Algoritmo de aprendizaje automático
Información del producto
Presupuesto
- Nombre del producto: Artículo sobre teledetección
- Autor: Larissa Patricio-Valerio, Thomas
Schroeder, Michelle J. Devlin, Yi Qin, Scott Smithers - Fecha de publicación: 21 de julio de 2022
- Palabras clave: Himawari-8, color del océano, artificial
redes neuronales, Gran Barrera de Coral, aguas costeras, total
sólidos suspendidos, aprendizaje automático, calidad del agua
Instrucciones de uso del producto
1. Introducción
El artículo sobre teledetección proporciona información sobre el uso de
Algoritmos de aprendizaje automático para recuperar sólidos suspendidos totales
en la Gran Barrera de Coral utilizando datos de Himawari-8. El artículo
Analiza los desafíos y beneficios de utilizar energía geoestacionaria.
Satélites en órbita terrestre para la observación continua de las zonas costeras
áreas.
2. Proceso de recuperación
El artículo destaca la importancia de la geoestacionaria
Satélites como Himawari-8 capturan datos casi en tiempo real sobre
Procesos costeros. Se enfatizan las limitaciones de la órbita terrestre baja.
satélites para resolver la variabilidad a corto plazo en comparación con
Satélites geoestacionarios.
3. Sensores de color del océano
El artículo menciona la importancia de los sensores de color del océano en
Satélites para adquirir información espacial relacionada con el agua
calidad. Se analiza la dinámica temporal observada por
Los satélites geoestacionarios y su impacto en la vigilancia costera
fenómenos.
Preguntas frecuentes (FAQ)
P: ¿Cuál es el enfoque principal del artículo sobre teledetección?
A: El enfoque principal está en utilizar un algoritmo de aprendizaje automático con
Datos de Himawari-8 para recuperar sólidos suspendidos totales en el Gran
Barrera de Coral.
P: ¿Por qué se prefieren los satélites geoestacionarios para las zonas costeras?
¿supervisión?
A: Los satélites geoestacionarios ofrecen una observación casi continua de
grandes áreas con mayor frecuencia, lo que permite un mejor monitoreo
de procesos costeros que cambian rápidamente.
teledetección
Artículo
Un algoritmo de aprendizaje automático para la recuperación de sólidos suspendidos totales de Himawari-8 en la Gran Barrera de Coral
Larissa Patricio-Valerio 1,2,* , Thomas Schroeder 2, Michelle J. Devlin 3 , Yi Qin 4 y Scott Smithers 1
1 Facultad de Ciencias e Ingeniería, Universidad James Cook, Townsville, QLD 4811, Australia; scott.smithers@jcu.edu.au
2 Organización de Investigación Científica e Industrial de la Commonwealth, Océanos y Atmósfera, GPO Box 2583, Brisbane, QLD 4001, Australia; thomas.schroeder@csiro.au
3 Centro de Ciencias Ambientales, Pesqueras y Acuícolas, Parkfield Road, Lowestoft, Suffolk NR33 0HT, Reino Unido; michelle.devlin@cefas.co.uk
4 Organización de Investigación Científica e Industrial de la Commonwealth, Océanos y Atmósfera, GPO Box 1700, Canberra, ACT 2601, Australia; yi.qin@csiro.au
* Correspondencia: larissa.patriciovalerio@my.jcu.edu.au
Cita: Patricio-Valerio, L.; Schroeder, T.; Devlin, MJ; Qin, Y.; Smithers, S. Un algoritmo de aprendizaje automático para la recuperación de sólidos suspendidos totales en Himawari-8 en la Gran Barrera de Coral. Remote Sens. 2022, 14, 3503. https://doi.org/10.3390/rs14143503
Editor académico: Chris Roelfsema
Recibido: 15 de mayo de 2022 Aceptado: 19 de julio de 2022 Publicado: 21 de julio de 2022
Nota del editor: MDPI se mantiene neutral con respecto a los reclamos jurisdiccionales en los mapas publicados y las afiliaciones institucionales.
Derechos de autor: © 2022 de los autores. Licenciatario: MDPI, Basilea, Suiza. Este artículo es de acceso abierto y se distribuye bajo los términos y condiciones de la licencia Creative Commons Atribución (CC BY) (https://creativecommons.org/licenses/by/ 4.0/).
Resumen: La teledetección del color del océano ha sido fundamental para el monitoreo a escala sinóptica de la calidad del agua marina en la Gran Barrera de Coral (GBR). Sin embargo, los sensores de color del océano a bordo de satélites de órbita baja, como la constelación Sentinel-3, carecen de capacidad de revisita suficiente para resolver completamente la variabilidad diurna en entornos costeros altamente dinámicos. Para superar esta limitación, este trabajo presenta un algoritmo de color del océano costero basado en la física para el generador de imágenes Advanced Himawari, a bordo del satélite geoestacionario Himawari-8. A pesar de estar diseñado para aplicaciones meteorológicas, Himawari-8 ofrece la oportunidad de estimar las características del color del océano cada 10 minutos, en cuatro amplias bandas espectrales del visible y el infrarrojo cercano, y con una resolución espacial de 1 km². Se realizaron simulaciones acopladas de transferencia radiativa océano-atmósfera de las bandas de Himawari-2 para un rango realista de propiedades ópticas atmosféricas y subacuáticas de la GBR y para una amplia gama de geometrías solares y de observación. Los datos simulados se utilizaron para desarrollar un modelo inverso basado en técnicas de redes neuronales artificiales para estimar las concentraciones de sólidos suspendidos totales (SST) directamente a partir de las observaciones de reflectancia espectral del tope de la atmósfera de Himawari-8. El algoritmo se validó con datos in situ concurrentes en la GBR costera y se evaluaron sus límites de detección. Las recuperaciones de SST presentaron errores relativos de hasta el 8 % y errores absolutos de 75 mg L⁻¹ dentro del rango de validación de 2 a 1 mg L⁻¹, con un límite de detección de 0.14 mg L⁻¹. Se analizan las posibles aplicaciones de los productos de SST diurnos de Himawari-24 para mejorar la monitorización y la gestión de la calidad del agua en la GBR.
Palabras clave: Himawari-8; color del océano; redes neuronales artificiales; Gran Barrera de Coral; aguas costeras; sólidos suspendidos totales; aprendizaje automático; calidad del agua
1. Introducción Los sensores de color del océano a bordo de satélites de órbita terrestre baja (LEO), como MODIS/Aqua,
VIIRS/Suomi-NPP y OLCI/Sentinel-3 han proporcionado registros a largo plazo de observaciones valiosas y rentables para examinar la dinámica diaria e interanual de la calidad del agua en la Gran Barrera de Coral (GBR) [1]. Los satélites LEO escanean la misma área geográfica en uno o dos días como máximo; sin embargo, el desfase temporal entre dos órbitas consecutivas e idénticas (es decir, la periodicidad de las revisiones) suele variar entre una y hasta cuatro semanas. Además, las imágenes del color del océano pueden verse afectadas en gran medida por la presencia de nubes y el destello solar, lo que limita la obtención de observaciones de alta calidad [5]. Esto puede requerir un conjunto de imágenes diarias semanales o mensuales de la misma área para generar una composición sin nubes. view del océano. En consecuencia, la capacidad temporal de los satélites LEO es insuficiente para desarrollar un sistema de observación integral y monitorear eficazmente los procesos costeros dinámicos a corto plazo, como los ciclos diarios del fitoplancton, la progresión diaria de las columnas de inundación y
Sensores remotos 2022, 14, 3503. https://doi.org/10.3390/rs14143503
https://www.mdpi.com/journal/remotesensing
Sensores remotos 2022, 14, 3503
2 de 23
resuspensión impulsada por mareas y viento [7]. Los investigadores y gestores ambientales aún
Confíe en los productos de color del océano LEO para adquirir información espacial rentable.
GBR costera [10,11], pero reconocen las limitaciones de estas técnicas para resolver problemas a corto plazo.
variabilidad.
–
Los satélites en una órbita terrestre geoestacionaria (GEO) permiten, por el contrario, una transmisión casi continua.
observación de grandes áreas del globo a mayor frecuencia (minutos a horas) en comparación
a la frecuencia de revisitas casi diarias de las plataformas LEO, particularmente sobre los trópicos [9].
El primer sensor de imágenes geoestacionarias en color del océano (GOCI-I) del mundo, lanzado en 2010, ha revelado
La dinámica temporal de los procesos costeros que cambian rápidamente en el noreste de Asia, como
de columnas de turbidez y floraciones de algas nocivas [12,13]. Su éxito proporcionó un caso útil
para el desarrollo futuro de misiones globales GEO de color del océano [14]; sin embargo, ninguna de
Las misiones propuestas para su lanzamiento en la próxima década fueron diseñadas para observar
Aguas australianas. Sin embargo, los satélites GEO se utilizan globalmente para observaciones meteorológicas.
Las reservas y los recientes avances tecnológicos han aprovechado sus capacidades para recopilar datos sobre los océanos, lo que permite observar procesos más dinámicos desde el espacio [-15].
Para anexar el texto original en inglés: "Ignition theera-vtiiosinblGe EspOemctreutemor(o2loogri3cailnssetenasdorosfaorenleyq1uibpapnedd")
con un número mayor combinado con una mejora
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 se encuentra a 140.7 E sobre el ecuador y, con una velocidad de barrido de 10 minutos, captura al menos 48 observaciones de disco completo en un día (de 8:4 a XNUMX:XNUMX hora local). Si bien el instrumento AHI fue diseñado para aplicaciones meteorológicas, sus espectros visible e infrarrojo cercano...
Las bandas (VNIR) (Figura 1 y Tabla 1) permiten la detección de características marinas con fuerte
señales ópticas, como las de aguas muy turbias [19]. Además, Himawari-21
Las observaciones de resolución temporal ultraalta permiten monitorear las propiedades del océano desde
sub-hourly a escalas de tiempo interanuales para toda la laguna GBR y la zona oceánica adyacente
basin without inter-orbital data g-aps.
wFiigthurtehe1.trHainmsmawisas-riio-n8
Funciones de respuesta espectral de las bandas visible e infrarroja (líneas blancas continuas) de los gases atmosféricos (línea gris rellena) y la transmisión por ozono (línea roja).
línea continua) entre 400 y 1000 nm.
Una amplia gama de aplicaciones para el monitoreo y la gestión de áreas oceánicas tienen el potencial de derivarse de Him-awari-8, incluyendo para el color del océano -[22,23]. Estudios recientes han demostrado la viabilidad de las observaciones de Hima-wari-8 para la detección de sólidos suspendidos totales (TSS) en aguas costeras [17,24] y para la concentración de clorofila-a (CHL) en el océano abierto [22]. Estos resultados sugieren una oportunidad emocionante para monitorear procesos dinámicos y de alta frecuencia en la GBR costera. Sin embargo, aunque varios algoritmos de color del océano pueden estar disponibles para la recuperación satelital de parámetros de calidad del agua costera, pueden no ser adecuados para la complejidad óptica de la GBR o no ser aplicables a las observaciones de Himawari-8.
Sensores remotos 2022, 14, 3503
3 de 23
– –
Tleanbglteh1s.anHdimbaanwdawrii-d8-thA, dasvsaoncciaetdedHsipmaatiwalarreisIomluatgioenr.vSiisgibnlael-aton-dnoni-esearr–aintiforsar(SeNd Rb)anfrdosmcpenertrfoarlmwaanvce–etest results [25].
Banda # (Nombre) #1 (azul) #2 (verde) #3 (rojo) #4 (NIR)
Centro de la banda (ancho) 470.64 (45.37) nm 510.00 (37.41) nm 639.15 (90.02) nm 856.69 (42.40) nm
Resolución espacial 1 km 1 km 0.5 km 1 km
SNR @100% Albedo 585 (641.5) 645 (601.9) 459 (519.3) 420 (309.3)
Los algoritmos de color del océano basados en modelos que utilizan simulaciones de transferencia radiativa han demostrado un rendimiento superior para su aplicación en estudios de teledetección multitemporal de aguas costeras en comparación con los algoritmos empíricos [26]. Específicamente, las redes neuronales son un método de inversión computacionalmente eficiente para aplicaciones de teledetección en aguas costeras ópticamente complejas debido a su capacidad para aproximarse a relaciones funcionales no lineales [27]. Este documento describe el desarrollo de un algoritmo de color del océano de red neuronal basado en modelos (Figura 35) para Himawari-2 y parametrizado para las aguas costeras de la GBR. El algoritmo de inversión de un paso se desarrolló para estimar TSS directamente a partir de observaciones del tope de la atmósfera (TOA) de Himawari-8 con un perceptrón multicapa, una clase de redes neuronales artificiales (ANN). En primer lugar, se simuló la distribución angular espectral de las reflectancias del TOA RTOA() sr-8 en las bandas VNIR Himawari-1 con un modelo acoplado de transferencia radiativa (RT) océano-atmósfera (modelo directo) existente. Las simulaciones de RT incluyeron variaciones realistas en los parámetros de calidad del agua y las condiciones atmosféricas y de iluminación. Posteriormente, se diseñaron, entrenaron y probaron varios experimentos de ANN (modelos inversos) para recuperar TSS en las bandas Himawari-8 con base en las radiancias simuladas del TOA. Finalmente, los resultados de TSS recuperados en Himawari-8 se evaluaron estadísticamente con respecto a datos concurrentes in situ de calidad del agua en la GBR y se investigaron las limitaciones del algoritmo seleccionado.
