližnji infrardeči Himawari-8 Ltipični in Lšum W m-2sr-1µm-1 in povezani

procentovtage hrup (% šuma) za SNRAGG pri s = 45 ± 1. Izračunani SNRSING pri vrednosti s = 45 ± 1

so bili dodani za primerjavo.

Pas 470 510 640 865

Tipično 59.5 38.3 13.8 3.4

Lšum 0.26 0.29 0.41 0.18

% Hrup
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

ko dodamo 50 % spektralno ravnega fotonskega šuma. Medtem so bile pridobljene velike napake (> 300 %)

na Himawari-8 za iskanje TSS

pasovi spodaj

(Slika-e 0.1 mg

11a). L-1,

ne glede na vrsto in raven hrupa. Pri m-ore realističnem scenariju, ko je spektralno odvisen

fotonski šum (tj. % šuma iz tabele 2) – se doda pasovom Himawari-8, napake so

večinoma pod 100 % - za TSS > ~0.25 mg L-1 (slika 11 (desna plošča)). Zato za pridobitev

zanesljive pridobitve iz Himawari-8 s trenutnim algoritmom TSS je bila izbrana meja zaznavanja 0.25 mg L-1. Za primerjavo, izračunane meje zaznavanja pri pridobivanju TSS

iz atmosfersko popravljenega Himawari-8, kot v Dorji in Fearns [17], je predstavljen kot

navpična črtkana črta pri 0.15 mg L-1.

Remote Sens. 2022, 14, 3503

14 od 23

Slika 11. Napake RMSE pri pridobivanju (v mg-L-1) za spektralno ravne (leva plošča) in spektralno odvisne (desna plošča) ravni fotonskega šuma. TSS prenosa sevanja (RT) in povezane vrednosti RMSE so predstavljene v logaritemskem merilu. Navpična črtkana črta pri 0.15 m-g L-1 je meja zaznave, prilagojena iz Dorji in Fearns [17], 2018. Navpična črtkana črta pri 0.25 m- -g L-1 je meja zaznave te metode.
Vizualni pregled ravni hrupa je pokazal močno granulacijo in vodoravne črte iogttitnnruhbraeraHstnbhneTsiierumdeSvlcCSaaactAtostwoiiGroaooaaGnsnfrl-tiTsaSw-(-h8lSeTaoaSaTSswSrS(SIesmNSSeeaIGdNvaspgeGra(iroenT)nendcSdlatruySnaeTcrad>atSessr Sdei~r(nAdouF1GwicomgmeGpsu-da,egtrsaFnei-knLki1goie-an2ucn1g)ger,)geba.parne1raIetno2rgwwt)uaiaeacantd-eutrdeenddlarciis1T-rtllill5oS(oyu1TuSnswSdtpErtS-haorpaeot

–

Slika 12. Lokacija transektov (magenta puščice), ekstrahiranih za TSSSING(a) in TSSAGG(b). Upoštevajte

kumulativno maskiranje oblakov v opazovanjih TSSAGG.Himawari-8, opravljenih 9. septembra 2017 med n.

10:00 in 10:50 po lokalnem času (AEST).

–

Transekt sampvodil med 19S in 20S v Koralnem morju (slika 13a)

Vrednosti TSSSING in TSSAGG so večinoma pod mejami zaznave metode (0.25 mg L–1), kar lahko povzroči več kot 100-odstotne napake pri pridobivanju. TSSSING je predstavil konice ali različne vrstne rede vrednosti magnitude, ki se pojavljajo zaporedno na lestvici slikovnih pik (ali znotraj 1 km). Kot

posledično so opazili razlike do 0.3 mg L-1 med sosednjimi slikovnimi pikami,

kot je označeno s sent smoother

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

Remote Sens. 2022, 14, 3503

15 od 23

—

–

med TSSSING in T-SSAGG v transektih, posnetih v obalnem območju Velike Britanije (slika 13b), zlasti za TSS -> 1 mg L-1. Vendar pa se s povečanjemasinPri večji oddaljenosti od obale se je TSS znižal pod 1 mg L-1 in razlike med TSSSING in TSSAGG so se povečale. Čeprav je bila večina slikovnih pik TSSSING na sliki 13b nad mejami zaznavnosti (0.25 mg L-1), so pokazale slabo prostorsko koherenco na prehodnem območju od obale do oceana (151.4 do 152,0 E). Ker TSSSING in TSSAGG zagotavljata primerljive rezultate za TSS > ~1 mg L-1, sta oba lahko primerna za spremljanje obalnega GBR. Vendar pa TSSAGG kaže na splošno boljšo prostorsko koherenco in je lahko prednostnejši od TSSSING, odvisno od območja uporabe.

Slika 13. Transekti TSS, pridobljenih iz Himawari–8 (mg L–1), posneti v Koralnem morju (a) in znotraj
obalne vode GBR (b) iz TSSSING (modre pike) in TSSAGG (rdeče pike). Podatkovne vrzeli predstavljajo slikovne pike, prikrite za oblake, zemljo, sončni blesk ali zastavice ANN, kjer je to primerno. Označeni TSS (v črnih puščicah) označujejo vrednosti slikovnih pik na vrhu, zelena vodoravna črta pa označuje mejo zaznavanja
metoda.

4. Razprava
Sinoptično spremljanje kakovosti vode v obsežnem in optično kompleksnem GBR je prednostna naloga, ki predstavlja izziv za okoljske menedžerje in raziskovalce [2,83]-. Čeprav ima daljinsko zaznavanje barve oceana stroge radiometrične in spektralne zahteve, Himawari–8 ponuja izjemno število opazovanj za napredno spremljanje kakovosti vode GBR. Ta članek predstavlja prvi napredni algoritem za daljinsko zaznavanje, lokalno nastavljen in potrjen za sinoptično spremljanje kakovosti vode v dnevnem merilu v GBR.

