MDPI Machine Learning Algorithm User Guide

Algoritmo di apprendimento automatico

Informazioni sul prodotto

Specifiche

Nome del prodotto: Articolo sul telerilevamento
Autore: Larissa Patricio-Valerio, Thomas
Schroeder, Michelle J. Devlin, Yi Qin, Scott Smithers
Data di pubblicazione: 21 luglio 2022
Parole chiave: Himawari-8, colore oceano, artificiale
reti neurali, Grande Barriera Corallina, acque costiere, totale
solidi sospesi, apprendimento automatico, qualità dell'acqua

Istruzioni per l'uso del prodotto

1. Introduzione

L'articolo sul telerilevamento fornisce approfondimenti sull'uso di
algoritmi di apprendimento automatico per il recupero dei solidi sospesi totali
nella Grande Barriera Corallina utilizzando i dati di Himawari-8. L'articolo
discute le sfide e i vantaggi dell'utilizzo della geostazionaria
Satelliti in orbita terrestre per l'osservazione continua delle coste
aree.

2. Processo di recupero

L'articolo sottolinea l'importanza della geostazionarietà
satelliti come Himawari-8 nell'acquisizione di dati quasi in tempo reale su
processi costieri. Sottolinea i limiti dell'orbita terrestre bassa
satelliti per la risoluzione della variabilità a breve termine rispetto a
satelliti geostazionari.

3. Sensori di colore dell'oceano

L'articolo menziona l'importanza dei sensori del colore dell'oceano su
satelliti per l'acquisizione di informazioni spaziali relative all'acqua
qualità. Si discute la dinamica temporale osservata da
satelliti geostazionari e il loro impatto sul monitoraggio costiero
fenomeni.

Domande frequenti (FAQ)

D: Qual è l'obiettivo principale dell'articolo sul telerilevamento?

A: L'obiettivo principale è l'utilizzo di un algoritmo di apprendimento automatico con
Dati Himawari-8 per recuperare i solidi sospesi totali nel Grande
Barriera corallina.

D: Perché i satelliti geostazionari sono preferiti per le osservazioni costiere?
monitoraggio?

A: I satelliti geostazionari offrono un'osservazione quasi continua di
ampie aree con maggiore frequenza, consentendo un migliore monitoraggio
dei rapidi cambiamenti nei processi costieri.

telerilevamento

Articolo
Un algoritmo di apprendimento automatico per il recupero di solidi sospesi totali Himawari-8 nella Grande Barriera Corallina
Larissa Patricio-Valerio 1,2,* , Thomas Schroeder 2, Michelle J. Devlin 3 , Yi Qin 4 e Scott Smithers 1

1 Facoltà di Scienze e Ingegneria, James Cook University, Townsville, QLD 4811, Australia; scott.smithers@jcu.edu.au
2 Organizzazione per la ricerca scientifica e industriale del Commonwealth, Oceani e atmosfera, GPO Box 2583, Brisbane, QLD 4001, Australia; thomas.schroeder@csiro.au
3 Centro per l'ambiente, la pesca e le scienze dell'acquacoltura, Parkfield Road, Lowestoft, Suffolk NR33 0HT, Regno Unito; michelle.devlin@cefas.co.uk
4 Organizzazione per la ricerca scientifica e industriale del Commonwealth, Oceani e atmosfera, GPO Box 1700, Canberra, ACT 2601, Australia; yi.qin@csiro.au
* Corrispondenza: larissa.patriciovalerio@my.jcu.edu.au

Citazione: Patricio-Valerio, L.; Schroeder, T.; Devlin, MJ; Qin, Y.; Smithers, S. Un algoritmo di apprendimento automatico per il recupero di solidi sospesi totali Himawari-8 nella Grande Barriera Corallina. Remote Sens. 2022, 14, 3503. https://doi.org/ 10.3390/rs14143503
Redattore accademico: Chris Roelfsema
Ricevuto: 15 maggio 2022 Accettato: 19 luglio 2022 Pubblicato: 21 luglio 2022
Nota dell'editore: MDPI rimane neutrale per quanto riguarda le rivendicazioni giurisdizionali nelle mappe pubblicate e nelle affiliazioni istituzionali.
Copyright: © 2022 degli autori. Licenziatario MDPI, Basilea, Svizzera. Questo articolo è un articolo open access distribuito secondo i termini e le condizioni della licenza Creative Commons Attribuzione (CC BY) (https://creativecommons.org/licenses/by/ 4.0/).

Abstract: Il telerilevamento del colore dell'oceano è stato fondamentale per il monitoraggio su scala sinottica della qualità delle acque marine nella Grande Barriera Corallina (GBR). Tuttavia, i sensori del colore dell'oceano a bordo di satelliti in orbita bassa, come la costellazione Sentinel-3, non hanno una capacità di rivisitazione sufficiente a risolvere completamente la variabilità diurna in ambienti costieri altamente dinamici. Per superare questa limitazione, questo lavoro presenta un algoritmo di colore dell'oceano costiero basato sulla fisica per l'Advanced Himawari Imager a bordo del satellite geostazionario Himawari-8. Pur essendo progettato per applicazioni meteorologiche, Himawari-8 offre l'opportunità di stimare le caratteristiche del colore dell'oceano ogni 10 minuti, in quattro ampie bande spettrali del visibile e del vicino infrarosso, e con una risoluzione spaziale di 1 km². Sono state effettuate simulazioni accoppiate del trasferimento radiativo dell'atmosfera oceanica delle bande di Himawari-2 per un intervallo realistico di proprietà ottiche in acqua e atmosferiche della GBR e per un'ampia gamma di geometrie solari e di osservazione. I dati simulati sono stati utilizzati per sviluppare un modello inverso basato su tecniche di reti neurali artificiali per stimare le concentrazioni di solidi sospesi totali (TSS) direttamente dalle osservazioni di riflettanza spettrale in cima all'atmosfera di Himawari-8. L'algoritmo è stato validato con dati in situ simultanei lungo la GBR costiera e ne sono stati valutati i limiti di rilevabilità. I recuperi di TSS hanno presentato errori relativi fino al 8% ed errori assoluti di 75 mg L-2 nell'intervallo di validazione compreso tra 1 e 0.14 mg L-24, con un limite di rilevabilità di 1 mg L-0.25. Discutiamo le potenziali applicazioni dei prodotti TSS diurni di Himawari-1 per un migliore monitoraggio e gestione della qualità dell'acqua nella GBR.
Parole chiave: Himawari-8; colore dell'oceano; reti neurali artificiali; Grande barriera corallina; acque costiere; solidi sospesi totali; apprendimento automatico; qualità dell'acqua
1. Introduzione Sensori di colore oceanico a bordo di satelliti in orbita terrestre bassa (LEO), come MODIS/Aqua,
VIIRS/Suomi-NPP e OLCI/Sentinel-3 hanno fornito registrazioni a lungo termine di osservazioni preziose ed economiche per esaminare le dinamiche giornaliere e interannuali della qualità dell'acqua nella Grande Barriera Corallina (GBR) [1]. I satelliti LEO scansionano la stessa area geografica entro uno o due giorni al massimo; tuttavia, il ritardo temporale tra due orbite consecutive e identiche (ovvero la periodicità di rivisitazione) varia comunemente tra una e fino a quattro settimane. Inoltre, le immagini a colori dell'oceano possono essere ampiamente influenzate dalla presenza di nuvole e dal riverbero del sole, limitando il recupero di osservazioni di alta qualità [5]. Ciò può richiedere un set settimanale o mensile di immagini giornaliere dalla stessa area per sviluppare un'immagine composita senza nuvole. view dell'oceano. Di conseguenza, la capacità temporale dei satelliti LEO è insufficiente per sviluppare un sistema di osservazione completo e per monitorare efficacemente i processi costieri dinamici a breve termine, come i cicli giornalieri del fitoplancton, la progressione giornaliera dei pennacchi di piena e

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

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

Sens. remoto 2022, 14, 3503

2 di 23

risospensione causata dalle maree e dal vento [7]. I ricercatori e i gestori ambientali continuano

fare affidamento sui prodotti LEO Ocean Colour per acquisire informazioni spaziali a costi contenuti - nel

GBR costiero [10,11], ma riconoscono i limiti di queste tecniche per risolvere i problemi a breve termine

variabilità.