Figura 2. Diagrama de flujo del algoritmo de color del océano basado en modelos desarrollado para Himawari–8.
2. Métodos La parametrización de las simulaciones de transferencia radiativa y el diseño de la
El modelo inverso de ANN se especifica en las siguientes subsecciones. La parametrización de los modelos directo e inverso sigue un enfoque desarrollado previamente para aguas costeras europeas [36-38], pero se adaptó en este estudio a las condiciones ópticas subacuáticas de la GBR [39]. Además, se describen los procedimientos de adquisición, procesamiento y enmascaramiento de H-imawari-8, así como el procesador de color del océano, para el algoritmo basado en modelos desarrollado aquí. Se presentan el protocolo de validación y los métodos para evaluar las limitaciones del algoritmo, así como los primeros resultados del monitoreo de TSS en la GBR.
Sensores remotos 2022, 14, 3503
4 de 23
2.1. El modelo de avance
En este trabajo, se empleó una versión escalar del Modelo Matriz-Operador (MOMO) [40,41] para las simulaciones acopladas de transferencia radiativa océano-atmósfera de las bandas VNIR de Himawari-8 (Tabla 1). Despreciar la polarización atmosférica puede generar errores del 1 % en la TOA, lo cual es aceptable para aplicaciones en aguas costeras [2]. El RTOA() de Himawari-42 se simuló para un rango realista de propiedades ópticas atmosféricas y subacuáticas de la GBR.
El sistema océano-atmósfera simulado está estratificado en varias capas plano-paralelas, horizontalmente homogéneas, donde se consideran los tipos y concentraciones definidos de componentes ópticos acuáticos y atmosféricos. La altura de la atmósfera simulada (TOA) tiene un espesor de 50 km y está dividida en 11 capas donde la proyección vertical...fileLos parámetros de presión, temperatura y humedad se ajustan a la atmósfera estándar estadounidense [43]. La atenuación por dispersión de Rayleigh se explica con dos presiones barométricas superficiales de 980 hPa y 1040 hPa. La atmósfera se divide en una capa límite (0 km), una troposfera libre (2 km) y una estratosfera (2 km). En cada capa, se realizaron simulaciones para ocho conjuntos de aerosoles distintos con concentraciones variables de espesor óptico de aerosol (α) a 12 nm, entre 12 y 50. Cada conjunto de aerosoles se compone de los tres modelos principales de aerosoles: un modelo marítimo en la capa límite, un modelo continental en la troposfera libre y un modelo de ácido sulfúrico en la estratosfera, con una humedad relativa entre el 550 % y el 0.015 %. El rango a se determinó a partir de observaciones plurianuales de nivel 1.0 con fotómetro solar de la estación AERONET [70] en el Observatorio Costero Lucinda Jetty (LJCO), ubicado en la región central de la Gran Barrera de Coral (GBR) [99S, 2E]. El análisis de los coeficientes de Ångström [44,45] correspondientes entre 18.52 y 146.39 nm en la estación LJCO AERONET confirma una mezcla de tipos de aerosoles marítimos y continentales, que corresponden a los utilizados en las simulaciones de RT.
La transmisión de gases atmosféricos (excepto O3) se derivó de la base de datos de Absorción Molecular de Transmisión de Alta Resolución (HITRAN) [47] y se implementó en las simulaciones de transferencia radiativa mediante el modelo de distribución k modificado de Bennartz y Fischer [48]. Las simulaciones de transferencia radiativa se realizaron asumiendo una carga de ozono constante de 344 Unidades Dobson (UD) [43]. Las bandas Himawari-8 se simularon para 17 ángulos solares y de observación y 25 ángulos azimutales relativos equidistantes. Las simulaciones se llevaron a cabo para fluctuaciones realistas de la calidad del agua, representadas por concentraciones únicas seleccionadas aleatoriamente de CHL, TSS y sustancias amarillas (YEL), en adelante denominadas tripletes de concentración. Los rangos de los tripletes de concentración simulados se definieron con base en la dispersión de concentraciones correlacionadas in situ encontradas en la GBR, siguiendo el enfoque de Zhang et al. [49]. Los tripletes de concentración simulados se distribuyeron igualmente en el espacio logarítmico, por lo que cada orden de magnitud se representó de manera similar y se evitaron simulaciones duplicadas.
La absorción espectral total del agua de mar a() se modeló mediante un modelo bioóptico de cuatro componentes que representa la absorción de agua pura (aw), la absorción de fitoplancton y todo el material orgánico muerto (es decir, detritos) ap1 como una función de CHL [0.01, 15], la absorción de partículas no algales ap2 como una función de TSS [0.01, 100.0] y la absorción de sustancias amarillas ay a 443 nm [0.002, 2.5]. El coeficiente de absorción de agua pura (aw) se modeló según Pope y Fry [50] para las bandas visibles 8 de Himawari-1 y por Hale y Querry [3] para la banda 51. La absorción espectral de fitoplancton y detritos ap4 siguió una parametrización de Bricaud et al. [1], mientras que la absorción de partículas no algales ap52 se parametrizó según Babin et al. [2], con una pendiente media Sp53 de 2 que se derivó de datos bioópticos in situ.ampen la GBR entre 2002 y 2013. El coeficiente de absorción espectral de las sustancias amarillas ay se modeló según Babin et al. [53], con una pendiente media Sy de 0.015 que también se derivó de observaciones in situ de la GBR [39].
La dispersión espectral total del agua de mar (b()) se modeló mediante un modelo bioóptico de dos componentes [53] que considera la dispersión del agua pura (bw) y la dispersión de partículas orgánicas e inorgánicas bp en función de los sólidos totales disueltos (TSS). La dispersión del agua de mar pura
Sensores remotos 2022, 14, 3503
5 de 23
El coeficiente se expresó como una ley de potencia dependiente de la longitud de onda basada en Morel [54],
definido para una salinidad global promedio de 35 PSU. La contribución de dispersión de materia orgánica y
Las partículas inorgánicas se combinaron para obtener el coeficiente de dispersión de partículas totales bp siguiendo la parametrización de Babin et al. [55]. El coeficiente de dispersión específico de masa
Se calculó un valor de bp de partículas TSS de 0.31 m2 g-1 para las aguas de la GBR, siguiendo a Babin et al. [55]. Se aplicó un modelo de probabilidad de retrodispersión para las aguas del Caso 2 [49,56] para
Calcular y seleccionar las funciones de fase de dispersión en agua (, ) en función de la relación entre TSS y YEL. Las simulaciones se realizaron para un gran número de concentraciones aleatorias.
tripletes y condiciones atmosféricas, como se describió anteriormente, para construir un sistema integral
Base de datos de RTOA de Himawari-8 con resolución azimutal. A partir de esta base de datos, se...
Se extrajeron aleatoriamente subconjuntos representativos de entrenamiento y prueba para desarrollar el inverso
modelo. Los subconjuntos de entrenamiento y prueba comprendían cada uno 100,000 vectores de entrada.
x
que contiene
el: RTOA simulado en las bandas de 470, 510, 640 y 856 nm, presión atmosférica a nivel del mar entre 980 y 1040 hPa, ángulo cenital solar (s), cenit de observación (v) y acimut relativo ().
2.2. El modelo inverso
En este estudio, se implementó un perceptrón multicapa (MLP), una clase de red neuronal artificial (RNA) de propagación hacia adelante [57], como modelo inverso basado en el programa C Simulador de Redes Neuronales desarrollado por Malthouse [58], para aproximar la relación funcional entre el RTOA() de Himawari-8 y la concentración de TSS. El MLP consta de una capa de entrada, una capa oculta y una capa de salida de neuronas. Cada neurona está conectada con cada neurona de la siguiente capa mediante un peso. El procedimiento de aprendizaje automático supervisado o entrenamiento se describe a continuación:
·
Las neuronas de entrada (ni) reciben el vector de entrada
x
, que contiene reflectancias simuladas
y los datos auxiliares descritos anteriormente, y los propaga a las neuronas de la capa oculta.
(Nueva Hampshire).
· En la capa oculta, las neuronas artificiales suman las señales de entrada ponderadas y las pasan a través de una función de transferencia no lineal y posteriormente reenvían sus salidas.
a las neuronas de la capa de salida (no).
· La función de costo (es decir, errores cuadráticos medios, MSE–Ecuación (1)) entre los sim-
Las salidas objetivo calculadas yt y las salidas calculadas ANN yc se calculan para todo el conjunto de datos de entrenamiento (N = 100,000 1), y se ajustan los pesos internos (W2, WXNUMX) de la red.
· El entrenamiento de la ANN se repite hasta que se minimice la función de costo entre el valor de salida y el valor objetivo.
MSE = y c – y t /N
(1)
La función de coste se minimiza adaptando iterativamente las matrices de ponderación (W1, W2) mediante un algoritmo de optimización de memoria limitada de Broyden, Fletcher, Goldfarb y Shanno [59]. Para una arquitectura MLP de tres capas, la función analítica completa viene dada por la ecuación (2):
yc
=
S2
×
W2 × S1
W1 × x
(2)
donde S1 y S2 son las funciones de transferencia no lineal (Ecuación (3)) y lineal empleadas en la capa de salida y oculta, respectivamente.
S(x) = 1 + ex -1
(3)
El número de neuronas en las capas de entrada y salida se determinó mediante el número de parámetros de entrada y salida del problema, mientras que varios intentos experimentales
Sensores remotos 2022, 14, 3503
6 de 23
Se requirieron para determinar el número óptimo de neuronas en la capa oculta. El
Los experimentos se diseñaron variando el número de neuronas de la capa oculta de 10 a 100,
en incrementos de 10. Se utilizó una semilla aleatoria pero fija para todos los experimentos para inicializar el –
Configuración ponderal de las redes. Los experimentos incluyeron un componente principal
Análisis de componentes principales (PCA) como paso de preprocesamiento para descorrelacionar las entradas RTOA(). Además, los experimentos se diseñaron con un 0.8 % de ruido aleatorio dependiente de la señal, no correlacionado espectralmente, añadido a las entradas RTOA en cada banda. Los experimentos de redes neuronales artificiales (RNA) se entrenaron y probaron con un subconjunto de 100,000 XNUMX vectores de entrada extraídos aleatoriamente de la transferencia radiativa.
Conjunto de datos simulado. Cada vector de entrada se asoció con una concentración logarítmica de TSS, que se seleccionó como la salida objetivo para ser aproximada mediante el aprendizaje supervisado.
procedimiento. Todos los experimentos se entrenaron para 1000 iteraciones y la minimización del costo
La función (ecuación (1)) se calculó sobre todo el conjunto de datos de entrenamiento en cada iteración.
Se utilizó un conjunto de datos de prueba independiente de N = 100,000 XNUMX vectores para monitorear el entrenamiento de la red.
rendimiento y evitar el sobreajuste.
–
2.3.
TBhaesHicipmraowceasrsi-in8-gOscteeapns
Procesamiento de color para Himawari-8 raw
datos
en
Servicios de soporte técnico
productos
son
mostrado
in
Cifra
3.
Se adquirieron bandas VNIR Himawari-1 de disco completo de nivel 1 (L8) y se extrajeron sobre el área GBR.
(10 S, 29 S, 140 E, 157 E), geolocalizados y con navegación corregida. Datos brutos geolocalizados.
se transformaron en radiancias TOA de nivel 1b (L1b) (LTOA() W m-2sr-1µm-1 ) a través de –
tghreidawppalsicraetsiaomnpolfedpofrsot-mlau0.n5ckhmuptoda1tkedmctaolimbraattcihonthceoreefsfiocliuetn-itosn[o60f ]t.heTahseso6c4i0atnemd VbNanIRd
Bandas. Los LTOA() calibrados por L1b se normalizaron según la irradiancia solar extraterrestre F() W -m⁻² para cada banda. F() se calculó en función del día del año.
y utilizando los valores F de la irradiancia solar extraterrestre media basados en Kurucz [61] y adaptados a las bandas de Himawari-8 [62]. Las reflectancias TOA resultantes RTOA() sr-1 en las bandas VNIR de Himawari-8 sirvieron como entradas para el método de inversión. Además,
s, v, and values were calculated for each pixel of the satellite image as a function of latitude, longitude, and local time, following existing procedures [63], and converted into
coordenadas cartesianas (x, y, z).