4.1. Razvoj in validacija algoritmov

Skupne simulacije prenosa sevanja v oceanski atmosferi so zagotovile veliko in

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

robustnost za vnos izpolnjujejo minimum

rnaodisioemweatsriecsrpeeqcuiairlelymaednvtsanotfaogceeoaunsccoolnosuirdseerninsgo-rHs iamnadweanrvii-r8odnomeesnntoatl

hrup, zlasti iz ozračja, lahko močno vpliva na iskanje. Ti rezultati

Remote Sens. 2022, 14, 3503

16 od 23
spodbudil nadaljnjo uporabo opazovanj Himawari-8 za validacijo podatkov o kakovosti vode in situ v GBR.
Pridobljene napake ujemanja Himawari-8 TSS so se dobro primerjale s cilji misije, opredeljenimi za druge senzorje barve oceana, kot je Sentinel-3 v vodah primera 2 [85], zlasti za TSS nad 0.1 mg L-1. Učinkovitost sedanjega algoritma se dobro primerja s tistimi, ki uporabljajo atmosfersko popravljena opazovanja Himawari-8 [17,24], kar kaže na primernost izpeljave obalnega TSS z enostopenjskimi inverzijami na osnovi modela. Eksplicitni postopki korekcije atmosfere lahko izboljšajo pridobivanje za nižji obseg TSS (<~1 mg L-1), na katerega verjetno vplivata prevladujoča sevnost atmosferske poti in nizka radiometrična učinkovitost Himawari-8.
Izboljšave delovanja bi zahtevale večjo in obsežnejšo zbirko podatkov biooptičnih meritev in situ, ki zajemajo ustrezne prostorske in časovne lestvice variabilnosti. Poleg tega je treba upoštevati stroge merilne protokole za zmanjšanje negotovosti, povezanih s parametrizacijo in validacijo algoritmov v obalnih vodah. Na primer, trojni samples se priporočajo za določanje TSS z gravimetrično metodo. Poleg tega veljavnost sampje treba posneti v optično homogenih vodah [86], kar je še posebej težko v zelo dinamičnih obalnih okoljih. Kljub temu so meritve in situ dale na voljo številne raziskovalne agencije z različnimi znanstvenimi prednostnimi nalogami, ki uporabljajo posebneampling in analizne metode. Poleg tega fizični in okoljski procesi, kot so odboj dna, fluorescenca, dvosmerni odboj, polarizacija in škodljivo cvetenje alg, niso bili upoštevani, lahko pa tudi prispevajo k napakam pri iskanju ujemanja.
4.2. Skupne suspendirane trdne snovi Himawari-8 za Veliki koralni greben
Himawari-8 je omogočil spremljanje občasnih poplav v GBR v skoraj realnem času, kar je razkrilo povečanje TSS za velikost reda v enem dnevu. Ta dogodek so opazili med deževno sezono, ko je Burdekin 0.5 zaporednih dni izpustil med 1.5 in 10 milijona ML/dan (reka Burdekin na postaji Clare [87]). Nihanja TSS zaradi poplavnega oblaka Burdekin so bila precej nad mejno vrednostjo smernice za kakovost vode 2 mg L-1 za odprte obalne vode in vode v srednjih policah ter 0.7 mg L-1 za vode na morju GBR [82]. Poplavni oblak se je razširil 50 km v zunanje grebene, njegov dnevni razvoj pa so korak za korakom spremljali z 10-minutnim TSS, pridobljenim iz Himawari-8. Zato je Himawari-8 zagotovil izjemno število opazovanj za popolno kvalitativno in kvantitativno spremljanje poplavnih dogodkov v GBR. Zamaskirani piksli v poplavnih vodah kažejo vrednosti nad 100 mg L-1, kar pomeni, da je treba obseg simulacije razširiti za vrednosti nad to mejo za pridobivanje med poplavami v GBR.
Značilnosti TSS v matriksu južnega grebena so verjetno posledica kratkotrajnih submezoskalnih resuspenzijskih vrtincev (premer 1 km), ki jih pogosto imenujemo plimski curki. V južnem GBR veliki razponi plimovanja (10 m) povzročajo močne tokove [5, 10], ki potiskajo vodo skozi ozke in relativno plitve kanale [88,89]. Ta zapletena hidrodinamika spodbuja resuspenzijo in vbrizgavanje TSS iz police, ki se zlomi v matrico grebena, koncentracije TSS v teh regijah pa so verjetno neodvisne od kopenskih virov [90]. Plimski curki so bili povezani z lokalnim dvigovanjem in izmenjavo hranil med Koralnim morjem in laguno GBR [91], saj so pomemben mehanizem transporta in mešanja sedimentov, hranil in proizvodnje fitoplanktona [92,93]. Vendar sta lokacija in pojav plimskih curkov komaj opisana zaradi pomanjkanja ustreznih opazovanj prostorske in časovne ločljivosti [94]. Himawari-95,96 je omogočil identifikacijo in sledenje takih značilnosti znotraj GBR, pri zahtevani časovni ločljivosti za reševanje kratkotrajnih obalnih procesov.
4.3. Omejitve
Himawari-8 zagotavlja slabši SNR v primerjavi s preteklimi in trenutno delujočimi senzorji oceanske barve [80], njegova občutljivost pa je daleč pod minimalnimi zahtevami za aplikacije oceanske barve, zlasti nad odprtimi oceanskimi vodami [9,97]. Vendar Himawari-