–

I satelliti su un'orbita terrestre geostazionaria (GEO), altrimenti, consentono una trasmissione quasi continua

osservazione di vaste aree del globo a frequenza più elevata (minuti a ore) rispetto

alla frequenza di rivisitazione quasi giornaliera delle piattaforme LEO, in particolare sui tropici [9].

Il primo Geostationary Ocean Colour Imager (GOCI-I) al mondo, lanciato nel 2010, ha rivelato

le dinamiche temporali dei processi costieri in rapida evoluzione nel Nord-est asiatico, come

di pennacchi di torbidità e fioriture algali dannose [12,13]. Il suo successo ha fornito un caso utile

per lo sviluppo futuro di missioni globali di rilevamento del colore degli oceani GEO [14]; tuttavia, nessuno di

le missioni proposte per il lancio entro il prossimo decennio sono state progettate per osservare

Acque australiane. Tuttavia, i satelliti GEO sono gestiti a livello globale per l'osservazione meteorologica

Le riserve e i recenti progressi tecnologici hanno sfruttato le loro capacità di raccolta di dati sugli oceani, consentendo di osservare processi più dinamici dallo spazio [-15].

Tofhbe annedxst-ignentheera-vtiiosinblGe Esp Oemctreutemor(o2loogri3cailnssetenasdorosfaorenleyq1uibpapnedd)

con un numero aumentato combinato con un miglioramento

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 è posizionato a 140.7 est sopra l'equatore e, con una velocità di scansione di 10 minuti, cattura almeno 48 osservazioni dell'intero disco in un giorno (dalle 8:4 alle XNUMX:XNUMX ora locale). Sebbene lo strumento AHI sia stato progettato per applicazioni meteorologiche, le sue osservazioni nel visibile e nel vicino infrarosso

Le bande (VNIR) (Figura 1 e Tabella 1) consentono il rilevamento di caratteristiche marine con forte

segnali ottici, come quelli provenienti da acque altamente torbide [19]. Inoltre, Himawari-21

Le osservazioni ad altissima risoluzione temporale consentono il monitoraggio delle proprietà oceaniche da

sottotitolourlscale temporali interannuali per l'intera laguna GBR e l'adiacente oceano

basin senza dati interorbitali g-ap.

wFiigthurtehe1.trHainmsmawisas-riio-n8

funzioni di risposta spettrale delle bande visibili e infrarosse (linee bianche continue) dei gas atmosferici (linea grigia piena) e la trasmissione da parte dell'ozono (linea rossa)

linea continua) tra 400 e 1000 nm.

Un'ampia gamma di applicazioni per il monitoraggio e la gestione delle aree oceaniche può essere derivata da Him-awari-8, inclusa la determinazione del colore dell'oceano -[22,23]. Studi recenti hanno dimostrato la fattibilità delle osservazioni di Hima-wari-8 per il rilevamento di solidi sospesi totali (TSS) nelle acque costiere [17,24] e per la concentrazione di clorofilla (CHL) in oceano aperto [22]. Questi risultati suggeriscono un'entusiasmante opportunità per il monitoraggio di processi dinamici e ad alta frequenza nella GBR costiera. Tuttavia, sebbene possano essere disponibili diversi algoritmi per il colore dell'oceano per il recupero satellitare dei parametri di qualità delle acque costiere, potrebbero non essere adatti alla complessità ottica della GBR o non applicabili alle osservazioni di Himawari-8.

Sens. remoto 2022, 14, 3503

3 di 23
– –
Risultati di Tleanbglteh1s.anHdimbaanwdawrii-d8-thA, dasvsaoncciaetdedHsipmaatiwalarreisIomluatgioenr.vSiisgibnlael-aton-dnoni-esearr–aintiforsar(SeNd Rb)anfrdosmcpenertrfoarlmwaanvce–etest [25].

Banda n. (Nome) n. 1 (blu) n. 2 (verde) n. 3 (rosso) n. 4 (NIR)

Centro banda (larghezza) 470.64 (45.37) nm 510.00 (37.41) nm 639.15 (90.02) nm 856.69 (42.40) nm

Risoluzione spaziale 1 km 1 km 0.5 km 1 km

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

Gli algoritmi del colore dell'oceano basati su modelli che utilizzano simulazioni di trasferimento radiativo hanno mostrato prestazioni superiori per l'applicazione in studi di telerilevamento multitemporale delle acque costiere rispetto agli algoritmi empirici [26]. Nello specifico, le reti neurali sono un metodo di inversione computazionalmente efficiente per applicazioni di telerilevamento in acque costiere otticamente complesse grazie alla loro capacità di approssimare relazioni funzionali non lineari [27]. Questo articolo descrive lo sviluppo di un algoritmo del colore dell'oceano basato su modelli di reti neurali (Figura 35) per Himawari-2 e parametrizzato per le acque costiere della GBR. L'algoritmo di inversione in un passaggio è stato sviluppato per stimare il TSS direttamente dalle osservazioni della parte superiore dell'atmosfera (TOA) di Himawari-8 con un percettrone multistrato, una classe di reti neurali artificiali (ANN). In primo luogo, la distribuzione angolare spettrale delle riflettanze TOA RTOA() sr-8 è stata simulata alle bande VNIR Himawari–1 con un modello di trasferimento radiativo (RT) oceano-atmosfera esistente (modello forward). Le simulazioni di RT includevano variazioni realistiche nei parametri di qualità dell'acqua e nelle condizioni atmosferiche e di illuminazione. Diversi esperimenti ANN (modelli inversi) sono stati quindi progettati, addestrati e testati per recuperare i TSS alle bande Himawari–8 sulla base delle radianze TOA simulate. Infine, i risultati dei TSS recuperati da Himawari–8 sono stati valutati statisticamente rispetto a dati di qualità dell'acqua in situ contemporanei nella GBR e sono stati studiati i limiti dell'algoritmo selezionato.

Figura 2. Diagramma di flusso dell'algoritmo basato sul modello del colore dell'oceano sviluppato per Himawari–8.
2. Metodi La parametrizzazione delle simulazioni di trasferimento radiativo e la progettazione del
Il modello inverso ANN è specificato nelle sottosezioni seguenti. Le parametrizzazioni del modello diretto e inverso seguono un approccio precedentemente sviluppato per le acque costiere europee [36], ma sono state adattate in questo studio per le condizioni ottiche in acqua della GBR [38]. Inoltre, le procedure di acquisizione, elaborazione e mascheramento di H-imawari-39 e il processore del colore oceanico sono descritti per l'algoritmo basato sul modello qui sviluppato. Vengono presentati il protocollo di validazione e i metodi per la valutazione delle limitazioni dell'algoritmo, nonché i primi risultati per il monitoraggio TSS nella GBR.