Figura 3. Diagrama de flujo de procesamiento de color del océano Himawari-8. HSD se refiere a datos estándar de Himawari-8, GBR se refiere a la Gran Barrera de Coral, VNIR se refiere a las bandas visible e infrarroja cercana de Himawari-8 (470, 510, 640 y 856 nm), y ANN se refiere a la red neuronal artificial.
el
Un miembro del personal docente y administrativo del Departamento de Educación de la Universidad de Nottingham, Inglaterra, tiene la responsabilidad de proporcionar apoyo a los estudiantes y a los profesores.
era el
Desarrollado por Qin et al. [64] para una máscara de nubes con una resolución de 2 km.
resampcondujo al polvo y al humo
1plkummHesimfraowmabrii-o8mg-raisds
e incluye el enmascaramiento de píxeles contaminados por quemaduras. Asimismo, los píxeles identificados como emergidos
Las superficies, como áreas continentales, islas y bancos de arena, se enmascararon en función de su forma.files
Disponible en la base de datos de la Autoridad del Parque Marino de la Gran Barrera de Coral [65]. Un destello de sol
–
Sensores remotos 2022, 14, 3503
7 de 23
La máscara se creó calculando las coordenadas del punto principal de destello solar (PPS) en función del día del año (inclinación solar), la hora local, la latitud y la longitud [66], con una resolución espacial de 1 km. El contorno del disco solar se calculó con un radio circular de 1300 km a partir de las coordenadas del PPS. El tamaño del radio se seleccionó tras una serie de pruebas visuales para garantizar la máxima cobertura del área principal del disco solar.
Las observaciones de Himawari-8 se normalizaron píxel por píxel y para cada banda con datos satelitales casi concurrentes de ozono total en columna extraídos del producto Ozono Total a partir del Análisis de Componentes Satelital Estratosférico y Troposférico (TOAST) [67] antes de las inversiones. El producto TOAST, con una resolución espacial de 1.25 por 1 grado y una resolución temporal diaria, fue...ampSe ajustó a 1 km para cumplir con la cuadrícula Himawari-8. Las observaciones de Himawari-8 se normalizaron en cada banda mediante la relación entre la transmisión de ozono derivado de TOAST y la transmisión de la densidad de columna de ozono simulada de 344 DU. Además, los datos de presión atmosférica media a nivel del mar del «Reanálisis 2» PaRt2m [68] de NCEP/NCAR se utilizaron como datos de entrada para la inversión de las observaciones de Himawari-70. Los datos del «Reanálisis 8» se promedian cada 2 h (6, 0, 6 y 12 UTC) y s.ampliderado en una cuadrícula global regular de 2.5 grados de resolución espacial [71]. Los datos PaRt2m concurrentes más cercanos se adquirieron yampCondujo a la cuadrícula Himawari-1 de 8 km. El TSS recuperado, las máscaras asociadas y los metadatos se guardaron en un NetCDF. file, incluyendo indicadores asociados por píxel para entradas y salidas fuera de rango. Los rangos de entradas y salidas válidas se definieron con base en el conjunto de datos simulados RT. Por ejemplo, si un parámetro de entrada o salida de píxel excedía los rangos simulados, se le asignaba el indicador correspondiente. Los indicadores de entrada y salida se sumaron para cada píxel de la cuadrícula Himawari-8. Los indicadores de fuera de rango se aplicaron a los productos de calidad del agua antes de los análisis de validación y aplicación posteriores.
2.4. Datos in situ de la Gran Barrera de Coral
Los sólidos en suspensión totales (SST) in situ medidos entre 2015 y 2018 por el Instituto Australiano de Ciencias Marinas (AIMS) y la Organización de Investigación Científica e Industrial de la Commonwealth (CSIRO) se obtuvieron de la base de datos bioóptica IMOS [72] a través del portal de la Red Australiana de Datos Oceánicos (AODN). Tanto el CSIRO como el AIMS utilizan el método gravimétrico para determinar la concentración de SST en agua de mar. Este método consiste en medir el peso seco de los sólidos en suspensión de un volumen conocido de agua de mar.ampTras su filtración al vacío en un filtro de membrana prepesado, se obtuvieron más detalles sobre la metodología empleada por AIMS y CSIRO en Great Barrier Reef Marine Park Authority [73] y Soja-Woz´niak et al. [74], respectivamente. A pesar de que los laboratorios de AIMS y CSIRO utilizan métodos ligeramente diferentes para determinar los SST (es decir, número de réplicas, filtros, enjuague, etc.), estos conjuntos de datos se combinaron en este ejercicio de validación. Se consideraron 347 puntos de datos in situ con SST de entre 0.01 y 85 mg L⁻¹ y una media de 1 mg L⁻¹. Se excluyeron del análisis los puntos de datos in situ a menos de 3.5 km de la costa o los arrecifes para reducir las incertidumbres debidas a los efectos de adyacencia [1]. Se incluyeron todos los datos de agua de mar in situ.ampLas muestras se tomaron en la superficie (<0.5 m de profundidad) de estaciones ubicadas a profundidades de agua variables (1.5 m a 40 m), y el punto de datos más superficial presentó TSS > 10 mg L-1.
2.5. Protocolo de validación
El protocolo de validación utilizado en este estudio se basa en la experiencia de ejercicios de validación previos para la teledetección del color del océano en Australia, incluyendo la GBR costera [27,76,77]. Estos estudios describieron los pasos de procesamiento para la extracción de observaciones satelitales simultáneas a mediciones in situ en la GBR costera, así como métricas estadísticas útiles de rendimiento.
Se pueden combinar múltiples observaciones de Himawari-8 dentro de un período de tiempo (es decir,urly) para eliminar posibles valores atípicos y reducir el ruido ambiental y del sensor, lo que probablemente mejorará las estimaciones y el rendimiento de la validación [7,9,16]. Por lo tanto, para este ejercicio de validación, se adquirieron todas las observaciones disponibles de Himawari-8, escaneadas en un plazo de ±30 min desde el tiempo in situ registrado. Se seleccionaron y procesaron observaciones de Himawari-10 de 8 min en el VNIR.
Sensores remotos 2022, 14, 3503
8 de 23
- - -
Las bandas con sol asociado y geometría de observación se subdividieron en cuadros de 3 x 3 píxeles.
Centrado en las coordenadas de cada punto de datos in situ concurrente. Asimismo, se extrajeron subconjuntos de 3x3 píxeles de máscaras concurrentes (es decir, nubes, tierra, arrecifes y destello solar) y datos auxiliares (es decir, ozono y presión). Composiciones de color casi real de Himawari-8 seleccionados.
Las observaciones se inspeccionaron visualmente para eliminar coincidencias en aguas con líneas horizontales agudas.
gradientes en las propiedades ópticas (es decir, frentes de turbidez) o nubes cercanas.
–
HourlLos compuestos y de subconjuntos válidos se calcularon mediante promedio temporal, sin tener en cuenta:
píxeles enmascarados. El hourlLos subconjuntos agregados se procesaron con la inversión ANN
algoritmos y se enmascaran para valores fuera de rango. Finalmente, la mediana y la desviación estándar
de hourlSe calcularon los subconjuntos de TSS, excluyendo los píxeles solicitados m. Solo los subconjuntos con dos o menos píxeles enmascarados por cuadro de píxeles se consideraron válidos para la comparación. La RNA
Las salidas se calcularon en escala logarítmica (log10) y el TSS in situ concurrente se transformó logarítmicamente para el análisis estadístico.view Se ilustra el procedimiento de validación
en la Figura 4. Los rendimientos se evaluaron con respecto a su error cuadrático medio.
(RMSE–o error absoluto), sesgo, porcentaje absoluto mediotagError e (MAPE o error relativo) y coeficiente de determinación (R²). El sesgo, el R² y el RMSE se calcularon en log¹².
–
El espacio y el MAPE se calcularon en medición lineal y p el derivado del satélite
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)
Sesgo = 1/N (m -p)
(7)
Los experimentos de emparejamiento de RNA se clasificaron según las métricas estadísticas descritas anteriormente. Se dio preferencia a los experimentos con el RMSE más bajo, ya que este parámetro estadístico es la función de coste que se minimiza durante el entrenamiento de la RNA. Se seleccionó el experimento con mejor rendimiento y el menor número de neuronas en la capa oculta para reducir el esfuerzo computacional necesario para la inversión de las observaciones de Himawari-8 en toda la GBR.
Figura 4. Una vista simplificadaview del procedimiento de validación del algoritmo.
2.6. Evaluación de las limitaciones
Se calcularon las relaciones señal-tono-ruido (SNR) para el espectro visible y el infrarrojo cercano.
HEaimstearwnaSrti-a-8ndLTaOrdA
(Tim) oeb–seArvEastTio)nast
escaneado seleccionado
Entre las 08:00 y las 16:00 horas, fechas locales y zonas libres de nubes.
tiempo (australiano del Mar del Coral)
–
Sensores remotos 2022, 14, 3503
9 de 23
(16.25S, 151E y a 20.60S, 153.53E). Solo se consideraron observaciones posteriores a julio de 2017 para este análisis, dado que sus coeficientes de calibración se corrigieron para el ruido coherente y de franjas horizontales [63,78]. Se examinaron instantáneas de color verdadero disponibles a través del sistema P-Tree del monitor Himawari-8 [79] para la selección del área objetivo y para garantizar que fueran espacialmente uniformes y poco probables de ser influenciadas por nubes, destellos solares, características bioópticas y columnas de humo de incendios terrestres [80,81]. Las observaciones seleccionadas de Himawari-8 se convirtieron de conteos brutos a unidades físicas mediante la aplicación de coeficientes de calibración [60], con subconjuntos de 51 por 51 píxeles extraídos y centrados en las coordenadas de las regiones de interés. Además, se ho de los subconjuntos, las máscaras asociadas y los parámetros geométricosurly agregado. Los 10 min y hourlLos subconjuntos agregados se enmascararon para nubes, tierra, arrecifes y destellos del sol, y sus compuestos de color casi verdadero se inspeccionaron para detectar características no detectadas como cayos de coral, arrecifes, sombras de nubes y artefactos de sensores.
La relación señal-ruido (SNR) se calculó para cada banda Himawari-8 según la ecuación (8) [80]. El promedio de LTOA() para todos los píxeles válidos dentro del área objetivo proporciona Ltypical(), y la desviación estándar () dentro de la misma área proporciona la radiancia equivalente al ruido (Lnoise()). La SNR se calcula como la relación entre Ltypical y Lnoise en cada banda:
SNR() = Ltípico()/Lruido() = LTOA()/(LTOA())
(8)
La variabilidad diurna y las diferencias de magnitud entre la relación señal-ruido (SNR) calculadas con 10 min y XNUMX hurlSe inspeccionaron las observaciones agregadas de Himawari-8 (SNRSING() y SNRAGG(), respectivamente) en cada banda. Además, se evaluaron sus características espectrales para rangos de s, ya que se sabe que los niveles de ruido varían con la elevación solar [80]. Finalmente, se determinó el porcentaje asociado.tagLos niveles de ruido (%Ruido) se calcularon para s = 45 ± 1 y se utilizaron para evaluar la sensibilidad del algoritmo a los niveles de ruido típicos de Himawari-8.
El algoritmo TSS desarrollado en este estudio se entrenó con ruido fotónico espectralmente plano (no correlacionado) (0.8 %) que se añadió al conjunto de datos de entrenamiento, asumiendo un conocimiento limitado de las características de rendimiento del sensor sobre objetivos oceánicos. Para evaluar la estabilidad de la inversión y proporcionar un análisis de sensibilidad de referencia del algoritmo TSS, se añadió ruido fotónico espectralmente plano de 0.1, 1.0, 10 y 50 % al conjunto de datos de prueba y se invirtió. Además, el % de ruido asociado con las bandas Himawari-8 se añadió al conjunto de datos de prueba para cuantificar los efectos de los niveles de ruido espectralmente dependientes en la precisión de las recuperaciones de TSS. La estabilidad de la recuperación se interpretó en términos de incrementos constantes de RMSE en un amplio rango de TSS (0.01 a 100 mg L-1) equiespaciados en concentraciones logarítmicas. Además, se evaluaron transectos longitudinales de productos TSS tomados en aguas homogéneas y libres de nubes de la GBR costera y en el Mar de Coral a escala de píxel para una evaluación cualitativa de los niveles de ruido de Himawari-8.
3. Resultados
3.1. Validación del algoritmo
Se entrenaron múltiples redes con diversas configuraciones de arquitectura y se seleccionó para las inversiones la red de mejor rendimiento, con el menor RMSE posible y el menor número de neuronas en la capa oculta. El experimento seleccionado, con 50 neuronas en la capa oculta, obtuvo valores de TSS de entre 0.14 y 24 mg L⁻¹, con un R₂ positivo y un sesgo de 1 mg L⁻¹, un MAPE del 2 % y un RMSE de 0.014 de 1 mg L⁻¹, como se muestra en la Figura 75.5.