Remote Sens. 2022, 14, 3503

17 od 23
Zmerna radiometrična ločljivost 8 bitov 11 verjetno ne bo nasičena nad svetlimi tarčami, kot so oblaki [80], in nad izjemno motnimi obalnimi vodami (TSS ~100 mg L-1), hkrati pa bo zagotovila dovolj občutljivosti, da zagotovi razumno raven diskretizacije nad čistimi vodami (>0.25 mg L-1). Ravni hrupa, izračunane iz združenih opazovanj, so bile na splošno nižje od tistih iz posameznih opazovanj v vseh pasovih, kar potrjuje primernost znižanja časovne ločljivosti za izboljšanje kakovosti slike [7,16, 3]. Kljub temu, da so dnevna nihanja SNR v veliki meri modulirana z višinskimi koti Sonca, spektralna odvisnost nakazuje, da znaten vir vhodnega hrupa (5 % v rdečih in NIR pasovih) v vodah odprtega oceana lahko izvira iz ozračja [80]. Kljub temu je meja zaznavanja sedanje metode (0.25 mg L-1) primerljiva s tistimi, ki uporabljajo eksplicitno atmosfersko korekcijo za inverzijo meteoroloških podatkov [17,98].
Meja zaznavnosti 0.25 mg L-1 je blizu meje zaznavnosti in situ TSS, izmerjenega z gravimetrično metodo ~0.4 mg L-1, za AIMS in CSIRO. Relativne negotovosti gravimetrične metode so povezane z merilnim protokolom, ki ga uporabljajo različni laboratoriji, kar vključuje razlike v vrstah filtrov, pristranskost operaterja, izpiranje soli itd. [99,100]. Na primer, kristali soli, ujeti v filtre iz steklenih vlaken, v veliki meri vplivajo na meritve TSS in sol je treba odstraniti z izpiranjem filtracijske naprave [101,102]. Kljub temu so bile napake, velike do 30 %, dosežene z uporabo različnih tehnik izpiranja soli, kar ovira natančno določanje TSS, nižjega od 1 mg [101]. Zato so meje zaznavanja in relativne negotovosti meritev in situ in TSS, pridobljenega iz Himawari-8, primerljive za to študijo. Ta rezultat nakazuje, da Himawari-8 ponuja priložnost za natančno spremljanje dnevne variabilnosti kakovosti vode v obalnem GBR, za TSS med 0.25 in 100 mg L-1.
Izdelki TSS, pridobljeni iz Himawari-8, so predstavljali sistematično vodoravno črto, z velikostjo, ki na splošno ustreza posameznim vodoravnim skeniranjem (500 km), kot je prej identificiral Murakami [22]. Črtovanje je posledica razlik v nagibih kalibracije detektorja do detektorja iz opazovanj sončnega difuzorja vidnih pasov [103,104]. Čeprav so bili kalibracijski koeficienti uporabljeni za opazovanja po juliju 2017, so bili vzorci vodoravnih črt še vedno prisotni v vodah na morju in s TSS < 1 mg L-1. Poleg tega so opazili močno granulacijo v izdelkih TSS, pridobljenih vsakih 10 minut, kar je potencialno povezano z nizko radiometrično zmogljivostjo senzorja Himawari-8 nad vodnimi cilji [17,22, XNUMX]. Vendar pa je bil vizualni šum v veliki meri zmanjšan s časovnim združevanjem več posameznih opazovanj v hourly-izpeljani izdelki TSS [16]. Na srečo je bil granulirani hrup zanemarljiv v obalnih in zmerno motnih vodah (TSS > 1 mg L-1), bodisi od 10 minut ali od hourly izdelki TSS. Ta rezultat je lahko povezan s povečanim povratnim sipanjem suspendiranih delcev, kar poveča sevanje, ki zapušča vodo, in preglasi fotonski šum [105]. Posledično je večja verjetnost, da bo TSS, pridobljen iz Himawari-8, natančno pridobljen nad zmerno motnimi obalnimi vodami kot nad odprtim oceanom, kar potrjuje analizo meja zaznavanja.
Spremembe slikovnih pik na odprtih oceanskih območjih (TSS < 0.25 mg L-1) so bile verjetno povezane z granuliranimi vzorci, opaženimi z vizualnim pregledom, zaradi nizke občutljivosti senzorja Himawari-8 pri ločljivosti 10 minut. Radiometrični šum za TSS pod 0.25 mg L-1 je bil močno zmanjšan v agregiranem TSS, kar potrjuje analizo občutljivosti in vizualnega pregleda. Nasprotno pa so opazili izboljšano prostorsko koherenco v transektu obalnega GBR za TSS > 1 mg L-1. Posledično se lahko TSS, pridobljen iz Himawari-8 10 minut, uporablja z enakim zaupanjem kot TSS, pridobljen iz hourly združena opazovanja na obalnih območjih. Pridobivanje TSS vsakih 10 minut v obalnem GBR izboljša razlikovanje hitro spreminjajočih se nihanj kakovosti vode v eni uri. Vendar pa ta časovna frekvenca v skoraj realnem času zahteva velike zmogljivosti obdelave in shranjevanja, ki so lahko neizvedljive za celotno GBR. Produkcija hourly TSS sicer ne izboljša samo hitrosti obdelave in zmogljivosti shranjevanja, temveč tudi pomaga odpraviti odstopanja in povečati natančnost izdelkov TSS.