Sens. remoto 2022, 14, 3503

4 di 23
2.1. Il modello forward
In questo lavoro, una versione scalare del Matrix-Operator MOdel (MOMO) [40,41] è stata utilizzata per le simulazioni accoppiate del trasferimento radiativo oceano-atmosfera delle bande VNIR di Himawari-8 (Tabella 1). Trascurare la polarizzazione atmosferica può portare a errori del 1% al TOA, il che è accettabile per le applicazioni in acque costiere [2]. Gli RTOA() di Himawari-42 sono stati simulati per un intervallo realistico di proprietà ottiche in acqua e atmosferiche del GBR.
Il sistema oceano-atmosfera simulato è stratificato in diversi strati piano-paralleli omogenei orizzontalmente, in cui vengono considerati i tipi e le concentrazioni definiti di costituenti ottici acquatici e atmosferici. L'altezza dell'atmosfera simulata (TOA) è di 50 km di spessore ed è suddivisa in 11 strati in cui la proiezione verticalefileLe misure di pressione, temperatura e umidità seguono un'atmosfera standard statunitense [43]. L'attenuazione dovuta allo scattering di Rayleigh è tenuta in considerazione con due pressioni barometriche superficiali di 980 hPa e 1040 hPa. L'atmosfera è suddivisa in uno strato limite (0 km), una troposfera libera (2 km) e una stratosfera (2 km). In ogni strato, le simulazioni sono state eseguite per otto distinti assemblaggi di aerosol con concentrazioni variabili dello spessore ottico dell'aerosol (a) a 12 nm tra 12 e 50. Ogni assemblaggio di aerosol è composto dai tre principali modelli di aerosol, un modello marittimo nello strato limite, un modello continentale nella troposfera libera e un modello di acido solforico nella stratosfera, a un'umidità relativa tra il 550% e il 0.015%. L'intervallo a è stato determinato da osservazioni pluriennali del fotometro solare di livello 1.0 della stazione AERONET [70] presso il Lucinda Jetty Coastal Observatory (LJCO) situato nella GBR centrale [99S, 2E]. L'analisi dei corrispondenti coefficienti di Ångström [44,45] tra 18.52 e 146.39 nm presso la stazione AERONET LJCO conferma una miscela di tipi di aerosol marittimi e continentali corrispondenti a quelli utilizzati nelle simulazioni RT.
La trasmissione dei gas atmosferici (ad eccezione di O3) è stata derivata dal database HighResolution Transmission Molecular Absorption (HITRAN) [47] e implementata nelle simulazioni del trasferimento radiativo tramite il modello di distribuzione k modificato di Bennartz e Fischer [48]. Le simulazioni del trasferimento radiativo sono state eseguite assumendo un carico di ozono costante di 344 unità Dobson (DU) [43]. Le bande Himawari-8 sono state simulate per 17 angoli solari e di osservazione e 25 angoli di azimut relativi equidistanti. Le simulazioni sono state condotte per fluttuazioni realistiche della qualità dell'acqua, rappresentate da concentrazioni uniche selezionate casualmente di CHL, TSS e sostanze gialle (YEL), di seguito denominate triplette di concentrazione. Gli intervalli delle triplette di concentrazione simulate sono stati definiti in base alla dispersione delle concentrazioni correlate in situ trovate nel GBR, seguendo l'approccio di Zhang et al. [49]. Le triplette di concentrazione simulate erano distribuite equamente nello spazio logaritmico, quindi ogni ordine di grandezza era rappresentato in modo simile, evitando simulazioni duplicate.
L'assorbimento spettrale totale dell'acqua di mare a() è stato modellato da un modello bio-ottico a quattro componenti che tiene conto dell'assorbimento di acqua pura (aw), dell'assorbimento di fitoplancton e di tutto il materiale organico morto (cioè detriti) ap1 in funzione di CHL [0.01, 15], dell'assorbimento di particelle non algali ap2 in funzione di TSS [0.01, 100.0] e dell'assorbimento di sostanze gialle ay a 443 nm [0.002, 2.5]. Il coefficiente di assorbimento dell'acqua pura (aw) è stato modellato secondo Pope e Fry [50] per le bande visibili Himawari-8 1 e da Hale e Querry [3] per la banda 51. L'assorbimento spettrale di fitoplancton e detriti ap4 ha seguito una parametrizzazione di Bricaud et al. [1], mentre l'assorbimento di particelle non algali ap52 è stato parametrizzato secondo Babin et al. [2], con una pendenza media Sp53 di 2 derivata da dati bio-ottici in situampcondotto nel GBR tra il 2002 e il 2013. Il coefficiente di assorbimento spettrale delle sostanze gialle ay è stato modellato secondo Babin et al. [53], con una pendenza media Sy di 0.015 che è stata derivata anche da osservazioni in situ dal GBR [39].
La diffusione spettrale totale dell'acqua di mare (b()) è stata modellata da un modello bio-ottico a due componenti [53] che tiene conto della diffusione dell'acqua pura (bw) e della diffusione delle particelle organiche e inorganiche bp in funzione del TSS. La diffusione dell'acqua di mare pura

Sens. remoto 2022, 14, 3503

5 di 23

il coefficiente è stato espresso come una legge di potenza dipendente dalla lunghezza d'onda basata su Morel [54],

definito per una salinità media globale di 35 PSU. Il contributo di dispersione di sostanze organiche e

particelle inorganiche sono state combinate per derivare il coefficiente di scattering particellare totale bp seguendo la parametrizzazione di Babin et al. [55]. Il coefficiente di scattering specifico di massa

di particelle TSS bp di 0.31 m2 g-1 è stato calcolato per le acque GBR, seguendo Babin et al. [55]. Un modello di probabilità di retrodiffusione per le acque del Caso 2 è stato applicato [49,56] a

calcolare e selezionare le funzioni di fase di scattering in acqua (, ) in base al rapporto tra TSS e YEL. Le simulazioni sono state eseguite per un gran numero di concentrazioni casuali

triplette e condizioni atmosferiche, come precedentemente delineato, per costruire un quadro completo

database di RTOA() di Himawari-8 a risoluzione azimutale. Da questo database, statisticamente

sottoinsiemi rappresentativi di formazione e test sono stati estratti casualmente per sviluppare l'inverso

modello. I sottoinsiemi di addestramento e di test comprendevano ciascuno 100,000 vettori di input

contenente

l'RTOA simulato nelle bande da 470, 510, 640 e 856 nm, la pressione atmosferica al livello del mare tra 980 e 1040 hPa, l'angolo zenitale solare (s), lo zenit di osservazione (v) e l'azimut relativo ().

2.2. Il modello inverso

In questo studio, un percettrone multistrato (MLP), una classe di reti neurali artificiali (ANN) feed-forward [57], è stato implementato come modello inverso basato sul programma C Neural Network Simulator sviluppato da Malthouse [58], per approssimare la relazione funzionale tra l'RTOA() di Himawari-8 e la concentrazione di TSS. Il presente MLP comprende un livello di input, un livello nascosto e un livello di output di neuroni. Ogni neurone è connesso a ciascun neurone del livello successivo tramite un peso. La procedura di apprendimento automatico supervisionato o di addestramento può essere descritta come segue:

I neuroni di input (ni) ricevono il vettore di input

, contenente riflettanze simulate

e i dati ausiliari descritti sopra, e li propaga ai neuroni dello strato nascosto

(nh).

· Nello strato nascosto, i neuroni artificiali sommano i segnali di input pesati e li passano attraverso una funzione di trasferimento non lineare e successivamente inoltrano i loro output

ai neuroni dello strato di output (no).

· La funzione di costo (ovvero, errori quadratici medi, MSE–Equazione (1)) tra i sim-

vengono calcolati gli output target yt e gli output elaborati dalla rete neurale artificiale yc per l'intero set di dati di addestramento (N = 100,000) e i pesi interni (W1, W2) della rete vengono regolati.

· L'addestramento della rete neurale artificiale viene ripetuto finché la funzione di costo tra output e valore target non viene minimizzata.

MSE = yc – yt /N

(1)

La funzione di costo viene minimizzata adattando le matrici dei pesi (W1, W2) in modo iterativo utilizzando un algoritmo di ottimizzazione BroydenFletcherGoldfarbShanno a memoria limitata [59]. Per un'architettura MLP a tre strati, la funzione analitica completa è data dall'equazione (2):

W2 × S1

W1 × x

(2)

dove S1 e S2 sono le funzioni di trasferimento non lineare (equazione (3)) e lineare impiegate rispettivamente nello strato di output e in quello nascosto.

S(x) = 1 + ex -1

(3)

Il numero di neuroni negli strati di input e output è stato determinato dal numero di parametri di input e output del problema, mentre diversi tentativi sperimentali

Sens. remoto 2022, 14, 3503

6 di 23

erano tenuti a determinare il numero ottimale di neuroni nello strato nascosto.

gli esperimenti sono stati progettati variando il numero di neuroni dello strato nascosto da 10 a 100,

in incrementi di 10. Un seme casuale ma fisso per tutti gli esperimenti è stato utilizzato per inizializzare il –

configurazione del peso delle reti. Gli esperimenti includevano un componente principale

analisi (PCA) come fase di pre-elaborazione per decorrelare gli input RTOA(). Inoltre, gli esperimenti sono stati progettati con lo 0.8% di rumore casuale dipendente dal segnale spettralmente non correlato aggiunto agli input RTOA in ciascuna banda. Gli esperimenti ANN sono stati addestrati e testati con un sottoinsieme di 100,000 vettori di input estratti casualmente dal trasferimento radiativo

set di dati simulato. Ogni vettore di input è stato associato a una concentrazione logaritmica di TSS, che è stata selezionata come output target da approssimare tramite l'apprendimento supervisionato

procedura. Tutti gli esperimenti sono stati addestrati per 1000 iterazioni e la minimizzazione dei costi

funzione (equazione (1)) è stata calcolata sull'intero set di dati di addestramento ad ogni iterazione. Un

è stato utilizzato un set di dati di test indipendente di N = 100,000 vettori per monitorare l'addestramento della rete

prestazioni ed evitare il sovra-adattamento.

–

2.3.