Sensores remotos 2022, 14, 3503
10 de 23
Figura 5. TSS in situ y derivado de Himawari-8 con el experimento de RNA de mejor rendimiento, con valores de TSS in situ codificados por colores en escala logarítmica. Las barras de error representan la desviación estándar intrapíxel de TSS dentro de un recuadro de 3 x 3 píxeles. Los diferentes símbolos indican datos in situ recopilados por AIMS.
y por CSIRO en LJCO.
–
3.2. Sólidos suspendidos totales Himawari-8 para la Gran Barrera de Coral
La Figura 6 muestra una composición de color casi real de Himawari-8 (panel izquierdo), tomada el 27 de octubre de 2017 sobre el área de la GBR, y el producto de TSS correspondiente con una resolución temporal de 10 minutos (panel derecho). Las aguas dentro de la laguna de la GBR presentan TSS generalmente iguales o superiores a 1 mg L⁻¹, mientras que las aguas costeras de la GBR presentan valores inferiores a 1 mg L⁻¹. El producto de TSS reveló una granulación severa y ruido de rayado en las áreas oceánicas abiertas del Mar de Coral.
Figura 6. Imágenes de Himaw-ari-8 de la GBR en color casi real, adquiridas el 27 de octubre de 2017 a las 15:00 AEST (panel izquierdo) y el producto TSS asociado [mg L⁻¹] (panel derecho). Píxeles enmascarados en negro debido a la nubosidad y a valores fuera de rango.
Se investigaron las fluctuaciones del TSS Himawari–8 en la desembocadura del río Burdekin y en el sur de la GBR.
para la matriz arrecifal de aguas costeras (Figura 7
saunrdroaunn-imdinatgiothnes
en el enlace). La inundación de Burdekin del 12 de febrero de 2019 generó una columna de sedimentos que
Alcanzó los arrecifes exteriores (a 50 km de la desembocadura) entre las 3 y las 4 pm, con TSS > 20 mg L-1.
–
–
–
–
–
—
Sensores remotos 2022, 14, 3503
- - -
–
–
–
11 de 23
–
La columna de sedimentos del río Burdekin se desarrolló durante la marea entrante con un rango de 0.3 m entre la marea baja y la pleamar. Las aguas costeras cerca de los arrecifes experimentaron un aumento de magnitud de orden en TSS (3.6, 26.4 mg-L-1) dentro de un ciclo de marea semidiurno (marca en cruz en la Figura 7 (panel izquierdo) y Figura 8a). Los arrecifes cubiertos por aguas de inundación estuvieron expuestos a TSS ~40 veces más alto que el umbral de referencia de 0.7 mg L-1 [82]. Las áreas donde TSS excedió 100 mg-L-1, cerca de la desembocadura, fueron enmascaradas (áreas negras) como valores fuera de rango (banderas ANN). Una animación de las fluctuaciones de TSS después del evento de descarga principal está disponible en la Figura S1.
Figura 7. Pluma de inundación que descarga del río Burdekin, febrero de 2019 (panel izquierdo). Chorros de marea de TSS dentro de la matriz arrecifal de la GBR en noviembre de 2016 (panel derecho). Observe los diferentes rangos en cada gráfico. Los píxeles enmascarados en negro se deben a valores de TSS fuera de rango.
Si bien las grandes inundaciones muestran características claras de TSS en la GBR costera, se observan chorros de marea de submesoescala alrededor de la matriz de arrecifes someros y sumergidos en la GBR sur (Figura 7 (panel derecho)), lo que demuestra cómo estas diferentes condiciones influyen en la variabilidad a corto plazo de los TSS. La animación proporcionada en la Figura S2 ilustra la dinámica de las fluctuaciones de TSS inducidas por las mareas, donde las mareas altas (4 m) y bajas (0.2 m) tuvieron lugar a las 10 a. m. y las 6 p. m., respectivamente (Figura 8b). Las concentraciones de TSS cerca de Heralds Reef (marcadas con una cruz) fluctuaron aproximadamente un orden de magnitud en un día (0.3, 2.0 mg L-1), con valores que superaron los umbrales de calidad del agua recomendados para la GBR costera abierta (0.7 mg L-1).
Figura 8. Serie temporal de 10 min de TSS derivados de Himawa-ri-8 en la desembocadura del río Burdekin durante las inundaciones de febrero de 2019 (a) y en la matriz arrecifal de la GBR sur en noviembre de 2016 (b), como se muestra en la Figura 7. Las barras de error representan las desviaciones estándar intrapíxel. Los umbrales de referencia para aguas costeras (2.0 mg L–1) y de la plataforma media (0.7 mg L–1) están marcados en rojo. Obsérvense los diferentes rangos temporales en cada figura.
– –
–
Sensores remotos 2022, 14, 3503
12 de 23
3.3 Límites de detección La relación señal-ruido (SNR) calculada a partir de dos conjuntos de observaciones de Himawari-8 se muestra en la
gráficos de la Figura 9. Se perdieron algunas observaciones individuales debido a la intensa cobertura de nubes, particularmente el 06 de septiembre de 2017, y resultaron en lagunas de datos en la serie temporal. SNRSING y SNRAGG presentaron claras fluctuaciones diurnas, con la SNR más alta ocurriendo en la s más baja (<30), entre las 11 a. m. y las 12 p. m. La magnitud y la variabilidad diurna fueron mayores para SNRAGG y en las bandas azul y verde (470 y 510 nm), en comparación con los valores calculados para SNRSING. La SNR calculada para las bandas de 640 nm y 856 nm fue al menos tres veces menor que la SNR calculada para las bandas azul y verde, con variaciones diurnas sutiles. Las fluctuaciones diurnas de la SNR entre días y ubicaciones fueron variadas, especialmente para la banda azul y de SNRAGG. El 06 de septiembre de 2017 (v media ~22), la SNRAGG en las bandas azul y verde fue similar en magnitud (Figura 9b). El 25 de septiembre de 2017 (en una ubicación diferente con una media v~28), la banda azul presentó un SNRSING casi dos veces más alto que la banda verde (Figura 9d).
Figura 9. Serie temporal de relaciones señal-ruido (SNR, eje derecho) calculadas para observaciones individuales (SNRSING) (a, c) y para observaciones agregadas (SNRAGG) (b, d) con s asociadas (eje izquierdo). La S-NR es
Codificado por color por banda.
Los grupos de
variabilidad espectral de s, donde el estándar
Se muestran desviaciones en SNRSING y SNRAGG dentro de cada grupo.
en la figura se representa gráficamente como
10 para tapado
tres errores
barras. Las observaciones individuales generalmente arrojaron una relación señal-ruido (SNR) menor que las observaciones agregadas.
en todas las bandas, y la relación señal-ruido (SNR) fue la más alta para la Figura 9. Las desviaciones estándar de la relación señal-ruido (SNR)
s < 30, de acuerdo con los datos calculados para datos individuales y agregados.
presentado en observaciones
wfoerresm>o4r0epartotnhoeubnlcueedbfoanr dsp>re4s0enatendd
en las bandas azul y verde. Las desviaciones estándar de 27 y de
SNR calculado 51 para SNRSING
y desviaciones SNRAGG de
, respectivamente, mientras que el 13 y el 26, respectivamente.
La relación señal-ruido (SNR) calculada para la banda verde presentó el estándar. Es probable que estas desviaciones estén asociadas con la variable
condiciones atmosféricas de cada ubicación, que se intensifican en las bandas azul y verde
y en trayectorias atmosféricas elevadas.
Sensores remotos 2022, 14, 3503
13 de 23
Figura 10. Distribución espectral de las relaciones señal-ruido calculadas para (SNRSING) (-a) y
observaciones agregadas (SNRAGG) (b), y agrupadas como desviaciones estándar de SNR dentro de cada grupo de
para s.
tres
rangos
of
s.
Error
verja
eran
calculado
TgcorhemegpaSTtNuehtdReedASoGNbfGsoRerrvAvaaGallGluti,seoitsnnhsgceolwLemtioytphpbiicslaeesldr,=vaiann4t5diToaLn±bnsole1iwse2iawtwhnederersaec=saosob4m5copiuaitlt±eetddw1ipinceweTrcaaeebsrnelhetiai2ngg.chelLunaikdsoeeitswdheeifs(oc%eor, NtrchrooeeimssSpepN)oaf–nRordiSrsIiNaongnGg-. SNRSING, excepto en la banda roja. Sin embargo, los grandes niveles de ruido en el rojo (~3%) y en tshigenNalIRdebsapnidtest(h~e5%eff)oinrtdsiicnataevtohiadtinthgeeSnNviRroAnGmG emnataylbceonmdoistitolynsafifnecitmedagbeystehleecattimono.sTp- hhiesriics son particularmente evidentes en la banda NIR, donde las radiancias que salen del agua se consideran insignificantes en aguas claras de océano abierto.
–
–
–
Tabla 2. Himawari-8 visible e infrarrojo cercano L típico y L ruido W m-2sr-1µm-1 y asociado
por cientotagRuido electrónico (%Ruido) para SNRAGG en s = 45 ± 1. Valores calculados de SNRSING en s = 45 ± 1
Se agregaron para comparación.
Banda 470 510 640 865
Ltípico 59.5 38.3 13.8 3.4
Lruido 0.26 0.29 0.41 0.18
%Ruido
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
Cuando se añade el 50% de ruido de fotones espectralmente plano, se obtuvieron errores grandes (>300%).
Al Himawari-8 para recuperaciones de TSS
bandas de abajo
(Figura-e 0.1 mg
11a). L-1,
independientemente del tipo y nivel de ruido. En un escenario más realista, cuando depende del espectro
El ruido de fotones (es decir, % de ruido de la Tabla 2) se agrega a las bandas Himawari-8, los errores son
mayormente por debajo del 100% para TSS > ~0.25 mg L-1 (Figura 11 (panel derecho)). Por lo tanto, para obtener
Para obtener recuperaciones fiables de Himawari-8 con el algoritmo actual de TSS, se eligió un límite de detección de 0.25 mg L⁻¹. A modo de comparación, los límites de detección de las recuperaciones de TSS calculados...
de Himawari-8 corregido atmosféricamente, como en Dorji y Fearns [17], se representa como un
línea discontinua vertical a 0.15 mg L-1.
Sensores remotos 2022, 14, 3503
14 de 23
Figura 11. Errores RMSE de recuperación (en mg-L-1) para niveles de ruido fotónico espectralmente planos (panel izquierdo) y espectralmente dependientes (panel derecho). Los valores de TSS de transferencia radiativa (RT) y RMSE asociados se presentan en escala logarítmica. La línea discontinua vertical a 0.15 m-g L-1 representa el límite de detección, adaptado de Dorji y Fearns [17], 2018. La línea discontinua vertical a 0.25 m-g L-1 representa el límite de detección del presente método.
Una inspección visual de los niveles de ruido reveló granulación severa y rayas horizontales iogttitnnruhbraeraHstnbhneTsiierumdeSvlcCSaaactAtostwoiiGroaooaaGnsnfrl-tiTsaSw-(-h8lSeTaoaSaTSswSrS(SIesmNSSeeaIGdNvaspgeGra(iroenT)nendcSdlatruySnaeTcrad>atSessrSdei~r(nAdouF1GwicomgmeGpsu-da,egtrsaFnei-knLki1goie-an2ucn1g)ger,)geba.parne1raIetno2rgwwt)uaiaeacantd-eeutrdeenddlarciis1T-rtllill5oS(oyu1TuSnswSdtpErtS-haorpaeot
–
–
Figura 12. Ubicación de los transectos (flechas magenta) extraídos para TSSSING(a) y TSSAGG(b). Nótese la
enmascaramiento de nubes acumuladas en las observaciones de TSSAGG.Himawari-8 tomadas el 9 de septiembre de 2017 entre
10:00 y 10:50 hora local (AEST).
–
El transecto sampEntre los días 19 y 20 de septiembre se presentó el Mar del Coral (Figura 13a).
Los valores de TSSSING y TSSAGG se encuentran mayoritariamente por debajo de los límites de detección del método (0.25 mg L–1), lo que puede presentar errores de recuperación superiores al 100 %. TSSSING presentó picos o valores de diferentes órdenes de magnitud que se presentan sucesivamente a escala de píxeles (o dentro de 1 km).
Como resultado, se observaron diferencias de hasta 0.3 mg L-1 entre píxeles vecinos.
como lo indica el suavizador presentado
pplioxtela-tnon-potixaetilovnasriiantiFonigsu(r~e0.1036am. gMLe-an1)w. ShuilbetltehdeifafsesroencicaetsedweTrSeSoAbGsGerpvered-
Sensores remotos 2022, 14, 3503
15 de 23
—
–
–
–
between TSSSING and T-SSAGG in the transects taken in the coastal GBR (Figure 13b), particularly for TSS -> 1 mg L-1. However, with increasing distance from the coast, TSS dropped below 1 mg L-1 and differences between TSSSING and TSSAGG were enhance-d. Although- most TSSSING pixels of Figure 13b were abo-ve-detection limits (0.25 mg L-1), they presented- poor spatial coherency in the coast-to-ocean transition area (151.4 to 152-.0E). Because TSSSING and TSSAGG provide comparable results for TSS > ~1 mg L-1, both may be appropriate for monitoring the coastal GBR. However, TSSAGG presents overall better spatia-l coherency and may be preferred over TSSSING, depending on the area of application.