Remote Sens. 2022, 14, 3503

18 od 23
5. Sklepi in prihodnje perspektive
Spremljanje na kraju samem in satelitski podatki LEO so zagotovili veliko našega znanja o poplavnih oblakih, ki vstopajo v GBR [4,106]. Vendar pa so redka in prostorsko skromna opazovanja ovirala popolno razumevanje razvoja oblaka in evolucije v kratkih časovnih obdobjih. Ta študija je pokazala primernost Himawari-108 za zanesljivo pridobivanje TSS v obalnem GBR in za kartiranje, sledenje in spremljanje poplavnih oblakov. Prvič so bile obalne značilnosti TSS zanesljivo kvantificirane za celoten GBR, po stopnjah, ki so možne samo z biogeokemijskimi in hidrodinamičnimi modeli [8]. Izdelki Himawari-109 TSS prinašajo sposobnost karakterizacije in razreševanja periodičnih in kratkotrajnih pojavov pri prostorsko-časovnih ločljivostih brez primere. Ti izdelki bodo uporabni za raziskovalce, oblikovalce modelov in zainteresirane strani, ki ocenjujejo vpliv kakovosti vode v ekosistemih GBR, ki trenutno uporabljajo le izdelke za barvo oceanov v orbiti LEO [8]. Dnevne spremembe in dejavnike nihanj kakovosti vode je treba nadalje raziskati v GBR z uporabo izdelkov Himawari-109 TSS in podatkov o obalnih procesih, kot so plimovanje, vetrovi in izpusti sladke vode. Poleg tega se lahko algoritem, predstavljen v tej študiji, neposredno uporabi za enak senzor Himawari-8 AHI, ki naj bi do leta 9 nasledil Himawari-8. Misija Himawari naslednje generacije (Himawari-2029) je v fazi načrtovanja in možni so dodatni kanali v vidnem območju ter izboljšana občutljivost in prostorska ločljivost. Te značilnosti bi v veliki meri izboljšale zmogljivosti algoritmov za barvo oceanov za geostacionarne senzorje, kar bi omogočilo natančnejše iskanje v obalnih vodah v dnevnih lestvicah. Podobno Advanced Meteorological Imager (AMI) na krovu GEOKOMPSAT-10A, kot tudi GOCI-II (GEOKOMPSAT-2B), trenutno opazujeta Avstralijo in Vzhodno Azijo, podoben algoritem strojnega učenja pa bi lahko razvili za izkoriščanje teh velikih in bogatih podatkovnih nizov v skoraj realnem času. V tem kontekstu ta študija zagotavlja napreden algoritem in možnost potencialnih aplikacij, ki jih je treba razviti, ko senzorji oceanske barve na krovu geostacionarnih platform postanejo resničnost za Avstralijo.
Dodatni materiali: Naslednje je na voljo na spletu na naslovu https://www.mdpi.com/article/ 10.3390/rs14143503/s1, Slika S1: Dnevna variabilnost skupnih suspendiranih trdnih snovi nad ustjem reke Burdekin februarja 2019 iz 10 minutnih opazovanj Himawari-8, Slika S2: Dnevna variabilnost skupnih suspendiranih trdnih snovi Trdne snovi nad južnim Velikim koralnim grebenom blizu Heralds Reefa novembra 2016 iz 10 minutnih opazovanj Himawari-8.
Avtorski prispevki: Konceptualizacija, LP-V. in TS; metodologija, LP-V. in TS; programska oprema, LP-V., TS in YQ; validacija, LP-V.; formalna analiza, LP-V.; urejanje podatkov, LP-V., TS in YQ; pisanje–priprava izvirnega osnutka, LP-V.; pisanje–review in urejanje, TS, MJD, SS in YQ; nadzor, TS, MJD in SS; pridobitev sredstev, LP-V. Vsi avtorji so prebrali in se strinjali z objavljeno različico rokopisa.
Financiranje: to raziskavo je financirala Fundacija Nacionalnega sveta za znanstveni in tehnološki razvoj (CNPq) brazilske zvezne vlade prek programa Znanosti brez meja, številka donacije 206339/2014-3.
Izjava o razpoložljivosti podatkov: Podatki, predstavljeni v tej študiji, so na voljo na zahtevo ustreznega avtorja.
Zahvala: Zahvaljujemo se Juergenu Fischerju in Michaelu Schaaleu (Inštitut za vesoljske znanosti, Oddelek za znanosti o Zemlji, Freie Universität Berlin) za dostop do kode za prenos sevanja MOMO in za orodje za inverzno modeliranje. Britta Schaffelke, Michele Skuza in Renee Gruber (AIMS) so prejele priznanje za zagotavljanje dragocenih podatkov in situ, zbranih v okviru programa za spremljanje morja za kakovost obalne vode, ki je rezultat sodelovanja med Upravo morskega parka Velikega koralnega grebena, Avstralskega inštituta za pomorske znanosti, Univerze Jamesa Cooka in Partnerstva za spremljanje vode Cape York. Japonska meteorološka agencija je priznana za delovanje Himawari-8 in distribucijo podatkov prek avstralskega urada za meteorologijo. Avstralski urad za meteorologijo je priznan za zagotavljanje podatkov o napovedi plimovanja. Podatki in situ so bili pridobljeni iz avstralskega Integriranega sistema za opazovanje morja (IMOS) – IMOS omogoča Nacionalna strategija skupne raziskovalne infrastrukture (NCRIS). NCRIS (IMOS) in CSIRO