TBhaesHicipmraowceasrsi-in8- gOscteapns

Elaborazione del colore per Himawari-8 raw

dati

TSS

prodotti

Sono

mostrato

Figura

Sono state acquisite le bande VNIR Himawari-1 del disco completo di livello 1 (L8), estratte sull'area GBR –

(10 S, 29 S, 140 E, 157 E), geolocalizzati e navigazione corretta. I dati grezzi geolocalizzati

sono stati trasformati in radianze TOA di Livello 1b (L1b) (LTOA() W m-2sr-1µm-1 ) attraverso –

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

bande. I valori LTOA() calibrati L1b sono stati normalizzati dall'irradianza solare extraterrestre F() W -m-2 per ciascuna banda. F() è stato calcolato in funzione del giorno dell'anno

e utilizzando i valori medi di irradianza solare extraterrestre F basati su Kurucz [61] e adattati alle bande Himawari-8 [62]. Le riflettanze TOA risultanti RTOA() sr-1 alle bande VNIR Himawari-8 sono servite come input per il metodo di inversione. Inoltre,

s, v e i valori sono stati calcolati per ogni pixel dell'immagine satellitare in funzione della latitudine, longitudine e ora locale, seguendo le procedure esistenti [63], e convertiti in

coordinate cartesiane (x, y, z).

Figura 3. Diagramma di flusso dell'elaborazione del colore dell'oceano Himawari-8. HSD si riferisce ai dati standard Himawari-8, GBR si riferisce alla Grande Barriera Corallina, VNIR si riferisce alle bande del visibile e del vicino infrarosso Himawari-8 (470, 510, 640 e 856 nm) e ANN si riferisce alla rete neurale artificiale.

ACulsoturadlimanasckoinntginoenf tHainmdaswuarrroi–u8nodbisnegrvwaatitoenrss.

era Il

sviluppato da Qin et al. [64] per una maschera di nubi con risoluzione di 2 km è stato

Rispostaampha portato alla polvere e al fumo

1plkummHesimfraowmabrii-o8mg-raisds

e include il mascheramento dei pixel contaminati dalla combustione. Allo stesso modo, i pixel identificati come emersi

superfici, come aree continentali, isole e secche, sono state mascherate in base alla formafiles

disponibile dal database della Great Barrier Reef Marine Park Authority [65]. Un riflesso del sole

–

Sens. remoto 2022, 14, 3503

7 di 23
La maschera è stata creata calcolando le coordinate del punto principale del riflesso solare (PPS) in funzione del giorno dell'anno (inclinazione solare), ora locale, latitudine e longitudine [66], con una risoluzione spaziale di 1 km. Il contorno del disco solare è stato bufferizzato per un raggio circolare di 1300 km dalle coordinate del PPS. La dimensione del raggio è stata scelta dopo una serie di test visivi impiegati per garantire la massima copertura dell'area principale del disco solare.
Le osservazioni di Himawari-8 sono state normalizzate pixel per pixel e per ciascuna banda con dati satellitari quasi simultanei dell'ozono totale della colonna estratto dal prodotto TOAST (Total Ozone from Analysis of Stratospheric and Tropospheric Satellite Components) [67] prima delle inversioni. Il prodotto TOAST, con risoluzione spaziale di 1.25 per 1 grado e risoluzione temporale giornaliera, è stato risoltoampha portato a 1 km per la conformità con la griglia Himawari-8. Le osservazioni Himawari-8 sono state normalizzate a ciascuna banda dal rapporto tra la trasmissione dell'ozono derivato da TOAST e la trasmissione della densità di colonna di ozono simulata di 344 DU. Inoltre, i dati della pressione atmosferica al livello medio del mare da NCEP/NCAR `Reanalysis 2′ PaRt2m [68] sono stati utilizzati come input per l'inversione delle osservazioni Himawari-70. I dati di `Reanalysis 8′ sono mediati ogni 2 ore (6, 0, 6, 12 UTC) e sampcondotto su una griglia globale regolare di 2.5 gradi di risoluzione spaziale [71]. I dati PaRt2m simultanei più vicini sono stati acquisiti e rispostiampha portato alla griglia Himawari-1 di 8 km. Il TSS recuperato, le maschere associate e i metadati sono stati salvati in un file NetCDF file, inclusi i flag associati pixel per pixel per input e output fuori range. Gli intervalli di input e output validi sono stati definiti in base al set di dati simulato RT. Ad esempio, se un determinato parametro di input e/o output di un pixel superava gli intervalli simulati, al pixel veniva assegnato un flag corrispondente. I flag di input e output sono stati sommati per ciascun pixel della griglia Himawari-8. I flag di out-of-range sono stati applicati ai prodotti per la qualità dell'acqua prima delle successive analisi di validazione e applicazione.
2.4. Dati in situ della Grande Barriera Corallina
I TSS in situ misurati tra il 2015 e il 2018 dall'Australian Institute of Marine Sciences (AIMS) e dalla Commonwealth Scientific and Industrial Research Organisation (CSIRO) sono stati ottenuti dal database bio-ottico IMOS [72] attraverso il portale Australian Ocean Data Network (AODN). Sia CSIRO che AIMS utilizzano il metodo gravimetrico per determinare la concentrazione di TSS nell'acqua di mare. Il metodo consiste nel misurare il peso secco dei solidi sospesi da un volume noto di acqua di mare.ampdopo essere stato filtrato sotto vuoto su un filtro a membrana pre-pesato. Ulteriori dettagli sulla metodologia impiegata da AIMS e CSIRO sono descritti rispettivamente in Great Barrier Reef Marine Park Authority [73] e Soja-Woz´niak et al. [74]. Nonostante i laboratori AIMS e CSIRO utilizzino metodi leggermente diversi per determinare il TSS (ad esempio, numero di repliche, filtri, risciacquo, ecc.), questi set di dati sono stati combinati in questo esercizio di convalida. Sono stati considerati un totale di 347 punti dati in situ con TSS compreso tra 0.01 e 85 mg L-1 e una media di 3.5 mg L-1. I punti dati in situ entro 1 km dalla costa o dalle barriere coralline sono stati esclusi dall'analisi per ridurre le incertezze dovute agli effetti di adiacenza [75]. Abbiamo incluso tutti i dati di acqua di mare in situampdati prelevati in superficie (profondità <0.5 m) di stazioni situate a profondità d'acqua variabili (da 1.5 m a 40 m), con il punto dati più superficiale che presenta TSS > 10 mg L-1.
2.5. Protocollo di convalida
Il protocollo di convalida utilizzato in questo studio segue l'esperienza di precedenti esercizi di convalida per il telerilevamento del colore dell'oceano in Australia, incluso nella GBR costiera [27,76,77]. Questi studi hanno descritto le fasi di elaborazione per l'estrazione delle osservazioni satellitari concomitanti alle misurazioni in situ nella GBR costiera, nonché utili metriche di prestazioni statistiche.
Più osservazioni Himawari-8 possono essere combinate all'interno di un intervallo di tempo (ad esempio, hourly) per eliminare potenziali valori anomali e ridurre il rumore ambientale e dei sensori, migliorando probabilmente le stime e le prestazioni di convalida [7,9,16]. Pertanto, per questo esercizio di convalida sono state acquisite tutte le osservazioni Himawari-8 disponibili scansionate entro ±30 minuti dal tempo di registrazione in situ. Sono state selezionate ed elaborate osservazioni Himawari-10 di 8 minuti al VNIR

Sens. remoto 2022, 14, 3503

8 di 23

- -

le bande con il sole associato e la geometria di osservazione sono state sottoposte a sottoinsiemi di 3 x 3 pixel,

centrati sulle coordinate di ciascun punto dati in situ concomitante. Allo stesso modo, sono stati estratti sottoinsiemi di 3x3 pixel di maschere concomitanti (ovvero, nuvole, terreno, barriere coralline e riflesso solare) e dati ausiliari (ovvero, ozono e pressione). Compositi a colori quasi reali di Himawari-8 selezionati -

le osservazioni sono state ispezionate visivamente per eliminare i accoppiamenti in acque con linee orizzontali nette

gradienti nelle proprietà ottiche (ad esempio fronti di torbidità) o nubi vicine.