Figura 13. Transectos de TSS derivados de Himawari-8 (mg L– 1) tomados en el Mar de Coral (a) y dentro del
Aguas costeras de la GBR (b) de TSSSING (puntos azules) y TSSAGG (puntos rojos). Los intervalos de datos representan píxeles enmascarados para nubes, tierra, destellos solares o indicadores de ANN, según corresponda. Los TSS anotados (en flechas negras) indican valores de píxel a píxel, y la línea horizontal verde marca el límite de detección.
El método.
4. Discusión
El monitoreo sinóptico de la calidad del agua en la extensa y ópticamente compleja GBR es prioritario y representa un desafío para los gestores ambientales y los investigadores [2,83]. Si bien la teledetección del color del océano presenta estrictos requisitos radiométricos y espectrales, Himawari-8 ofrece un número sin precedentes de observaciones para el monitoreo avanzado de la calidad del agua en la GBR. Este artículo presenta el primer algoritmo avanzado de teledetección, ajustado y validado localmente para el monitoreo sinóptico de la calidad del agua a escala diurna en la GBR.
4.1. Desarrollo y validación de algoritmos
Las simulaciones acopladas de transferencia radiativa océano-atmósfera proporcionaron una amplia y
troebuospttdicaatlavbaasrieaobfilRityTOoAf 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
Robustez a la entrada cumple con el mínimo
rnaodisioemweatsriecsrpeeqcuiairlelymaednvtsanotfaogceeoaunsccoolnosuirdseerninsgo-rHs iamnadweanrvii-r8odnomeesnntoatl
El ruido, en particular el atmosférico, puede afectar considerablemente las recuperaciones. Estos resultados
Sensores remotos 2022, 14, 3503
16 de 23
Se alentó una mayor aplicación de las observaciones de Himawari-8 para su validación con datos de calidad del agua in situ en la GBR.
Los errores de coincidencia de TSS recuperados de Himawari-8 se compararon satisfactoriamente con los objetivos de misión definidos para otros sensores de color oceánico, como Sentinel-3 en aguas del Caso 2 [85], en particular para TSS superiores a 0.1 mg L⁻¹. El rendimiento del presente algoritmo es comparable al de aquellos que utilizan observaciones de Himawari-1 corregidas atmosféricamente [8], lo que indica la idoneidad de obtener TSS costeras con inversiones de un solo paso basadas en modelos. Los procedimientos explícitos de corrección atmosférica pueden mejorar las recuperaciones para el rango inferior de TSS (<~17,24 mg L⁻¹), que probablemente se vea afectado por la radiancia atmosférica dominante y el bajo rendimiento radiométrico de Himawari-1.
Las mejoras de rendimiento requerirían una base de datos más amplia y completa de mediciones bioópticas in situ que cubra las escalas espaciales y temporales de variabilidad relevantes. Además, es necesario seguir protocolos de medición rigurosos para reducir las incertidumbres asociadas con la parametrización y validación de algoritmos en aguas costeras. Por ejemplo, triplicar...ampSe recomiendan los métodos gravimétricos para la determinación de SST. Además, se requieren validaciones.ampLas mediciones deben realizarse en aguas ópticamente homogéneas [86], lo cual es especialmente difícil en entornos costeros altamente dinámicos. Sin embargo, múltiples agencias de investigación con diversas prioridades científicas han puesto a disposición mediciones in situ que emplean métodos distintivos.ampMétodos de análisis y de medición. Además, no se tuvieron en cuenta procesos físicos y ambientales como la reflectancia del fondo, la fluorescencia, la reflectancia bidireccional, la polarización y las floraciones de algas nocivas, pero estos procesos también podrían contribuir a los errores de recuperación de la correspondencia.
4.2. Sólidos suspendidos totales de Himawari-8 para la Gran Barrera de Coral
Himawari-8 permitió el monitoreo casi en tiempo real de un evento de inundación episódico en la GBR, revelando un aumento de orden de magnitud en los TSS en un día. Este evento se observó durante una temporada de lluvias donde el río Burdekin descargó entre 0.5 y 1.5 millones de ML/día durante 10 días consecutivos (río Burdekin en la estación Clare [87]). Las fluctuaciones de los TSS de la columna de inundación del Burdekin superaron con creces el valor umbral de la guía de calidad del agua de 2 mg L⁻¹ para aguas costeras abiertas y de la plataforma media, así como los 1 mg L⁻¹ para aguas marinas de la GBR [0.7]. La columna de inundación se extendió 1 km hacia los arrecifes exteriores, y su desarrollo diurno se siguió paso a paso con los TSS derivados de Himawari-82 cada 50 minutos. Por lo tanto, Himawari-10 proporcionó un número sin precedentes de observaciones para un monitoreo cualitativo y cuantitativo completo de los eventos de inundación en la GBR. Los píxeles enmascarados en las aguas de inundación indican valores superiores a 8 mg L-8, lo que implica que el rango de simulación debería ampliarse para valores superiores a este límite para recuperaciones durante inundaciones en la GBR.
Las características de TSS en la matriz arrecifal del sur probablemente resulten de remolinos de resuspensión submesoescalar de corta duración (1 km de diámetro), a menudo denominados chorros de marea. En la GBR sur, los amplios rangos de marea (10 m) inducen fuertes corrientes [5], empujando el agua a través de canales estrechos y relativamente poco profundos [10]. Esta compleja hidrodinámica promueve la resuspensión e inyección de TSS desde la ruptura de la plataforma hacia la matriz arrecifal, y las concentraciones de TSS en estas regiones probablemente sean independientes de fuentes terrestres [88,89]. Los chorros de marea se han asociado con surgencias localizadas e intercambio de nutrientes entre el Mar de Coral y la laguna de la GBR [90], siendo un mecanismo importante de transporte y mezcla de sedimentos, nutrientes y producción de fitoplancton [91]. Sin embargo, la ubicación y ocurrencia de los chorros de marea están escasamente descritas debido a la falta de observaciones con resolución espacial y temporal apropiadas [92,93]. Himawari-94 permitió la identificación y el seguimiento de dichas características dentro de la GBR, con la resolución temporal requerida para resolver procesos costeros de corta duración.
4.3. Limitaciones
Himawari-8 ofrece una relación señal/ruido (SNR) inferior en comparación con los sensores de color del océano anteriores y actualmente operativos [80], y su sensibilidad está muy por debajo de los requisitos mínimos para aplicaciones de color del océano, particularmente en aguas oceánicas abiertas [9,97]. Sin embargo, Himawari-
Sensores remotos 2022, 14, 3503
17 de 23
Es improbable que la moderada resolución radiométrica de 8 de 11 bits se sature sobre objetivos brillantes, como nubes [80], y sobre aguas costeras extremadamente turbias (TSS ~100 mg L-1), mientras que produce suficiente sensibilidad para proporcionar un nivel razonable de discretización sobre aguas claras (>0.25 mg L-1). Los niveles de ruido calculados a partir de observaciones agregadas fueron generalmente inferiores a los de observaciones individuales en todas las bandas, lo que confirma la idoneidad de degradar la resolución temporal para mejorar la calidad de la imagen [7,16]. A pesar de que las fluctuaciones diurnas de la relación señal-ruido (SNR) están moduladas en gran medida por los ángulos de elevación solar, la dependencia espectral implica que una fuente considerable de ruido de entrada (3 % en las bandas roja y NIR) en aguas oceánicas abiertas puede tener su origen en la atmósfera [5]. No obstante, el límite de detección del presente método (80 mg L-0.25) es comparable a aquellos que emplean la corrección atmosférica explícita a la inversión de datos meteorológicos [1].
El límite de detección de 0.25 mg L-1 está cerca del límite de detección de TSS in situ medido con el método gravimétrico de ~0.4 mg L-1, para AIMS y CSIRO. Las incertidumbres relativas del método gravimétrico están asociadas con el protocolo de medición empleado por diferentes laboratorios, que incluyen diferencias en los tipos de filtro, sesgo del operador, enjuague con sal, etc. [99,100]. Por ejemplo, los cristales de sal atrapados en filtros de fibra de vidrio afectan en gran medida las mediciones de TSS y la sal debe eliminarse enjuagando el aparato de filtración [101,102]. Sin embargo, se han obtenido errores de hasta el 30% empleando diferentes técnicas de enjuague con sal, lo que dificulta la determinación precisa de TSS inferiores a 1 mg [101]. Por lo tanto, los límites de detección y las incertidumbres relativas de las mediciones in situ y los TSS derivados de Himawari-8 son comparables para el presente estudio. Este resultado sugiere que Himawari-8 ofrece una oportunidad para monitorear con precisión la variabilidad diurna de la calidad del agua en la GBR costera, para TSS entre 0.25 y 100 mg L-1.
Los productos de TSS derivados de Himawari-8 presentaron una formación de franjas horizontales sistemática, cuyo tamaño generalmente correspondía a escaneos horizontales individuales (500 km), como lo identificó previamente Murakami [22]. La formación de franjas se debió a las diferencias en las pendientes de calibración entre detectores a partir de las observaciones del difusor solar de las bandas visibles [103,104]. Aunque se aplicaron los coeficientes de calibración para las observaciones posteriores a julio de 2017, los patrones de formación de franjas horizontales aún estaban presentes en aguas costeras y con TSS < 1 mg L-1. Además, se observó una granulación severa en los productos de TSS derivados cada 10 min, posiblemente asociada con el bajo rendimiento radiométrico del sensor Himawari-8 sobre objetivos acuáticos [17,22]. Sin embargo, el ruido visual se redujo en gran medida mediante la agregación temporal de varias observaciones individuales en hourlProductos TSS derivados de y [16]. Afortunadamente, el ruido granulado fue insignificante en aguas costeras y moderadamente turbias (TSS > 1 mg L-1), ya sea a partir de 10 min o de hourlProductos TSS. Este resultado podría estar asociado con la mayor retrodispersión de partículas suspendidas, que incrementa la radiancia saliente del agua y neutraliza el ruido fotónico [105]. En consecuencia, es más probable que los TSS derivados de Himawari-8 se recuperen con mayor precisión en aguas costeras moderadamente turbias que en mar abierto, lo que corrobora el análisis de los límites de detección.
Las variaciones píxel a píxel en áreas oceánicas abiertas (TSS < 0.25 mg L⁻¹) probablemente estuvieron relacionadas con los patrones granulados observados mediante inspección visual, debido a la baja sensibilidad del sensor Himawari-1 a una resolución de 8 min. El ruido radiométrico para TSS inferiores a 10 mg L⁻¹ se redujo considerablemente en TSS agregados, lo que corrobora los análisis de sensibilidad e inspección visual. Por el contrario, se observó una mejor coherencia espacial en el transecto costero de la GBR para TSS > 0.25 mg L⁻¹. Como resultado, los TSS derivados del Himawari-1 a 1 min pueden utilizarse con la misma confianza que los TSS derivados de ho.urlObservaciones agregadas en zonas costeras. Obtener los valores de TSS cada 10 minutos en la GBR costera mejora la discriminación de las fluctuaciones rápidas de la calidad del agua en una hora. Sin embargo, esta frecuencia temporal casi en tiempo real requiere grandes capacidades de procesamiento y almacenamiento que podrían resultar inviables para toda la GBR. La producción de ho...urly TSS, de lo contrario, no sólo mejora las tasas de procesamiento y las capacidades de almacenamiento, sino que también ayuda a eliminar valores atípicos y aumentar la precisión de los productos TSS.