Remote Sens. 2022, 14, 3503

19 od 23

so priznani za financiranje obalnega observatorija Lucinda Jetty. Ta raziskava je bila izvedena s pomočjo virov Nacionalne računalniške infrastrukture (NCI Australia), zmogljivosti, ki jo podpira NCRIS in podpira avstralska vlada.
Nasprotje interesov: Avtorji izjavljajo, da ni navzkrižja interesov.
Reference
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 (dostop 18. 2016. XNUMX).
10. Gruber, R.; Waterhouse, J.; Logan, M.; Petus, C.; Howley, C.; Lewis, S.; Tracey, D.; Langlois, L.; Tonin, H.; Skuža, M.; et al. Program spremljanja morja: Letno poročilo za spremljanje kakovosti obalnih voda 2018–2019; Poročilo za upravo morskega parka Great Barrier Reef 2208; Uprava morskega parka Great Barrier Reef: Townsville, Avstralija, 4096. Dostopno na spletu: https://elibrary.gbrmpa.gov.au/jspui/handle/2020/11017 (dostopano 3665. maja 14).
11. Waterhouse, J.; Schaffelke, B.; Bartley, R.; Eberhard, R.; Brodie, J.; Thorburn, P.; Rolfe, J.; Ronan, M.; Taylor, B.; Zvezda, M.; et al. Povzetek znanstvene izjave o soglasju: Vplivi rabe zemljišč na kakovost vode Velikega koralnega grebena in stanje ekosistema; Država Queensland: Townsville, Avstralija, 2017. Dostopno na spletu: https://www.reefplan.qld.gov.au/science-and-research/thescientific-consensus-statement (dostopano 25. novembra 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]

Remote Sens. 2022, 14, 3503

20 od 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 (dostopano 20. septembra 2021).
26. IOCCG. Daljinsko zaznavanje barve oceanov v obalnih in drugih optično kompleksnih vodah; Poročila Mednarodne koordinacijske skupine za barve oceanov (IOCCG), poročilo št. 3; Sathyendrath, S., ur.; IOCCG: Dartmouth, NS, Kanada, 2000. Dostopno na spletu: http://ioccg.org/wp-content/uploads/2015/10/ioccg-report-03.pdf (dostop 20. 2015. XNUMX).
27. Schroeder, T.; Schaale, M.; Lovell, J.; Blondeau-Patissier, D. An ensemble neural network atmospheric correction for Sentinel-3 OLCI over coastal waters providing inherent model uncertainty estimation and sensor noise propagation. Remote Sens. Environ. 2022, 270, 112848. [CrossRef]
28. Fan, Y.; Li, W.; Chen, N.; Ahn, J.-H.; Park, Y.-J.; Kratzer, S.; Schroeder, T.; Ishizaka, J.; Chang, R.; Stamnes, K. OC-SMART: A machine learning based data analysis platform for satellite ocean color sensors. Remote Sens. Environ. 2021, 253, 112236. [CrossRef]
29. Brockmann, C.; Doerffer, R.; Peters, M.; Stelzer, K.; Embacher, S.; Ruescas, A. Evolution of the C2RCC neural network for Sentinel 2 and 3 for the retrieval of ocean colour products in normal and extreme optically complex waters. In Proceedings of the European Space Agency, Prague, Czech Republic, 913 May 2016.
30. Schroeder, T.; Fischer, J.; Schaale, M.; Fell, F. Artificial-neural-network-based atmospheric correction algorithm: Application to MERIS data. In Proceedings of the SPIE 4892, Ocean Remote Sensing and Applications, Hangzhou, China, 8 May 2003; pp. 124132. [CrossRef]
31. Jamet, C.; Thira, S.; Moulin, C.; Crepon, M. Use of a Neurovariational Inversion for Retrieving Oceanic and Atmospheric Constituents from Ocean Color Imagery: A Feasibility Study. J. Atmos. Ocean. Technol. 2005, 22, 460475. [CrossRef]
32. Brajard, J.; Jamet, C.; Moulin, C.; Thiria, S. Use of a neuro-variational inversion for retrieving oceanic and atmospheric constituents from satellite ocean colour sensor: Application to absorbing aerosols. Neural Netw. Off. J. Int. Neural Netw. Soc. 2006, 19, 178185. [CrossRef]
33. Doerffer, R. Algorithm Theoretical Basis Document (ATBD) MERIS Regional Coastal and Lake Case 2 Water Project Atmospheric Correction ATBD; Water Version 1; GKSS Research Center: Geesthacht, Germany, 2008; pp. 142.
34. Pahlevan, N.; Smith, B.; Schalles, J.; 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. Odbor za razširitev na standardno atmosfero. standardna atmosfera ZDA; NASA: Washington, DC, ZDA, 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–Zvezno omrežje instrumentov in arhiv podatkov za karakterizacijo aerosolov. Okolje z daljinskim senzorjem. 1998, 66, 1. [CrossRef] 16. AERONET. Aerosolno robotsko omrežje. Dostopno na spletu: https://aeronet.gsfc.nasa.gov/cgi-bin/data_display_aod_v45?site= Lucinda&nachal=3&level=2&place_code=3 (dostop 10. oktobra 3).