–

Hourli compositi y dei sottoinsiemi validi sono stati calcolati tramite la media temporale, ignorando –

pixel mascherati. L'hourli sottoinsiemi aggregati y sono stati elaborati con l'inversione ANN

algoritmi e mascherati per valori fuori range. Infine, la mediana e la deviazione standard

di hourlSono stati calcolati i sottoinsiemi di y TSS, escludendo i pixel m-chiesti. Solo i sottoinsiemi con due o meno pixel mascherati per pixel-box sono stati considerati validi per il matchup. La rete neurale artificiale (ANN)

gli output sono stati calcolati in scala logaritmica (log10) e il TSS in situ concomitante è stato logaritmicamente trasformato per l'analisi statistica.view della procedura di validazione è illustrata

nella Figura 4. Le prestazioni sono state valutate in relazione al loro errore quadratico medio

(RMSE – o errore assoluto), bias, percentuale assoluta mediatagErrore (MAPE o errore relativo) e coefficiente di determinazione (R2). Bias, R2 e RMSE sono stati calcolati in log10

–

spazio e MAPE è stato calcolato in misurazione lineare e p derivato dal satellite

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(mp)- ( m)( p) m2 – ( m)2 N p2 – (

p)2

(6)

Bias = 1/N (m -p)

(7)

Gli esperimenti di match-up ANN sono stati classificati in base alle metriche statistiche descritte sopra. È stata data preferenza agli esperimenti con il RMSE più basso perché questo parametro statistico è la funzione di costo minimizzata durante l'addestramento dell'ANN. È stato selezionato l'esperimento più performante con il minor numero di neuroni nello strato nascosto, per ridurre lo sforzo computazionale per l'inversione delle osservazioni di Himawari-8 sull'intera GBR.

Figura 4. Una versione semplificataview della procedura di convalida dell'algoritmo.

2.6. Valutazione delle limitazioni

I rapporti segnale-tono-rumore (SNR) sono stati calcolati per il visibile e il vicino infrarosso

HEaimstearwnaSrti-a-8ndLTaOrdA

(Tim) oeb–seArvEaStTio)nast

scansionato selezionato

tra le 08:00 e le 16:00 nelle date locali e nelle aree senza nuvole

tempo (australiano del Mar dei Coralli

–

Sens. remoto 2022, 14, 3503

9 di 23

(16.25 S, 151 E e a 20.60 S, 153.53 E). Solo le osservazioni successive a luglio 2017 sono state considerate per questa analisi, dato che i loro coefficienti di calibrazione sono stati corretti per il rumore di striatura coerente e orizzontale [63,78]. Le istantanee a colori reali disponibili tramite il sistema P-Tree del monitor Himawari-8 [79] sono state esplorate per la selezione dell'area target e per garantire che fossero spazialmente uniformi e difficilmente influenzate da nuvole, riflessi solari, caratteristiche bio-ottiche e pennacchi di fumo derivanti da incendi terrestri [80,81]. Le osservazioni Himawari-8 selezionate sono state convertite da conteggi grezzi a unità fisiche applicando coefficienti di calibrazione [60], con sottoinsiemi di 51 per 51 pixel estratti e centrati sulle coordinate delle regioni di interesse. Inoltre, i sottoinsiemi, le maschere associate e i parametri geometrici sono statiurly aggregati. I 10 minuti e hourlI sottoinsiemi aggregati sono stati mascherati per rilevare nuvole, terra, barriere coralline e riflessi solari, e i loro compositi di colori quasi reali sono stati ispezionati per individuare caratteristiche non rilevate, quali isolotti corallini, barriere coralline, ombre di nuvole e artefatti dei sensori.
L'SNR è stato calcolato per ciascuna banda Himawari-8 seguendo l'equazione (8) [80]. La media di LTOA() per tutti i pixel validi all'interno dell'area target fornisce Ltypical(), e prendendo la deviazione standard () all'interno della stessa area si ottiene la radianza equivalente del rumore (Lnoise()). L'SNR è calcolato come il rapporto tra Ltypical e Lnoise in ciascuna banda:

SNR() = Ltipico()/Lrumore() = LTOA()/(LTOA())

(8)

La variabilità diurna e le differenze di magnitudine tra SNR calcolate con 10 min e hourlLe osservazioni aggregate di Himawari-8 (rispettivamente SNRSING() e SNRAGG()) sono state ispezionate per ciascuna banda. Inoltre, le loro caratteristiche spettrali sono state valutate per intervalli di s perché è noto che i livelli di rumore variano con l'elevazione solare [80]. Infine, la percentuale associatatagI livelli di rumore (%Noise) sono stati calcolati per s = 45 ± 1 e utilizzati per valutare la sensibilità dell'algoritmo ai livelli di rumore tipici di Himawari-8.
L'algoritmo TSS sviluppato in questo studio è stato addestrato con rumore fotonico spettralmente piatto (non correlato) (0.8%), aggiunto al set di dati di addestramento, presupponendo una conoscenza limitata delle caratteristiche prestazionali dei sensori su target oceanici. Per valutare la stabilità dell'inversione e fornire un'analisi di sensibilità di base dell'algoritmo TSS, sono stati aggiunti al set di dati di test e invertiti rumore fotonico spettralmente piatto pari a 0.1, 1.0 e 10% e 50%. Inoltre, la percentuale di rumore associata alle bande Himawari-8 è stata aggiunta al set di dati di test per quantificare gli effetti dei livelli di rumore dipendenti dallo spettro sull'accuratezza dei recuperi TSS. La stabilità del recupero è stata interpretata in termini di incrementi costanti di RMSE su un ampio intervallo di TSS (da 0.01 a 100 mg L-1) equidistanti in concentrazioni logaritmiche. Inoltre, sono stati valutati su scala pixel transetti longitudinali di prodotti TSS rilevati in acque omogenee e prive di nuvole della GBR costiera e nel Mar dei Coralli per una valutazione qualitativa dei livelli di rumore di Himawari-8.

3. Risultati
3.1. Validazione dell'algoritmo
Sono state addestrate diverse reti con diverse configurazioni architettoniche e per le inversioni è stata selezionata la rete con le migliori prestazioni, il più basso RMSE possibile e il minor numero di neuroni nello strato nascosto. L'esperimento selezionato, con 50 neuroni nello strato nascosto, ha recuperato TSS compresi tra 0.14 e 24 mg L-1, con un R2 positivo e un bias di 0.014 mg L-1, un MAPE del 75.5% e un 10RMSE di 2.08 mg L-1, come mostrato in Figura 5.

Sens. remoto 2022, 14, 3503

10 di 23

Figura 5. TSS in situ e derivato da Himawari-8 con l'esperimento ANN più performante, con valori TSS in situ codificati a colori in scala logaritmica. Le barre di errore rappresentano la deviazione standard intra-pixel del TSS all'interno di un riquadro di 3x3 pixel. Simboli diversi indicano i dati in situ raccolti da AIMS.
e dal CSIRO presso LJCO.
–
3.2. Himawari-8 Solidi sospesi totali per la Grande Barriera Corallina
La Figura 6 mostra una composizione a colori quasi reali di Himawari-8 (riquadro a sinistra) acquisita il 27 ottobre 2017 sull'area della GBR e il corrispondente prodotto TSS a una risoluzione temporale di 10 minuti (riquadro a destra). Le acque all'interno della laguna della GBR presentano TSS generalmente pari o superiore a 1 mg L-1, mentre le acque al largo della GBR presentano valori inferiori a 1 mg L-1. Il prodotto TSS ha rivelato un forte rumore di granulazione e striatura nelle aree oceaniche aperte del Mar dei Coralli.

Figura 6. Immagini Himaw-ari-8 a colori quasi reali della GBR acquisite il 27 ottobre 2017 alle 15:00 AEST (riquadro a sinistra) e il prodotto TSS associato [mg L-1] (riquadro a destra). Pixel mascherati in nero a causa delle nuvole e dei valori fuori intervallo.

Sono state studiate le fluttuazioni del TSS Himawari–8 alla foce del fiume Burdekin e sulla GBR meridionale

per la matrice della barriera corallina delle acque costiere (Figura 7

saunrdroaunn-imdinatgiothnes

nel link). L'evento di alluvione di Burdekin del 12 febbraio 2019 ha generato una colonna di sedimenti che

hanno raggiunto le barriere coralline esterne (50 km dalla foce) tra le ore 3:4 e le ore 20:1, con TSS > XNUMX mg L-XNUMX.