Sensores remotos 2022, 14, 3503
18 de 23
5. Conclusiones y perspectivas futuras
El monitoreo in situ y los datos satelitales LEO han proporcionado gran parte de nuestro conocimiento sobre las columnas de inundación que ingresan a la GBR [4,106-108]. Sin embargo, las observaciones infrecuentes y espacialmente escasas obstaculizaron la comprensión completa del desarrollo y la evolución de las columnas en escalas de tiempo cortas. Este estudio demostró la idoneidad de Himawari-8 para recuperaciones confiables de TSS en la GBR costera y para el mapeo, seguimiento y monitoreo de columnas de inundación. Por primera vez, las características de TSS costeras se cuantificaron de manera confiable para toda la GBR, a tasas solo posibles con modelos biogeoquímicos e hidrodinámicos [109]. Los productos TSS de Himawari-8 brindan la capacidad de caracterizar y resolver fenómenos periódicos y de corta duración con resoluciones espaciotemporales sin precedentes. Estos productos serán útiles para investigadores, modeladores y partes interesadas que evalúan el impacto de la calidad del agua en los ecosistemas de la GBR que actualmente solo utilizan productos de color del océano de órbita LEO [109]. Los cambios diurnos y los factores que impulsan las fluctuaciones en la calidad del agua deberían investigarse con mayor profundidad en la GBR utilizando los productos TSS del Himawari-8 y datos de procesos costeros como mareas, vientos y descarga de agua dulce. Además, el algoritmo presentado en este estudio puede aplicarse directamente al sensor Himawari-9 AHI, idéntico al anterior, que se prevé que suceda al Himawari-8 en 2029. La misión Himawari de próxima generación (Himawari-10) se encuentra en fase de planificación y es posible contar con canales adicionales en el rango visible, así como con una mayor sensibilidad y resolución espacial. Estas características mejorarían considerablemente las capacidades de los algoritmos de color del océano para sensores geoestacionarios, permitiendo recuperaciones más precisas en aguas costeras a escalas diurnas. Asimismo, el generador de imágenes meteorológicas avanzadas (AMI) a bordo del GEOKOMPSAT-2A, así como del GOCI-II (GEOKOMPSAT-2B), están observando actualmente Australia y Asia Oriental, y podría desarrollarse un algoritmo de aprendizaje automático similar para aprovechar estos grandes y abundantes conjuntos de datos casi en tiempo real. En este contexto, el presente estudio proporciona un algoritmo avanzado y una perspectiva de posibles aplicaciones que se desarrollarán cuando los sensores de color del océano a bordo de plataformas geoestacionarias se conviertan en una realidad para Australia.
Materiales complementarios: Los siguientes están disponibles en línea en https://www.mdpi.com/article/10.3390/rs14143503/s1, Figura S1: Variabilidad diurna de sólidos suspendidos totales sobre la desembocadura del río Burdekin en febrero de 2019 a partir de observaciones de 10 minutos con Himawari-8, Figura S2: Variabilidad diurna de sólidos suspendidos totales sobre la Gran Barrera de Coral del Sur cerca de Heralds Reef en noviembre de 2016 a partir de observaciones de 10 minutos con Himawari-8.
Contribuciones de los autores: Conceptualización, LP-V y TS; metodología, LP-V y TS; software, LP-V, TS y YQ; validación, LP-V; análisis formal, LP-V; curación de datos, LP-V, TS y YQ; redacción y preparación del borrador original, LP-V; redacción y revisiónview y edición, TS, MJD, SS y YQ; supervisión, TS, MJD y SS; financiación, LP-V. Todos los autores han leído y aceptado la versión publicada del manuscrito.
Financiación: Esta investigación fue financiada por la Fundación del Consejo Nacional de Desarrollo Científico y Tecnológico (CNPq) del Gobierno Federal de Brasil a través del Programa Ciencias sin Fronteras, número de subvención 206339/2014-3.
Declaración de disponibilidad de datos: Los datos presentados en este estudio están disponibles a solicitud del autor correspondiente.
Agradecimientos: Agradecemos a Juergen Fischer y Michael Schaale (Instituto de Ciencias Espaciales, Departamento de Ciencias de la Tierra, Universidad Libre de Berlín) por facilitar el acceso al código de transferencia radiativa MOMO y a la herramienta de modelado inverso. A Britta Schaffelke, Michele Skuza y Renee Gruber (AIMS) por proporcionar valiosos datos in situ recopilados como parte del Programa de Monitoreo Marino para la Calidad de las Aguas Costeras, una colaboración entre la Autoridad del Parque Marino de la Gran Barrera de Coral, el Instituto Australiano de Ciencias Marinas, la Universidad James Cook y la Asociación para el Monitoreo del Agua de Cape York. A la Agencia Meteorológica de Japón se le agradece la operación de Himawari-8 y la distribución de datos a través de la Oficina Australiana de Meteorología. A la Oficina Australiana de Meteorología se le agradece por proporcionar datos de predicción de mareas. Los datos in situ se obtuvieron del Sistema Integrado de Observación Marina (IMOS) de Australia, que es posible gracias a la Estrategia Nacional de Infraestructura de Investigación Colaborativa (NCRIS). NCRIS (IMOS) y CSIRO.
Sensores remotos 2022, 14, 3503
19 de 23
Se les agradece la financiación del Observatorio Costero del Muelle Lucinda. Esta investigación se realizó con la ayuda de recursos de la Infraestructura Computacional Nacional (NCI Australia), una infraestructura habilitada por el NCRIS y apoyada por el Gobierno australiano.
Conflictos de intereses: Los autores declaran no tener ningún conflicto de intereses.
Referencias
1. Schroeder, T.; Devlin, MJ; Brando, VE; Dekker, AG; Brodie, JE; Clementson, LA; McKinna, L. Variabilidad interanual de la extensión de la pluma de agua dulce durante la temporada de lluvias en la laguna de la Gran Barrera de Coral, basada en observaciones satelitales del color del océano costero. Mar. Pollut. Bull. 2012, 65, 210. [CrossRef] 223. Devlin, M.; Petus, C.; da Silva, ET; Tracey, D.; Wolff, N.; Waterhouse, J.; Brodie, J. Monitoreo de la calidad del agua y la pluma fluvial en la Gran Barrera de Coral: Un estudioview de métodos basados en datos satelitales de color del océano. Remote Sens. 2015, 7, 12909. [CrossRef] 12941. Blondeau-Patissier, D.; Brando, VE; Lønborg, C.; Leahy, SM; Dekker, AG Fenología de las floraciones de Trichodesmium spp. en la laguna de la Gran Barrera de Coral, Australia, de la misión ESA-MERIS de 3 años. PLoS ONE 10, 2018, e13. [CrossRef] [PubMed] 0208010. Petus, C.; Waterhouse, J.; Lewis, S.; Vacher, M.; Tracey, D.; Devlin, M. Una inundación de información: Uso de productos de color de agua Sentinel-4 para asegurar la continuidad en el monitoreo de las tendencias de la calidad del agua en la Gran Barrera de Coral (Australia). J. Environ. Manag. 3, 2019, 248. [CrossRef] 109255. Brodie, J.; Schroeder, T.; Rohde, K.; Faithful, J.; Masters, B.; Dekker, A.; Brando, V.; Maughan, M. Dispersión de sedimentos y nutrientes suspendidos en la laguna de la Gran Barrera de Coral durante eventos de descarga fluvial: Conclusiones de la teledetección satelital y la medición simultánea de la columna de inundación.ampLing. 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. Relleno de nubes de productos de teledetección del color del océano y la temperatura superficial del mar sobre el sur del Mar del Norte mediante la metodología de funciones ortogonales empíricas de interpolación de datos. J. Sea Res. 6, 2011, 65. [CrossRef] 114. Ruddick, K.; Neukermans, G.; Vanhellemont, Q.; Jolivet, D. Desafíos y oportunidades para la teledetección geoestacionaria del color del océano en mares regionales: Una review Resultados recientes. Remote Sens. Environ. 2014, 146, 63. [CrossRef] 76. Ruddick, K.; Vanhellemont, Q.; Yan, J.; Neukermans, G.; Wei, G.; Shang, S. Variabilidad de las partículas suspendidas en el mar de Bohai desde el sensor geoestacionario Ocean Color Imager (GOCI). Ocean. Sci. J. 8, 2012, 47. [CrossRef] 331. IOCCG. Observaciones del color del océano desde una órbita geoestacionaria; Informes del Grupo Internacional de Coordinación del Color del Océano (IOCCG), Informe número 345; Antoine, D., Ed.; IOCCG: Dartmouth, NS, Canadá, 9. Disponible en línea: http://ioccg.org/wpcontent/uploads/2015/10/ioccg-report-12.pdf (consultado el 18 de abril de 2016).
10. Gruber, R.; Waterhouse, J.; Logan, M.; Petus, C.; Howley, C.; Lewis, S.; Tracey, D.; Langlois, L.; Tonin, H.; Skuza, M.; et al. Programa de Monitoreo Marino: Informe Anual de Monitoreo de la Calidad de las Aguas Costeras 2018-2019; Informe para la Autoridad del Parque Marino de la Gran Barrera de Coral 2208; Autoridad del Parque Marino de la Gran Barrera de Coral: Townsville, Australia, 4096. Disponible en línea: https://elibrary.gbrmpa.gov.au/jspui/handle/2020/11017 (consultado el 3665 de mayo de 14).
11. Waterhouse, J.; Schaffelke, B.; Bartley, R.; Eberhard, R.; Brodie, J.; Thorburn, P.; Rolfe, J.; Ronan, M.; Taylor, B.; Star, M.; et al. Resumen de la Declaración de Consenso Científico: Impactos del uso del suelo en la calidad del agua y el estado del ecosistema de la Gran Barrera de Coral; Estado de Queensland: Townsville, Australia, 2017. Disponible en línea: https://www.reefplan.qld.gov.au/science-and-research/thescientific-consensus-statement (consultado el 25 de noviembre de 2017).
12. Feng, J.; Chen, H.; Zhang, H.; Li, Z.; Yu, Y.; Zhang, Y.; Bilal, M.; Qiu, Z. Estimación de turbidez a partir de datos satelitales del GOCI en los estuarios turbios de la costa de China. Remote Sens. 2020, 12, 3770. [CrossRef] 13. Lou, X.; Hu, C. Cambios diurnos de una floración de algas nocivas en el Mar de China Oriental: Observaciones del 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. Color del océano por satélite: estado actual y perspectiva futura. Front. Mar. Sci. 14, 2019, 6. [CrossRef] 485. Park, J.-E.; Park, K.-A.; Kang, C.-K.; Park, Y.-J. Respuesta a corto plazo de la concentración de clorofila-a al cambio en el campo de viento de la superficie del mar sobre remolinos de mesoescala. Estuaries Coasts 15, 2019, 43. [CrossRef] 646. Lavigne, H.; Ruddick, K. El uso potencial de MTG/FCI geoestacionario para recuperar la concentración de clorofila-a con alta resolución temporal para los océanos abiertos. Int. J. Remote Sens. 660, 16, 2018. [CrossRef] 39. Dorji, P.; Fearns, P. Corrección atmosférica de datos satelitales geoestacionarios Himawari-2399 para el mapeo de sedimentos suspendidos totales: Un estudio de caso en las aguas costeras de Australia Occidental. 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. Un espectáculo para la vista: El regreso del color verdadero a los satélites geoestacionarios. 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. Obtención de la reflectancia del agua de mar para el monitoreo de sólidos en suspensión en el Mar de China Oriental mediante datos satelitales MODIS, MERIS y GOCI. Remote Sens. Environ. 2016, 97, 1803. [CrossRef] 1816. Doxaran, D.; Cherukuru, RCN; Lavender, S.J. Uso de las relaciones de bandas de reflectancia para estimar las concentraciones de materia suspendida y disuelta en aguas estuarinas. Int. J. Remote Sens. 19, 2014, 146-36. [CrossRef]
Sensores remotos 2022, 14, 3503
20 de 23
21. Kwiatkowska, EJ; Ruddick, K.; Ramón, D.; Vanhellemont, Q.; Brockmann, C.; Lebretón, C.; Bonekamp, HG Productos de color del océano de plataformas geoestacionarias, oportunidades con Meteosat de segunda y tercera generación. Ocean. Sci. Discuss. 2015, 12, 3143. [CrossRef] 3167. Murakami, H. Estimación del color del océano por Himawari-22/AHI. En Actas de la teledetección de los océanos y aguas interiores: técnicas, aplicaciones y desafíos, Nueva Delhi, India, 8 de mayo de 7. [CrossRef] 2016. Chen, X.; Shang, S.; Lee, Z.; Qi, L.; Yan, J.; Li, Y. Observación de alta frecuencia de algas flotantes de AHI en Himawari-23. Remote Sens. Environ. 8, 2019, 227. [CrossRef] 151. Hafeez, S.; Wong, MS; Abbas, S.; Jiang, G. Evaluación del potencial del satélite geoestacionario Himawari-161 para el mapeo de sólidos suspendidos totales en la superficie y sus cambios diurnos. Remote Sens. 24, 8, 2021. [CrossRef] 13. Agencia Meteorológica de Japón. Registro de eventos: Resultados de la prueba de rendimiento del Himawari-336; Centro de Satélites Meteorológicos: Kiyose, Japón, 25. Disponible en línea: https://www.data.jma.go.jp/mscweb/es/himawari89/space_segment/fig/AHI8_performance_test_en.pdf (consultado el 20 de septiembre de 2021).
26. IOCCG. Teledetección del color del océano en aguas costeras y otras aguas ópticamente complejas; Informes del Grupo Internacional de Coordinación del Color del Océano (IOCCG), Informe número 3; Sathyendrath, S., Ed.; IOCCG: Dartmouth, NS, Canadá, 2000. Disponible en línea: http://ioccg.org/wp-content/uploads/2015/10/ioccg-report-03.pdf (consultado el 20 de septiembre de 2015).