Remote Sens. 2022, 14, 3503

21 od 23

46. Ångström, A. Parametri atmosferske motnosti. Tellus 1964, 16, 64. [CrossRef] 75. Rothman, LS; Barbe, A.; Chris Benner, D.; Rjava, LR; Camy-Peyret, C.; Carleer, MR; Chance, K.; Clerbaux, C.; Dana, V.; Devi,
VM; et al. HITRAN molekularna spektroskopska zbirka podatkov: izdaja iz leta 2000, vključno s posodobitvami do leta 2001. J. Quant. Spectrosc. Radiat. Transf. 2003, 82, 5. [CrossRef] 44. Bennartz, R.; Fischer, J. Pristop spremenjene porazdelitve k, uporabljen za ozkopasovne ocene absorpcije vodne pare in kisika v bližnjem infrardečem območju. J. Quant. Spectrosc. Radiat. Transf. 48, 2000, 66. [CrossRef] 539. Zhang, T.; Fell, F.; Liu, ZS; Preusker, R.; Fischer, J.; On, MX Ocenjevanje učinkovitosti tehnik umetne nevronske mreže za pridobivanje pigmenta iz barve oceana v vodah primera I. J. Geophys. Res. Ocean. 553, 49, 2003. [CrossRef] 108. Pope, RM; Fry, ES Absorpcijski spekter (3286 nm) čiste vode. II. Vključevanje meritev votline. Appl. Opt. 50, 380, 700. [CrossRef] 1997. Hale, GM; Querry, MR Optične konstante vode v območju valovnih dolžin od 36 nm do 8710 µm. Appl. Opt. 8723, 51, 200. [CrossRef] 200. Bricaud, A.; Morel, A.; Babin, M.; Allali, K.; Claustre, H. Variacije absorpcije svetlobe s suspendiranimi delci s koncentracijo klorofila v oceanskih (primer 1973) vodah: analiza in posledice za biooptične modele. J. Geophys. Res. Ocean. 12, 555, 563. [CrossRef] 52. Babin, M.; Stramski, D.; Ferrari, GM; Claustre, H.; Bricaud, A.; Obolenski, G.; Hoepffner, N. Spremembe koeficientov absorpcije svetlobe fitoplanktona, nealgalnih delcev in raztopljene organske snovi v obalnih vodah po Evropi. J. Geophys. Res. Ocean. 1, 1998, 103. [CrossRef] 31033. Morel, A. Optične lastnosti čiste vode in čiste morske vode. V Optični vidiki oceanografije; Nielsen, JS, ur.; Academic Press: Cambridge, MA, ZDA, 31044; str. 53. 2003. Babin, M.; Morel, A.; Fournier-Sicre, V.; Fell, F.; Stramski, D. Lastnosti sipanja svetlobe morskih delcev v obalnih in odprtih oceanskih vodah v povezavi z masno koncentracijo delcev. Limnol. Oceanogr. 108, 3211, 54. [CrossRef] 1974. Zhang, T.; Fell, F.; Fischer, J. Modeliranje razmerja povratnega sipanja morskih delcev v vodah primera 1. V Proceedings of the Ocean Optics XVI, Santa Fe, MN, ZDA, 24 november 55. 2003. Minsky, M.; Papert, SA Perceptroni: Uvod v računalniško geometrijo; MIT Press: Cambridge, MA, ZDA, 48. 843. Malthouse, EC Omejitve nelinearnega PCA, kot se izvaja z generičnimi nevronskimi mrežami. IEEE Trans. Nevronska mreža 859, 56, 2. [CrossRef] [PubMed] 18. Liu, DC; Nocedal, J. O metodi BFGS z omejenim pomnilnikom za optimizacijo velikega obsega. matematika Program. 22, 2002, 57. [CrossRef] 1969. Japonska meteorološka agencija. Dnevnik dogodkov: posodobitev informacij o umerjanju, uporabljenih za popravljanje trenda občutljivosti Himawari-58 AHI; Meteorološki satelitski center: Kiyose, Japonska, 1998. Dostopno na spletu: https://www.data.jma.go.jp/mscweb/en/oper/eventlog/ Update_of_Calibration_Information_2019.pdf (dostopano 20. septembra 2021). 61. Kurucz, R. Sončev spekter: Atlasi in identifikacije črt. V zborniku Laboratory and Astronomical High Resolution Spectra, Bruselj, Belgija, 29. avgust 2. september 1995; str. 17. 62. Meteorološki satelitski center. GSICS Himawari-8 vodnik za vidno in bližnjo infrardečo kalibracijo. Dostopno na spletu: https://www.data.jma.go.jp/mscweb/data/monitoring/gsics/vis/techinfo_visvical.html (dostopano 10. maja 2022). 63. Japonska meteorološka agencija. Dnevnik dogodkov: izboljšanje kakovosti podatkov opazovanja Himawari-8; Dnevnik dogodkov Meteorološki satelitski center: Kiyose, Japonska, 2017. Dostopno na spletu: https://www.data.jma.go.jp/mscweb/en/oper/eventlog/Improvement_of_ Himawari-8_data_quality.pdf (dostopano 20. septembra 2021). 64. Qin, Y.; Steven, ADL; Schroeder, T.; McVicar, TR; Huang, J.; Cope, M.; Zhou, S. Oblačnost v avstralski regiji: razvoj in validacija algoritma za maskiranje v oblaku, klasifikacijo in optično iskanje globine za napredno slikovno napravo Himawari. Spredaj. Okolje. Sci. 2019, 7, 20. [CrossRef] 65. Uprava morskega parka Great Barrier Reef. Značilnosti Velikega koralnega grebena (GBR) (meje grebena, celina QLD, otoki, reke, skale in suhi grebeni) (GBRMPA) (različica 1.4) [nabor podatkov] 2164DB88-FD79-449E-920F-61C37ADE634B. 1998. Dostopno na spletu: http://www.gbrmpa.gov.au/geoportal/catalog/search/resource/details.page?uuid=%7B41AB3629-B41B-4746-9B753822667E5AF3%7D (dostopano 14. maja 2022). 66. Emecen, E.; Kara, G.; Erdogmus, F.; Gardashov, R. Določitev lokacij sončnih žarkov na površini oceana z opazovanjem iz geostacionarnih satelitov. TAO Terr. Atmos. Ocean. Sci. 2006, 17, 253. [CrossRef] 67. Nacionalna uprava za oceane in atmosfero. Analiza celotnega ozona z uporabo SBUV/2 in TOVS (TOAST). Dostopno na spletu: https://www.ospo.noaa.gov/Products/atmosphere/toast/index.html (dostopano 1. decembra 2020). 68. Kistler, R.; Kalnay, E.; Collins, W.; Saha, S.; Bela, G.; Woollen, J.; Chelliah, M.; Ebisuzaki, W.; Kanamitsu, M.; Kousky, V. 50-letna ponovna analiza NCEPNCAR: Mesečno pomeni CD-ROM in dokumentacijo. Bik. Am. Meteorol. Soc. 2001, 82, 247. [CrossRef] 268. Kanamitsu, M.; Ebisuzaki, W.; Woollen, J.; Yang, S.-K.; Hnilo, JJ; Fiorino, M.; Potter, GL NCEPDOE Ponovna analiza AMIP-II (R-69). Bik. Am. Meteorol. Soc. 2, 2002, 83. [CrossRef] 1631. Kalnay, E.; Kanamitsu, M.; Kistler, R.; Collins, W.; Deaven, D.; Gandin, L.; Iredell, M.; Saha, S.; Bela, G.; Woollen, J. 1644-letni projekt ponovne analize NCEP/NCAR. Bik. Am. Meteorol. Soc. 70, 40, 1996. [CrossRef] 77. Nacionalna uprava za oceane in atmosfero. NCEP ReAnalysis 437 Meteorološki podatki. Dostopno na spletu: https://psl.noaa. gov/data/gridded/data.ncep.reanalysis472.html (dostopano 71. decembra 2).