–

—

Sens. remoto 2022, 14, 3503

- -
–

–
–

11 di 23
–

Il pennacchio di sedimenti del fiume Burdekin si è sviluppato durante la marea entrante con un intervallo di 0.3 m tra bassa e alta marea. Le acque costiere vicino alle barriere coralline hanno sperimentato un aumento di un ordine di grandezza del TSS (3.6, 26.4 mg-L-1) all'interno di un ciclo di marea semi-diurno (segno di croce nella Figura 7 (pannello di sinistra) e Figura 8a). Le barriere coralline coperte dalle acque alluvionali sono state esposte a TSS ~40 volte superiore alla soglia guida di 0.7 mg L-1 [82]. Le aree in cui il TSS ha superato i 100 mg-L-1, vicino alla foce, sono state mascherate (aree nere) come valori fuori intervallo (bandiere ANN). Un'animazione delle fluttuazioni del TSS a seguito dell'evento di scarico principale è disponibile nella Figura S1.

Figura 7. Pennacchio di piena che fuoriesce dal fiume Burdekin, febbraio 2019 (riquadro a sinistra). Getti di marea TSS all'interno della matrice della barriera corallina GBR nel novembre 2016 (riquadro a destra). Si noti la differenza di intervallo in ciascun grafico. I pixel mascherati in nero sono dovuti a valori TSS fuori intervallo.
Mentre i principali eventi di alluvione mostrano chiare caratteristiche di TSS nella GBR costiera, si osservano getti di marea su scala sub-meso che circondano la matrice di barriere coralline poco profonde e sommerse nella GBR meridionale (Figura 7 (pannello destro)), dimostrando come queste diverse condizioni influenzino entrambe la variabilità del TSS a breve termine. L'animazione fornita nella Figura S2 illustra la dinamica delle fluttuazioni del TSS indotte dalle maree, dove le maree alte (4 m) e basse (0.2 m) si sono verificate rispettivamente alle 10:6 e alle 8:0.3 (Figura 2.0b). Le concentrazioni di TSS vicino a Heralds Reef (contrassegnate da una croce) hanno oscillato di circa un ordine di grandezza nell'arco di una giornata (da 1 a 0.7 mg L-1), con valori superiori alle soglie guida per la qualità dell'acqua raccomandate per la GBR costiera aperta (XNUMX mg L-XNUMX).

Figura 8. Serie temporale di TSS di 10 minuti derivati da Himawa-ri–8 alla foce del fiume Burdekin durante le alluvioni del febbraio 2019 (a) e nella matrice della barriera corallina della GBR meridionale nel novembre 2016 (b), come mostrato in Figura 7. Le barre di errore rappresentano le deviazioni standard intr-a-pixel. Le soglie guida per le acque costiere (2.0 mg L–1) e della piattaforma centrale (0.7 mg L–1) sono contrassegnate in rosso. Si noti i diversi intervalli temporali in ciascuna figura.
– –
–

Sens. remoto 2022, 14, 3503

12 di 23
3.3. Limiti di rilevamento L'SNR calcolato da due serie di osservazioni Himawari-8 è mostrato nella
grafici della Figura 9. Alcune singole osservazioni sono state perse a causa dell'intensa copertura nuvolosa, in particolare il 06 settembre 2017, e hanno causato lacune nei dati nelle serie temporali. SNRSING e SNRAGG hanno presentato chiare fluttuazioni diurne, con il più alto SNR che si è verificato al più basso s (<30), tra le 11:12 e le 470:510. La magnitudo e la variabilità diurna erano maggiori per SNRAGG e alle bande blu e verde (640 e 856 nm), rispetto ai valori calcolati per SNRSING. L'SNR calcolato per le bande 06 nm e 2017 nm era almeno tre volte inferiore all'SNR calcolato per le bande blu e verde, con sottili variazioni diurne. Le fluttuazioni diurne dell'SNR tra giorni e posizioni erano varie, specialmente per la banda blu e da SNRAGG. Il 22 settembre 9 (media v~25), l'SNRAGG nelle bande blu e verde era di magnitudo simile (Figura 2017b). Il 28 settembre 9 (in una località diversa con media v~XNUMX), la banda blu ha presentato un SNRSING quasi doppio rispetto alla banda verde (Figura XNUMXd).

Figura 9. Serie temporale dei rapporti segnale/rumore (SNR, asse destro) calcolati per osservazioni singole (SNRSING) (a, c) e aggregate (SNRAGG) (b, d) con s associati (asse sinistro). L'S-NR è
codificati a colori in base alla banda.

I gruppi di

variabilità spettrale di s, dove lo standard

SNRSING e SNRAGG hanno mostrato che le deviazioni all'interno di ciascun gruppo erano

nella figura tracciata come

10 per limitato

tre errori

barre. Le singole osservazioni in genere hanno prodotto un SNR inferiore rispetto alle osservazioni aggregate

in tutte le bande, e l'SNR era il più alto per la Figura 9. Le deviazioni standard dell'SNR

s < 30, in accordo con i dati calcolati per singoli e aggregati

presentato in osservazioni

wfoerresm>o4r0epartotnhoeubnlcueedbfoanr dsp>re4s0enatendd

nelle bande blu e verde. Le deviazioni standard di 27 e di

SNR calcolato 51 per SNRSING

e deviazioni SNRAGG di

, rispettivamente, mentre il 13 e il 26, rispettivamente.

SNR calcolato per la banda verde presentata come standard. Queste deviazioni sono probabilmente associate alla variabile

condizioni atmosferiche di ogni località, che si intensificano nelle bande blu e verde

e a lunghezze d'onda atmosferiche elevate.

Sens. remoto 2022, 14, 3503

13 di 23

Figura 10. Distribuzione spettrale dei rapporti segnale/rumore calcolati per singolo (SNRSING) (-a) e

osservazioni aggregate (SNRAGG) (b) e raggruppate come deviazioni standard di SNR all'interno di ciascun gruppo di

per s.

tre

intervalli

Errore

barre

erano

calcolato

TgcorhemegpaSTtNuehtdReedASoGNbfGsoRerrvAvaaGallGluti,seoitsnnhsgceolwLemtioytphpbiicslaeesldr,=vaiann4t5diToaLn±bnsole1iwse2iawtwhnederersaec=saosob4m5copiuaitlt±eetddw1ipinceweTrcaaeebsrnelhetiai2ngg.chelLunaikdsoeeitswdheeifs(oc%eor, NtrchrooeeimssSpepN)oaf–nRordiSrsIiNaongnGg-. SNRSING, eccetto nella banda rossa. Tuttavia, gli elevati livelli di rumore nel rosso (~3%) e nella banda infrarossa (NalIRdebsapnidtest(h~e5%eff)oinrtdsiicnataevtohiadtinthgeeSnNviRroAnGmG emnataylbceonmdoistitolynsafifnecitmedagbeystehleecattimono.sTp- hhiesriics) sono particolarmente evidenti nella banda NIR, dove le radianze che emettono acqua sono considerate trascurabili nelle limpide acque oceaniche aperte.

–

Tabella 2. Himawari-8 visibile e vicino all'infrarosso Ltipico e Lrumore W m-2sr-1µm-1 e associati

percentualetage rumore (%Rumore) per SNRAGG a s = 45 ± 1. Valori SNRSING calcolati a s = 45 ± 1

sono stati aggiunti a scopo di confronto.

Banda 470 510 640 865

Tipico 59.5 38.3 13.8 3.4

Rumore 0.26 0.29 0.41 0.18

%Rumore
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

quando viene aggiunto il 50% di rumore fotonico spettralmente piatto Nel frattempo, sono stati ottenuti errori elevati (>300%)

all'Himawari-8 per i recuperi TSS

bande sotto

(Figura 0.1 mg

11a). L-1,

indipendentemente dal tipo e dal livello di rumore. In uno scenario più realistico, quando dipendente dallo spettro

rumore fotonico (vale a dire, %Rumore dalla Tabella 2)-viene aggiunto alle bande Himawari-8, gli errori sono

per lo più al di sotto del 100% - per TSS > ~0.25 mg L-1 (Figura 11 (pannello destro)). Pertanto, per ottenere

Per recuperi affidabili da Himawari-8 con l'algoritmo TSS corrente, è stato scelto un limite di rilevamento di 0.25 mg L-1. Per confronto, i limiti di rilevamento dei recuperi TSS sono stati calcolati

da Himawari-8 corretto atmosfericamente, come in Dorji e Fearns [17], è rappresentato come un

linea tratteggiata verticale a 0.15 mg L-1.