27. Schroeder, T.; Schaale, M.; Lovell, J.; Blondeau-Patissier, D. Corrección atmosférica mediante redes neuronales de conjunto para el OLCI de Sentinel-3 sobre aguas costeras, que proporciona estimación de la incertidumbre inherente del modelo y propagación del ruido del sensor. 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: Una plataforma de análisis de datos basada en aprendizaje automático para sensores satelitales de color del océano. Remote Sens. Environ. 2021, 253, 112236. [CrossRef] 29. Brockmann, C.; Doerffer, R.; Peters, M.; Stelzer, K.; Embacher, S.; Ruescas, A. Evolución de la red neuronal C2RCC para Sentinel 2 y 3 para la recuperación de productos de color oceánico en aguas ópticamente complejas, normales y extremas. En Actas de la Agencia Espacial Europea, Praga, República Checa, 9-13 de mayo de 2016.
30. Schroeder, T.; Fischer, J.; Schaale, M.; Fell, F. Algoritmo de corrección atmosférica basado en redes neuronales artificiales: Aplicación a datos MERIS. En Actas del SPIE 4892, Ocean Remote Sensing and Applications, Hangzhou, China, 8 de mayo de 2003; págs. 124-132. [CrossRef] 31. Jamet, C.; Thira, S.; Moulin, C.; Crepon, M. Uso de una inversión neurovariacional para la recuperación de constituyentes oceánicos y atmosféricos a partir de imágenes de color del océano: Un estudio de viabilidad. J. Atmos. Ocean. Technol. 2005, 22, 460-475. [CrossRef] 32. Brajard, J.; Jamet, C.; Moulin, C.; Thiria, S. Uso de una inversión neurovariacional para recuperar constituyentes oceánicos y atmosféricos del sensor satelital de color del océano: Aplicación a la absorción de aerosoles. Neural Netw. Off. J. Int. Neural Netw. Soc. 2006, 19, 178. [CrossRef] 185. Doerffer, R. Documento de Base Teórica del Algoritmo (ATBD) Proyecto de Agua Regional MERIS para Costas y Lagos, Caso 33, Corrección Atmosférica ATBD; Versión Agua 2; Centro de Investigación GKSS: Geesthacht, Alemania, 1; págs. 2008.
34. Pahlevan, N.; Smith, B.; Schalles, J.; Encuadernación, C.; Cao, Z.; Mar.; Alikas, K.; Kangro, K.; GRAMOurlin, D.; Hà, N.; et al. Recuperaciones fluidas de clorofila-a de Sentinel-2 (MSI) y Sentinel-3 (OLCI) en aguas continentales y costeras: Un enfoque de aprendizaje automático. Remote Sens. Environ. 2020, 240, 111604. [CrossRef] 35. Gross, L.; Thiria, S.; Frouin, R.; Mitchell, BG Redes neuronales artificiales para modelar la función de transferencia entre la reflectancia marina y la concentración de pigmentos del fitoplancton. J. Geophys. Res. Ocean. 2000, 105, 3483. [CrossRef] 3495. Schroeder, T.; Behnert, I.; Schaale, M.; Fischer, J.; Doerffer, R. Algoritmo de corrección atmosférica para MERIS por encima de las aguas del caso 36. Int. J. Remote Sens. 2, 2007, 28. [CrossRef] 1469. Schroeder, T.; Schale, M.; Fischer, J. Recuperación de propiedades atmosféricas y oceánicas a partir de mediciones MERIS: un nuevo procesador de agua Case-1486 para BEAM. Int. J. Remote Sens. 37, 2, 2007. [CrossRef] 28. Schroeder, T. Fernerkundung von Wasserinhaltsstoffen in Küstengewässern mit MERIS unter Anwendung expliziter und impliziter Atmosphärenkorrekturverfahren (Detección remota de aguas costeras con MERIS en base de algoritmos de corrección atmosférica explícitos e implícitos). Doctor en Filosofía. Tesis, Freie Universität, Berlín, Alemania, 5627. [CrossRef] 5632. Patricio-Valerio, L. Explorando las observaciones de Himawari-38 para el monitoreo costero avanzado de la Gran Barrera de Coral. Tesis doctoral, James Cook University, Townsville, Australia, 2005. [CrossRef] 39. Fell, F.; Fischer, J. Simulación numérica del campo de luz en el sistema atmósfera-océano utilizando el método de operador de matriz. J. Quant. Spectrosc. Radiat. Transf. 8, 2021, 40. [CrossRef] 2001. Fischer, J.; Grassl, H. Transferencia radiativa en un sistema atmósfera-océano: Un enfoque de operador de matriz dependiente del azimut. Appl. Opt. 69, 351, 388. [CrossRef] 41. Santer, R.; Zagolski, F.; Dilligeard, E. Comparación de códigos de transferencia radiativa para la calibración vicaria de MERIS. En Actas del Taller de Validación de ENVISAT, ESRIN, Frascati, Italia, 1984-23 de diciembre de 1032.
43. Comité de Extensión de la Atmósfera Estándar. Atmósfera Estándar de EE. UU.; NASA: Washington, D. C., EE. UU., 1976. 44. Holben, B. N.; Eck, T. F.; Slutsker, I.; Tanré, D.; Buis, J. P.; Setzer, A.; Vermote, E.; Reagan, J. A.; Kaufman, Y. J.; Nakajima, T.; et al.
AERONET: Red federada de instrumentos y archivo de datos para la caracterización de aerosoles. Remote Sens. Environ. 1998, 66, 1. [CrossRef] 16. AERONET. Red robótica de aerosoles. Disponible en línea: https://aeronet.gsfc.nasa.gov/cgi-bin/data_display_aod_v45?site=Lucinda&nachal=3&level=2&place_code=3 (consultado el 10 de octubre de 3).
Sensores remotos 2022, 14, 3503
21 de 23
46. Ångström, A. Parámetros de la turbidez atmosférica. 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. La base de datos espectroscópica molecular HITRAN: Edición de 2000 incluyendo actualizaciones hasta 2001. J. Quant. Spectrosc. Radiat. Transf. 2003, 82, 5. [CrossRef] 44. Bennartz, R.; Fischer, J. Un enfoque de distribución k modificado aplicado a estimaciones de absorción de oxígeno y vapor de agua de banda estrecha en el infrarrojo cercano. J. Quant. Spectrosc. Radiat. Transf. 48, 2000, 66-539. [CrossRef] 553. Zhang, T.; Fell, F.; Liu, ZS; Preusker, R.; Fischer, J.; He, MX Evaluación del rendimiento de las técnicas de redes neuronales artificiales para la recuperación de pigmentos del color del océano en aguas del Caso I. J. Geophys. Res. Océano. 49, 2003, 108. [CrossRef] 3286. Pope, RM; Fry, ES Espectro de absorción (50-380 nm) de agua pura. II. Integración de mediciones de cavidad. Appl. Opt. 700, 1997, 36-8710. [CrossRef] 8723. Hale, GM; Querry, MR Constantes ópticas del agua en la región de longitud de onda de 51 nm a 200 µm. Appl. Opt. 200, 1973, 12-555. [CrossRef] 563. Bricaud, A.; Morel, A.; Babin, M.; Allali, K.; Claustre, H. Variaciones de la absorción de luz por partículas suspendidas con concentración de clorofila en aguas oceánicas (caso 52): Análisis e implicaciones para modelos bioópticos. J. Geophys. Res. Ocean. 1, 1998, 103. [CrossRef] 31033. Babin, M.; Stramski, D.; Ferrari, GM; Claustre, H.; Bricaud, A.; Obolensky, G.; Hoepffner, N. Variaciones en los coeficientes de absorción de luz del fitoplancton, partículas no algales y materia orgánica disuelta en aguas costeras de Europa. J. Geophys. Res. Ocean. 31044, 53, 2003. [CrossRef] 108. Morel, A. Propiedades ópticas del agua pura y del agua de mar pura. En Aspectos ópticos de la oceanografía; Nielsen, JS, Ed.; Academic Press: Cambridge, MA, EE. UU., 3211; págs. 54. 1974. Babin, M.; Morel, A.; Fournier-Sicre, V.; Fell, F.; Stramski, D. Propiedades de dispersión de luz de partículas marinas en aguas costeras y oceánicas abiertas en relación con la concentración de masa de partículas. Limnol. Oceanogr. 1, 24, 55. [CrossRef] 2003. Zhang, T.; Fell, F.; Fischer, J. Modelado de la razón de retrodispersión de partículas marinas en aguas del Caso 48. En Proceedings of the Ocean Optics XVI, Santa Fe, MN, EE. UU., 843 de noviembre de 859. 56. Minsky, M.; Papert, SA Perceptrones: Una introducción a la geometría computacional; MIT Press: Cambridge, MA, EE. UU., 2. 18. Malthouse, EC Limitaciones del PCA no lineal realizado con redes neuronales genéricas. IEEE Trans. Neural Netw. 22, 2002, 57. [CrossRef] [PubMed] 1969. Liu, DC; Nocedal, J. Sobre el método BFGS de memoria limitada para optimización a gran escala. Math. Program. 58, 1998, 9. [CrossRef] 165. Agencia Meteorológica de Japón. Registro de eventos: Actualización de la información de calibración utilizada para corregir la tendencia de sensibilidad del IAH de Himawari-173; Centro de Satélites Meteorológicos: Kiyose, Japón, 59. Disponible en línea: https://www.data.jma.go.jp/mscweb/en/oper/eventlog/ Update_of_Calibration_Information_2019.pdf (consultado el 20 de septiembre de 2021). 61. Kurucz, R. El espectro solar: Atlas e identificación de líneas. En Actas del Laboratorio y Espectros Astronómicos de Alta Resolución, Bruselas, Bélgica, 29 de agosto-2 de septiembre de 1995; pág. 17. 62. Centro de Satélites Meteorológicos. Guía de Calibración Vicariosa del Visible e Infrarrojo Cercano del GSICS Himawari-8. Disponible en línea: https://www.data.jma.go.jp/mscweb/data/monitoring/gsics/vis/techinfo_visvical.html (consultado el 10 de mayo de 2022). 63. Agencia Meteorológica de Japón. Registro de eventos: Mejora de la calidad de los datos de observación de Himawari-8; Registro de eventos del Centro de Satélites Meteorológicos: Kiyose, Japón, 2017. Disponible en línea: https://www.data.jma.go.jp/mscweb/en/oper/eventlog/Improvement_of_ Himawari-8_data_quality.pdf (consultado el 20 de septiembre de 2021). 64. Qin, Y.; Steven, ADL; Schroeder, T.; McVicar, TR; Huang, J.; Cope, M.; Zhou, S. Cobertura nubosa en la región australiana: Desarrollo y validación de un algoritmo de enmascaramiento, clasificación y recuperación óptica de profundidad de nubes para el generador de imágenes avanzado Himawari. Front. Environ. Sci. 2019, 7, 20. [CrossRef] 65. Autoridad del Parque Marino de la Gran Barrera de Coral. Características de la Gran Barrera de Coral (GBR) (Límites de arrecifes, Queensland continental, islas, cayos, rocas y arrecifes secos) (GBRMPA) (Versión 1.4) [Conjunto de datos] 2164DB88-FD79-449E-920F-61C37ADE634B. 1998. Disponible en línea: http://www.gbrmpa.gov.au/geoportal/catalog/search/resource/details.page?uuid=%7B41AB3629-B41B-4746-9B753822667E5AF3%7D (consultado el 14 de mayo de 2022). 66. Emecen, E.; Kara, G.; Erdogmus, F.; Gardashov, R. Determinación de la ubicación de los destellos solares en la superficie del océano mediante la observación desde satélites geoestacionarios. TAO Terr. Atmos. Ocean. Sci. 2006, 17, 253. [CrossRef] 67. Administración Nacional Oceánica y Atmosférica. Análisis de ozono total utilizando SBUV/2 y TOVS (TOAST). Disponible en línea: https://www.ospo.noaa.gov/Products/atmosphere/toast/index.html (consultado el 1 de diciembre de 2020). 68. Kistler, R.; Kalnay, E.; Collins, W.; Saha, S.; White, G.; Woollen, J.; Chelliah, M.; Ebisuzaki, W.; Kanamitsu, M.; Kousky, V. El reanálisis de 50 años del NCEPNCAR: CD-ROM de medias mensuales y documentación. Bull. Am. Meteorol. Soc. 2001, 82, 247. [CrossRef] 268. Kanamitsu, M.; Ebisuzaki, W.; Woollen, J.; Yang, S.-K.; Hnilo, JJ; Fiorino, M.; Potter, GL Reanálisis AMIP-II del NCEPDOE (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. El proyecto de reanálisis de 1644 años del NCEP/NCAR. Bull. Am. Meteorol. Soc. 70, 40, 1996. [CrossRef] 77. Administración Nacional Oceánica y Atmosférica. Datos meteorológicos del reanálisis 437 del NCEP. Disponible en línea: https://psl.noaa. gov/data/gridded/data.ncep.reanalysis472.html (consultado el 71 de diciembre de 2).