Remote Sens. 2022, 14, 3503

22 od 23

72. Integrirani sistem za opazovanje morja. IMOS Ocean Color Bio Optical Database of Australian Waters (SRS-OC-BODBAW). 2011. Dostopno na spletu: https://researchdata.edu.au/imos-srs-ocean-australian-waters (dostopano 20. februarja 2017).
73. Uprava morskega parka Great Barrier Reef. Priročnik za zagotavljanje kakovosti in nadzor kakovosti programa spremljanja morja 2017-2018; Uprava morskega parka Great Barrier Reef: Townsville, Avstralija, 2019. Dostopno na spletu: http://elibrary.gbrmpa.gov.au/jspui/handle/11017/3487 (dostopano 15. maja 2018).
74. Soja-Woz´niak, M.; Baird, M.; Schroeder, T.; Qin, Y.; Clementson, L.; Baker, B.; Boadle, D.; Brando, V.; Steven, A.D.L. Particulate Backscattering Ratio as an Indicator of Changing Particle Composition in Coastal Waters: Observations From Great Barrier Reef Waters. J. Geophys. Res. Ocean. 2019, 124, 54855502. [CrossRef]
75. Bulgarelli, B.; Zibordi, G. On the detectability of adjacency effects in ocean color remote sensing of mid-latitude coastal environments by SeaWiFS, MODIS-A, MERIS, OLCI, OLI and MSI. Remote Sens. Environ. 2018, 209, 423438. [CrossRef]
76. Schroeder, T.; Lovell, J.; King, E.; Clementson, L.; Scott, R. IMOS Ocean Colour Validation Report 2017-18, Report to the Integrated Marine Observing System (IMOS); CSIRO Oceans and Atmosphere: Brisbane, Australia, 2018; p. 22.
77. King, E.; Schroeder, T.; Brando, V.; Suber, K. A Pre-operational System for Satellite Monitoring of Great Barrier Reef Marine Water Quality. In Wealth from Oceans Flagship Report; CSIRO Wealth from Oceans Flagship: Hobart, Australia, 2014. [CrossRef]
78. Japan Meteorological Agency. Event Log: Quality Improvement of Himawari-8 Observation Data; Meteorological Satellite Center: Kiyose, Japan, 2016. Available online: https://www.data.jma.go.jp/mscweb/en/oper/eventlog/20161117_Quality_ improving_of_Himawari-8_observation_data.pdf (dostopano 20. septembra 2021).
79. Japonska agencija za vesoljsko raziskovanje. JAXA Himawari Monitor P-Tree System. Dostopno na spletu: https://www.eorc.jaxa.jp/ ptree/index.html (dostop 14. 2022. XNUMX).
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. Protokoli za validacijo vodnih izdelkov MERIS; Publikacija ESA PO-TN-MEL-GS-0043 GKSS; Forschungszentrum: Geesthacht, Nemčija, 2002; str. 1.
87. Vlada Queenslanda. Informacijski portal za spremljanje vode (WMIP). Dostopno na spletu: https://water-monitoring.information. qld.gov.au/ (dostopano 30. marca 2021).
88. Wolanski, E.; Spagnol, S. Lepljive vode v Velikem koralnem grebenu. Estuar. Obala. Shelf Sci. 2000, 50, 27. [CrossRef] 32. Pickard, GL; Donguy, J.-R.; Hénin, C.; Rougerie, F. A Review fizične oceanografije Velikega koralnega grebena in zahodnih koral
morje; Avstralska vladna založniška služba: Canberra, Avstralija, 1977. 90. Feng, D.; Hodges, BR; Socolofsky, SA; Thyng, KM Plimski vrtinci na vhodu v ozek kanal v operativnih modelih razlitja nafte. marec
Onesnaževanje. Bik. 2019, 140, 374. [CrossRef] [PubMed] 387. De'ath, GA; Fabricius, KK Kakovost vode Velikega koralnega grebena: porazdelitve, učinki na bioto grebena in sprožilne vrednosti za
Varovanje zdravja ekosistemov; Uprava morskega parka Velikega koralnega grebena Commonwealtha Avstralije in Avstralski inštitut za pomorske znanosti: Townsville, Avstralija, 2008; str. 104. 92. Thomson, RE; Wolanski, EJ Dvig v obdobju plimovanja znotraj velikega pregradnega grebena na vhodu na otok Raine. J. Mar. Res. 1984, 42, 787. [CrossRef] 808. Wolanski, E.; Drew, E.; Abel, KM; O'Brien, J. Plimski curki, dvigovanje hranil in njihov vpliv na produktivnost alge Halimeda v trakastih grebenih, Veliki koralni greben. Estuar. Obala. Shelf Sci. 93, 1988, 26. [CrossRef] 169. Marmorino, GO; Smith, GB; Miller, WD Značilnosti turbulence povzete iz časovno zamaknjenih satelitskih posnetkov površinskih alg v plitvem morju s plimovanjem. nadaljevanje Rez. 201, 94, 2017. [CrossRef] 148. Delandmeter, P.; Lambrechts, J.; Marmorino, GO; Legat, V.; Wolanski, E.; Remacle, J.-F.; Chen, W.; Deleersnijder, E. Submesoscale plimski vrtinci po koralnih otokih in grebenih: Satelitski podatki in numerično modeliranje. Ocean. Dyn. 178, 184, 95. [CrossRef] 2017. Li, G.; On, Y.; Liu, G.; Zhang, Y.; Hu, C.; Perrie, W. Večsenzorska opazovanja submezoskalnih vrtincev v obalnih regijah. Remote Sens. 67, 897, 913. [CrossRef]