Sens. remoto 2022, 14, 3503

14 di 23

Figura 11. Errori RMSE di recupero (in mg-L-1) per livelli di rumore fotonico spettralmente piatti (pannello sinistro) e spettralmente dipendenti (pannello destro). Il TSS del trasferimento radiativo (RT) e i valori RMSE associati sono presentati in scala logaritmica. La linea tratteggiata verticale a 0.15 m-g L-1 è il limite di rilevamento adattato da Dorji e Fearns [17], 2018. La linea tratteggiata verticale a 0.25 m-g L–1 è il limite di rilevamento del presente metodo.
Un'ispezione visiva dei livelli di rumore ha rivelato una grave granulazione e strisce orizzontali iogttitnnruhbraeraHstnbhneTsiierumdeSvlcCSaaactAtostwoiiGroaooaaGnsnfrl-tiTsaSw-(-h8lSeTaoaSaTSswSrS(SIesmNSSeeaIGdNvaspgeGra(iroenT)nendcSdlatruySnaeTcrad>atSessrSdei~r(nAdouF1GwicomgmeGpsu-da,egtrsaFnei-knLki1goie-an2ucn1g)ger,)geba.parne1raIetno2rgwwt)uaiaeacantd-eeutrdeenddlarciis1T-rtllill5oS(oyu1TuSnswSdtpErtS-haorpaeot

–

Figura 12. Posizione dei transetti (frecce magenta) estratti per TSSSING(a) e TSSAGG(b). Notare il

mascheramento cumulativo delle nubi nelle osservazioni TSSAGG.Himawari-8 effettuate il 9 settembre 2017 tra

10:00 e 10:50 ora locale (AEST).

–

Il transetto sampcondotto tra il 19S e il 20S nel Mar dei Coralli (Figura 13a) presentato

I valori di TSSSING e TSSAGG sono per lo più al di sotto dei limiti di rilevamento del metodo (0.25 mg L–1), il che può presentare errori di recupero superiori al 100%. TSSSING ha presentato picchi o diversi ordini di valori di magnitudine che si verificano successivamente su una scala di pixel (o entro 1 km). Come

di conseguenza, sono state osservate differenze fino a 0.3 mg L-1 tra pixel vicini,

come indicato da segnalato più liscio

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

Sens. remoto 2022, 14, 3503

15 di 23

—

–

tra TSSSING e T-SSAGG nei transetti presi nella GBR costiera (Figura 13b), in particolare per TSS -> 1 mg L-1. Tuttavia, con l'incrementoasinA una distanza dalla costa, il TSS è sceso al di sotto di 1 mg L-1 e le differenze tra TSSSING e TSSAGG sono aumentate. Sebbene la maggior parte dei pixel TSSSING della Figura 13b fosse al di sopra dei limiti di rilevamento (0.25 mg L-1), presentavano una scarsa coerenza spaziale nell'area di transizione costa-oceano (da 151.4 a 152,0 E). Poiché TSSSING e TSSAGG forniscono risultati comparabili per TSS > ~1 mg L-1, entrambi potrebbero essere appropriati per il monitoraggio del GBR costiero. Tuttavia, TSSAGG presenta una coerenza spaziale complessivamente migliore e potrebbe essere preferito a TSSSING, a seconda dell'area di applicazione.

Figura 13. Transetti di TSS derivato da Himawari–8 (mg L– 1) prelevati nel Mar dei Coralli (a) e all'interno del
Acque costiere GBR (b) da TSSSING (punti blu) e TSSAGG (punti rossi). Le lacune nei dati rappresentano pixel mascherati per nuvole, terraferma, riflessi solari o segnali ANN, ove appropriato. I TSS annotati (nelle frecce nere) indicano i valori pixel-top-ixel e la linea orizzontale verde segna il limite di rilevamento di
il metodo.

4. Discussion
Il monitoraggio sinottico della qualità dell'acqua nell'estesa e otticamente complessa GBR è una priorità, che rappresenta una sfida per i gestori ambientali e i ricercatori [2,83]. Sebbene il telerilevamento del colore dell'oceano abbia rigorosi requisiti radiometrici e spettrali, Himawari–8 offre un numero senza precedenti di osservazioni per il monitoraggio avanzato della qualità dell'acqua della GBR. Questo articolo presenta il primo algoritmo di telerilevamento avanzato, sintonizzato e convalidato localmente per il monitoraggio sinottico della qualità dell'acqua su scale diurne nella GBR.

4.1 Sviluppo e convalida dell'algoritmo

Le simulazioni accoppiate di trasferimento radiativo oceano-atmosfera hanno fornito un'ampia e

trhoebuospttdicaatlavbaasrieaobfilRityTOoAf dthisetrGibBuRt.ioTnhienmthaechHinime alewaarrnii–n8gVANNIRNbaalngdosr,itphamramdeevteelroispeeddfoinr

A(ptart0hhenrN.flieo0saev1Nadcwittdtvmoraoeaenr1dontkcr0st-eic0paeasogvhm,lnleaeoifiglnrcwsidoLcwceem-ocndh1ompc)irtea,chprhrweieaencirdtttdehtihhodtieoroeneuwatcqt[crteu2acal7iudalnn,lri3wivteat6iexyico,tr3pynhos7laifi,otoc8latfin4hmrt]tgea.hoeetefttmtDrhaRofiooeiuTndnssOtppaespAlidhbut-eieatatnrsosliHvgecfeddroicrmoerosomirirtaniorhvwensmtecihamtisraeiso.iu-iwnsM8nluavpisobtdeprerjeoredeesccocritettoavedrtnnesaoutrgloi,renteltfh-ihg.moweeTfdiahaataTtaciletsgStcariSuops-olerrrneviateatssacsh,vyleamuitnnnheot’dgesss—–f

robustezza all'input soddisfa il minimo

rnaodisioemweatsriecsrpeeqcuiairlelymaednvtsanotfaogceeoaunsccoolnosuirdseerninsgo-rHs iamnadweanrvii-r8odnomeesnntoatl

Il rumore, in particolare quello atmosferico, può avere un impatto significativo sui recuperi. Questi risultati