Sensores remotos 2022, 14, 3503
22 de 23
72. Sistema Integrado de Observación Marina. Base de Datos Bioóptica del Color del Océano IMOS de Aguas Australianas (SRS-OC-BODBAW). 2011. Disponible en línea: https://researchdata.edu.au/imos-srs-ocean-australian-waters (consultado el 20 de febrero de 2017).
73. Autoridad del Parque Marino de la Gran Barrera de Coral. Manual de Garantía y Control de Calidad del Programa de Monitoreo Marino 2017-2018; Autoridad del Parque Marino de la Gran Barrera de Coral: Townsville, Australia, 2019. Disponible en línea: http://elibrary.gbrmpa.gov.au/jspui/handle/11017/3487 (consultado el 15 de mayo de 2018).
74. Soja-Woz´niak, M.; Baird, M.; Schroeder, T.; Qin, Y.; Clementson, L.; Baker, B.; Boadle, D.; Brando, V.; Steven, ADL Relación de retrodispersión de partículas como indicador de la composición cambiante de partículas en aguas costeras: Observaciones desde las aguas de la Gran Barrera de Coral. J. Geophys. Res. Ocean. 2019, 124, 5485. [CrossRef] 5502. Bulgarelli, B.; Zibordi, G. Sobre la detectabilidad de los efectos de adyacencia en la teledetección del color del océano en entornos costeros de latitudes medias mediante SeaWiFS, MODIS-A, MERIS, OLCI, OLI y MSI. Remote Sens. Environ. 75, 2018, 209. [CrossRef] 423. Schroeder, T.; Lovell, J.; Rey, E.; Clementson, L.; Scott, R. Informe de validación del color del océano IMOS 438-76, Informe para el Sistema Integrado de Observación Marina (IMOS); CSIRO Océanos y Atmósfera: Brisbane, Australia, 2017; pag. 18.
77. King, E.; Schroeder, T.; Brando, V.; Suber, K. Un sistema preoperacional para el monitoreo satelital de la calidad del agua marina de la Gran Barrera de Coral. En el Informe insignia de Wealth from Oceans; Informe insignia de Wealth from Oceans de CSIRO: Hobart, Australia, 2014. [CrossRef] 78. Agencia Meteorológica de Japón. Registro de eventos: Mejora de la calidad de los datos de observación de Himawari-8; Centro de Satélites Meteorológicos: Kiyose, Japón, 2016. Disponible en línea: https://www.data.jma.go.jp/mscweb/es/oper/eventlog/20161117_Quality_ improvement_of_Himawari-8_observation_data.pdf (consultado el 20 de septiembre de 2021).
79. Agencia Japonesa de Exploración Aeroespacial. Sistema JAXA Himawari Monitor P-Tree. Disponible en línea: https://www.eorc.jaxa.jp/ptree/index.html (consultado el 14 de mayo de 2022).
80. Hu, C.; Feng, L.; Lee, Z.; Davis, CO; Mannino, A.; McClain, CR; Franz, BA. Requisitos de rango dinámico y sensibilidad de los sensores satelitales de color del océano: Aprendiendo del pasado. Appl. Opt. 2012, 51, 6045-6062. [CrossRef] 81. Tang, W.; Llort, J.; Weis, J.; Perron, M.M.G.; Basart, S.; Li, Z.; Sathyendranath, S.; Jackson, T.; Sanz Rodríguez, E.; Proemse, BC; et al. Floraciones generalizadas de fitoplancton desencadenadas por los incendios forestales australianos de 2019-2020. Nature 2021, 597, 370-375. [CrossRef] [PubMed] 82. Autoridad del Parque Marino de la Gran Barrera de Coral. Directrices de calidad del agua para el Parque Marino de la Gran Barrera de Coral; 1921682299; Autoridad del Parque Marino de la Gran Barrera de Coral: Townsville, Australia, 2010. Disponible en línea: https://elibrary.gbrmpa.gov.au/jspui/handle/11017/ 432 (consultado el 20 de agosto de 2019).
83. Brodie, J.; Grech, A.; Pressey, B.; Day, J.; Dale, A.; Morrison, T.; Wenger, A. El futuro de la Gran Barrera de Coral: El imperativo de la calidad del agua. En Coasts and Estuaries; Wolanski, E., Day, JW, Elliott, M., Ramachandran, R., Eds.; Elsevier: Ámsterdam, Países Bajos, 2019; págs. 477-499. [CrossRef] 84. Hieronymi, M.; Müller, D.; Doerffer, R. El enjambre de redes neuronales OLCI (ONNS): Un algoritmo biogeoóptico para aguas costeras y oceánicas abiertas. Front. Mar. Sci. 2017, 4, 140. [CrossRef] 85. Donlon, C. Documento de trazabilidad de los requisitos de la misión Sentinel-3 (MRTD); Agencia Espacial Europea (ESA)–ESTEC: Noordwijk, Países Bajos, 2011; pág. 234. Disponible en línea: https://sentinels.copernicus.eu/documents/247904/1848151/Sentinel-3-MissionRequirements-Traceability (consultado el 11 de octubre de 2018).
86. Doerffer, R. Protocolos para la validación de productos de agua MERIS; Publicación de la ESA PO-TN-MEL-GS-0043 GKSS; Forschungszentrum: Geesthacht, Alemania, 2002; págs.1.
87. Gobierno de Queensland. Portal de Información sobre el Monitoreo del Agua (WMIP). Disponible en línea: https://water-monitoring.information.qld.gov.au/ (consultado el 30 de marzo de 2021).
88. Wolanski, E.; Spagnol, S. Aguas pegajosas en la Gran Barrera de Coral. Estuar. Coast. Shelf Sci. 2000, 50, 27. [CrossRef] 32. Pickard, G. L.; Donguy, J.-R.; Hénin, C.; Rougerie, F. A. Re.view de la Oceanografía Física de la Gran Barrera de Coral y los Corales Occidentales
Mar; Servicio de Publicaciones del Gobierno Australiano: Canberra, Australia, 1977. 90. Feng, D.; Hodges, B. R.; Socolofsky, S. A.; Thyng, K. M. Remolinos de marea en la entrada de un canal estrecho en modelos operativos de derrames de petróleo. Marzo.
Pollut. Bull. 2019, 140, 374. [CrossRef] [PubMed] 387. De'ath, GA; Fabricius, KK Calidad del agua de la Gran Barrera de Coral: distribuciones, efectos en la biota del arrecife y valores de activación para la
Protección de la salud del ecosistema; Autoridad del parque marino de la Gran Barrera de Coral, Mancomunidad de Australia e Instituto Australiano de Ciencias Marinas: Townsville, Australia, 2008; pág. 104. 92. Thomson, RE; Wolanski, EJ Afloramiento en el período de mareas en la entrada de la Gran Barrera de Coral de la isla Raine. J. Mar. Res. 1984, 42, 787. [CrossRef] 808. Wolanski, E.; Drew, E.; Abel, KM; O'Brien, J. Chorros de marea, afloramiento de nutrientes y su influencia en la productividad del alga Halimeda en los arrecifes Ribbon, Gran Barrera de Coral. Estuar. Coast. Shelf Sci. 93, 1988, 26. [CrossRef] 169. Marmorino, GO; Smith, GB; Miller, WD Características de turbulencia inferidas a partir de imágenes satelitales con retardo temporal de algas superficiales en un mar de marea poco profundo. Cont. Shelf Res. 201, 94, 2017. [CrossRef] 148. Delandmeter, P.; Lambrechts, J.; Marmorino, GO; Legat, V.; Wolanski, E.; Remacle, J.-F.; Chen, W.; Deleersnijder, E. Remolinos de marea submesoescalares en la estela de islas y arrecifes de coral: Datos satelitales y modelado numérico. Ocean. Dyn. 178, 184, 95. [CrossRef] 2017. Li, G.; He, Y.; Liu, G.; Zhang, Y.; Hu, C.; Perrie, W. Observaciones multisensoriales de remolinos submesoescalares en regiones costeras. Sensores remotos 67, 897, 913. [CrossRef]
Sensores remotos 2022, 14, 3503
23 de 23
97. IOCCG. Requisitos de misión para futuros sensores de color del océano; Informes del Grupo Internacional de Coordinación del Color del Océano (IOCCG), Informe número 13; McClain, C., Meister, G., Eds.; IOCCG: Dartmouth, NS, Canadá, 2012. Disponible en línea: http://ioccg.org/wp-content/uploads/2015/10/ioccg-report-13.pdf (consultado el 30 de septiembre de 2017).
98. Neukermans, G.; Ruddick, K.; Bernardo, E.; Ramón, D.; Nechad, B.; Deschamps, P.-Y. Cartografía de la materia suspendida total desde satélites geoestacionarios: Un estudio de viabilidad con SEVIRI en el sur del Mar del Norte. Opt. Express 2009, 17, 14029. [CrossRef] 14052. Neukermans, G.; Ruddick, K.; Loisel, H.; Roose, P. Optimización y control de calidad de la medición de la concentración de materia particulada en suspensión mediante mediciones de turbidez. Limnol. Oceanogr. Methods 99, 2012, 10. [CrossRef] 1011. Röttgers, R.; Heymann, K.; Krasemann, H. Concentraciones de materia suspendida en aguas costeras: Mejoras metodológicas para cuantificar la incertidumbre de la medición individual. Estuar. Coast. Shelf Sci. 1023, 100, 2014. [CrossRef] 151. Tilstone, G.; Moore, G.; Sorensen, K.; Doerffer, R.; Røttgers, R.; Ruddick, K.; pasterkamp, R.; Jørgensen, P. Validación regional de los productos de clorofila de MERIS en aguas costeras del Mar del Norte. En Actas de la reunión de trabajo sobre calibración y validación geofísica de MERIS y AATSR (ENVISAT MAVT-2003), Frascati, Italia, octubre de 20.
102. Stavn, RH; Rick, HJ; Falster, AV Corrección de errores de retención variable de sal marina y agua de hidratación en análisis de pérdida por ignición: Implicaciones para estudios de aguas estuarinas y costeras. Estuar. Coast. Shelf Sci. 2009, 81, 575. [CrossRef] 582. Okuyama, A.; Takahashi, M.; Date, K.; Hosaka, K.; Murata, H.; Tabata, T.; Yoshino, R. Validación de la calibración radiométrica Himawari-103/AHI basada en dos años de datos en órbita. J. Meteorol. Soc. Japón. Ser. II 8, 2018, 96. [CrossRef] 91. Agencia Meteorológica de Japón. Registro de eventos: Impactos de los eventos de la nave espacial y calibración en las imágenes Himawari-109: Rayas; Centro de Satélites Meteorológicos: Kiyose, Japón, 104. Disponible en línea: http://www.data.jma.go.jp/mscweb/es/oper/image_info.html#005 (consultado el 20 de septiembre de 2021).
105. Moses, W. J.; Bowles, J. H.; Lucke, R. L.; Corson, M. R. Impacto de la relación señal-ruido en un sensor hiperespectral en la precisión de la estimación de parámetros biofísicos en aguas del caso II. Opt. Express 2012, 20, 4309-4330. [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. Un enfoque novedoso para modelar la exposición de los ecosistemas marinos costeros a las columnas de inundación ribereñas basado en técnicas de teledetección. J. Environ. Manag. 2013, 119, 194. [CrossRef] 207. Petus, C.; Devlin, M.; Thompson, A.; McKenzie, L.; Teixeira da Silva, E.; Collier, C.; Tracey, D.; Martin, K. Estimación de la exposición de los arrecifes de coral y las praderas marinas a contaminantes de origen terrestre en las columnas de inundación de los ríos de la Gran Barrera de Coral: validación de un marco de riesgo satelital simple con datos ambientales. Remote Sens. 107, 2016, 8. [CrossRef] 210. Devlin, M.; Schroeder, T.; McKinna, L.; Brodie, J.; Brando, V.; Dekker, A. Monitoreo y mapeo de columnas de inundación en la Gran Barrera de Coral basado en observaciones in situ y de teledetección. En Avances en Teledetección Ambiental para el Monitoreo de Cambios Globales; Chang, N.-B., Ed.; Teledetección Ambiental y Análisis de Sistemas; CRC Press: Boca Ratón, FL, EE. UU., 108; págs. 2012-147. [CrossRef] 191. Steven, AD; Baird, ME; Brinkman, R.; Car, NJ; Cox, SJ; Herzfeld, M.; Hodge, J.; Jones, E.; King, E.; Margvelashvili, N.; et al. eReefs: Un sistema de información operativa para la gestión de la Gran Barrera de Coral. J. Oper. Oceanogr. 109, 2019, S12S12. [CrossRef]
Documentos / Recursos
 |
Algoritmo de aprendizaje automático MDPI [pdf] Guía del usuario Algoritmo de aprendizaje automático, algoritmo de aprendizaje, algoritmo |