Remote Sens. 2022, 14, 3503

23 od 23

97. IOCCG. Zahteve poslanstva za prihodnje senzorje oceanskih barv; Poročila Mednarodne koordinacijske skupine za barve oceanov (IOCCG), poročilo št. 13; McClain, C., Meister, G., ur.; IOCCG: Dartmouth, NS, Kanada, 2012. Dostopno na spletu: http://ioccg.org/wp-content/uploads/2015/10/ioccg-report-13.pdf (dostop 30. 2017. XNUMX).
98. Neukermans, G.; Ruddick, K.; Bernard, E.; Ramon, D.; Nechad, B.; Deschamps, P.-Y. Mapping total suspended matter from geostationary satellites: A feasibility study with SEVIRI in the Southern North Sea. Opt. Express 2009, 17, 1402914052. [CrossRef]
99. Neukermans, G.; Ruddick, K.; Loisel, H.; Roose, P. Optimization and quality control of suspended particulate matter concentration measurement using turbidity measurements. Limnol. Oceanogr. Methods 2012, 10, 10111023. [CrossRef]
100. Röttgers, R.; Heymann, K.; Krasemann, H. Suspended matter concentrations in coastal waters: Methodological improvements to quantify individual measurement uncertainty. Estuar. Coast. Shelf Sci. 2014, 151, 148155. [CrossRef]
101. Tilstone, G.; Moore, G.; Sørensen, K.; Doerffer, R.; Røttgers, R.; Ruddick, K.; Pasterkamp, R.; Jørgensen, P. Regionalna validacija klorofilnih izdelkov MERIS v obalnih vodah Severnega morja. V zborniku delovnega srečanja o kalibraciji in geofizikalni validaciji MERIS in AATSR (ENVISAT MAVT-2003), Frascati, Italija, 20 oktober 24.
102. Stavn, R.H.; Rick, H.J.; Falster, A.V. Correcting the errors from variable sea salt retention and water of hydration in loss on ignition analysis: Implications for studies of estuarine and coastal waters. Estuar. Coast. Shelf Sci. 2009, 81, 575582. [CrossRef]
103. Okuyama, A.; Takahashi, M.; Date, K.; Hosaka, K.; Murata, H.; Tabata, T.; Yoshino, R. Validation of Himawari-8/AHI radiometric calibration based on two years of in-orbit data. J. Meteorol. Soc. Japan. Ser. II 2018, 96, 91109. [CrossRef]
104. Japan Meteorological Agency. Event log: Impacts of Spacecraft Events and Calibration on Himawari-8 Images: Striping; Meteorological Satellite Center: Kiyose, Japan, 2020. Available online: http://www.data.jma.go.jp/mscweb/en/oper/image_info.html#005 (dostopano 20. septembra 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]

Dokumenti / Viri

Algoritem strojnega učenja

User Guide · Machine Learning Algorithm, Learning Algorithm, Algorithm

Reference

aeronet.gsfc.nasa.gov/cgi-bin/data_display_aod_v3?site=aeronet.gsfc.nasa.gov
co.ukco.uk
Domača strandoi.org
edu.auedu.au
Digitalni repozitorij Reef Authority: Domovelibrary.gbrmpa.gov.au
elibrary.gbrmpa.gov.au/jspui/handle/11017/3665elibrary.gbrmpa.gov.au
jcu.edu.aujcu.edu.au
psl.noaapsl.noaa
Queenslandska vlada | Queenslandska vladaqld.gov.au
researchdata.edu.au/imos-srs-ocean-australian-watersresearchdata.edu.au
Uporabniški priročnikmanual.tools

Published: April 8, 2025

Posodobljeno: 26. november 2025

Uporabniški priročnik za algoritem strojnega učenja MDPI

Algoritem strojnega učenja

Informacije o izdelku

Specifikacije

Navodila za uporabo izdelka

1. Uvod

2. Postopek pridobivanja

3. Senzorji oceanskih barv

Pogosto zastavljena vprašanja (FAQ)

V: Kaj je glavni poudarek članka o daljinskem zaznavanju?

V: Zakaj so geostacionarni sateliti prednostni za obalne
spremljanje?

Dokumenti / Viri

Reference

Postavite vprašanje

Sorodne teme

Algoritem strojnega učenja

Informacije o izdelku

Specifikacije

Navodila za uporabo izdelka

1. Uvod

2. Postopek pridobivanja

3. Senzorji oceanskih barv

Pogosto zastavljena vprašanja (FAQ)

V: Kaj je glavni poudarek članka o daljinskem zaznavanju?

V: Zakaj so geostacionarni sateliti prednostni za obalne spremljanje?

Dokumenti / Viri

Reference

Postavite vprašanje

Postavite vprašanje Cancel question

Sorodne teme

Zadnje MDPI Priročniki

V: Zakaj so geostacionarni sateliti prednostni za obalne
spremljanje?