Sens. remoto 2022, 14, 3503

16 di 23
ha incoraggiato un'ulteriore applicazione delle osservazioni Himawari-8 per la convalida rispetto ai dati sulla qualità dell'acqua in situ nella GBR.
Gli errori di matchup del TSS di Himawari-8 recuperati sono ben confrontabili con gli obiettivi della missione definiti per altri sensori di colore oceanico, come Sentinel-3 nelle acque del Caso 2 [85], in particolare per TSS superiori a 0.1 mg L-1. Le prestazioni del presente algoritmo sono ben confrontabili con quelle di quelli che utilizzano osservazioni di Himawari-8 corrette atmosfericamente [17,24], indicando l'idoneità di derivare TSS costieri con inversioni in un unico passaggio basate su modelli. Procedure di correzione atmosferica esplicite possono migliorare i recuperi per l'intervallo TSS inferiore (<~1 mg L-1), che è probabilmente influenzato dalla radianza del percorso atmosferico dominante e dalle basse prestazioni radiometriche di Himawari-8.
Il miglioramento delle prestazioni richiederebbe un database più ampio e completo di misurazioni bio-ottiche in situ, che copra le scale spaziali e temporali di variabilità pertinenti. Inoltre, è necessario seguire rigorosi protocolli di misura per ridurre le incertezze associate alla parametrizzazione e alla convalida degli algoritmi nelle acque costiere. Ad esempio, è necessario un triplicato di dati.ampSi raccomandano metodi per la determinazione dei TSS con il metodo gravimetrico. Inoltre, sono necessari test di validazioneampLe misurazioni dovrebbero essere effettuate in acque otticamente omogenee [86], il che è particolarmente difficile in contesti costieri altamente dinamici. Tuttavia, le misurazioni in situ sono state rese disponibili da diverse agenzie di ricerca con diverse priorità scientifiche che impiegano metodi distintivi.ampMetodi di ling e analisi. Inoltre, processi fisici e ambientali, come la riflettanza del fondale, la fluorescenza, la riflettanza bidirezionale, la polarizzazione e la proliferazione algale dannosa, non sono stati considerati, ma potrebbero anch'essi contribuire agli errori di recupero del matchup.
4.2. Himawari-8 Solidi sospesi totali per la Grande Barriera Corallina
Himawari-8 ha consentito il monitoraggio in tempo quasi reale di un evento di piena episodico nella GBR, rivelando un aumento di TSS di un ordine di grandezza nell'arco di un giorno. Questo evento è stato osservato durante una stagione umida in cui il Burdekin ha scaricato tra 0.5 e 1.5 milioni di ML/giorno per 10 giorni consecutivi (fiume Burdekin alla stazione di Clare [87]). Le fluttuazioni di TSS dal pennacchio di piena del Burdekin erano ben al di sopra del valore soglia delle linee guida sulla qualità dell'acqua di 2 mg L-1 per le acque costiere aperte e della piattaforma media, nonché di 0.7 mg L-1 per le acque al largo della GBR [82]. Il pennacchio di piena si estendeva per 50 km nelle barriere coralline esterne e il suo sviluppo diurno è stato seguito passo dopo passo con TSS derivati da Himawari-10 di 8 minuti. Pertanto, Himawari-8 ha fornito un numero senza precedenti di osservazioni per un monitoraggio qualitativo e quantitativo completo degli eventi di piena nella GBR. I pixel mascherati nelle acque alluvionali indicano valori superiori a 100 mg L-1, il che implica che l'intervallo di simulazione dovrebbe essere ampliato per valori superiori a questo limite per i recuperi durante le alluvioni nella GBR.
Le caratteristiche dei TSS nella matrice della barriera corallina meridionale sono probabilmente il risultato di vortici di risospensione sub-mesoscala di breve durata (1 km di diametro), spesso indicati come getti di marea. Nella GBR meridionale, ampie escursioni di marea (10 m) inducono forti correnti [5], spingendo l'acqua attraverso canali stretti e relativamente poco profondi [10]. Questa complessa idrodinamica promuove la risospensione e l'iniezione di TSS dalla rottura della piattaforma nella matrice della barriera corallina, e le concentrazioni di TSS in queste regioni sono probabilmente indipendenti da fonti terrestri [88,89]. I getti di marea sono stati associati alla risalita localizzata e allo scambio di nutrienti tra il Mar dei Coralli e la laguna della GBR [90], rappresentando un importante meccanismo di trasporto e miscelazione di sedimenti, nutrienti e produzione di fitoplancton [91]. Tuttavia, la posizione e la presenza dei getti di marea sono scarsamente descritte a causa della mancanza di osservazioni con un'adeguata risoluzione spaziale e temporale [92,93]. Himawari-94 ha consentito l'identificazione e il monitoraggio di tali caratteristiche all'interno della GBR, con la risoluzione temporale richiesta per la risoluzione dei processi costieri di breve durata.
4.3. Limitazioni
Himawari-8 fornisce un SNR inferiore rispetto ai sensori di colore oceanico passati e attualmente operativi [80], e la sua sensibilità è ben al di sotto dei requisiti minimi per le applicazioni di colore oceanico, in particolare sulle acque oceaniche aperte [9,97]. Tuttavia, Himawari-

Sens. remoto 2022, 14, 3503

17 di 23
È improbabile che la moderata risoluzione radiometrica di 8 bit di 11 bit si saturi su obiettivi luminosi, come le nuvole [80], e su acque costiere estremamente torbide (TSS ~100 mg L-1), pur offrendo una sensibilità sufficiente a fornire un livello ragionevole di discretizzazione su acque limpide (>0.25 mg L-1). I livelli di rumore calcolati da osservazioni aggregate erano generalmente inferiori a quelli da singole osservazioni in tutte le bande, confermando l'idoneità di degradare la risoluzione temporale per migliorare la qualità dell'immagine [7,16]. Nonostante le fluttuazioni diurne del rapporto segnale-rumore siano ampiamente modulate dagli angoli di elevazione solare, la dipendenza spettrale implica che una considerevole fonte di rumore di input (3% nelle bande del rosso e del NIR) nelle acque oceaniche aperte possa provenire dall'atmosfera [5]. Tuttavia, il limite di rilevamento del presente metodo (80 mg L-0.25) è paragonabile a quelli che impiegano la correzione atmosferica esplicita all'inversione dei dati meteorologici [1].
Il limite di rilevabilità di 0.25 mg L-1 è prossimo al limite di rilevabilità del TSS in situ misurato con il metodo gravimetrico di ~0.4 mg L-1, per AIMS e CSIRO. Le incertezze relative del metodo gravimetrico sono associate al protocollo di misurazione utilizzato dai diversi laboratori, che include differenze nei tipi di filtro, bias dell'operatore, risciacquo con sale, ecc. [99,100]. Ad esempio, i cristalli di sale intrappolati nei filtri in fibra di vetro influenzano notevolmente le misurazioni del TSS e il sale dovrebbe essere rimosso risciacquando l'apparato di filtrazione [101,102]. Tuttavia, sono stati ottenuti errori fino al 30% utilizzando diverse tecniche di risciacquo con sale, ostacolando la determinazione accurata di TSS inferiori a 1 mg [101]. Pertanto, i limiti di rilevabilità e le incertezze relative delle misurazioni in situ e del TSS derivato da Himawari-8 sono comparabili per il presente studio. Questo risultato suggerisce che Himawari-8 offre l'opportunità di monitorare con precisione la variabilità diurna della qualità dell'acqua nella GBR costiera, per TSS compresi tra 0.25 e 100 mg L-1.
I prodotti TSS derivati da Himawari-8 presentavano una striatura orizzontale sistematica, con dimensioni generalmente corrispondenti alle singole scansioni orizzontali (500 km), come precedentemente identificato da Murakami [22]. La striatura risultava da differenze nelle pendenze di calibrazione da rivelatore a rivelatore dalle osservazioni del diffusore solare delle bande visibili [103,104]. Sebbene i coefficienti di calibrazione fossero applicati per le osservazioni successive a luglio 2017, i modelli di striatura orizzontale erano ancora presenti nelle acque al largo e con TSS < 1 mg L-1. Inoltre, è stata osservata una grave granulazione nei prodotti TSS derivati ogni 10 minuti, potenzialmente associata alle basse prestazioni radiometriche del sensore Himawari-8 sui bersagli acquatici [17,22]. Tuttavia, il rumore visivo è stato ampiamente ridotto dall'aggregazione temporale di diverse osservazioni individuali in hourlProdotti TSS derivati da y [16]. Fortunatamente, il rumore granulato era trascurabile nelle acque costiere e moderatamente torbide (TSS > 1 mg L-1), sia da 10 min che da hourlProdotti TSS. Questo risultato può essere associato all'aumentata retrodiffusione delle particelle sospese, che aumenta la radianza in uscita dall'acqua e sovrasta il rumore dei fotoni [105]. Di conseguenza, è più probabile che il TSS derivato da Himawari-8 venga recuperato accuratamente su acque costiere moderatamente torbide rispetto all'oceano aperto, corroborando l'analisi dei limiti di rilevamento.
Le variazioni da pixel a pixel nelle aree oceaniche aperte (TSS < 0.25 mg L-1) erano probabilmente correlate ai pattern granulati osservati con l'ispezione visiva, a causa della bassa sensibilità del sensore Himawari-8 a una risoluzione di 10 minuti. Il rumore radiometrico per TSS inferiore a 0.25 mg L-1 è stato ampiamente ridotto nel TSS aggregato, corroborando la sensibilità e le analisi dell'ispezione visiva. Al contrario, è stata osservata una migliore coerenza spaziale nel transetto GBR costiero per TSS > 1 mg L-1. Di conseguenza, il TSS derivato da Himawari-8 a 10 minuti può essere utilizzato con la stessa affidabilità del TSS derivato da hourlOsservazioni aggregate nelle aree costiere. L'ottenimento di TSS ogni 10 minuti nella GBR costiera migliora la discriminazione delle fluttuazioni rapide della qualità dell'acqua nell'arco di un'ora. Tuttavia, questa frequenza temporale quasi in tempo reale richiede grandi capacità di elaborazione e archiviazione che potrebbero essere impraticabili per l'intera GBR. La produzione diurlIn caso contrario, TSS non solo migliora la velocità di elaborazione e le capacità di archiviazione, ma aiuta anche a eliminare i valori anomali e ad aumentare l'accuratezza dei prodotti TSS.

Sens. remoto 2022, 14, 3503

18 di 23
5. Conclusioni e prospettive future
Il monitoraggio in situ e i dati satellitari LEO hanno fornito gran parte della nostra conoscenza sui pennacchi di piena che entrano nella GBR [4,106]. Tuttavia, osservazioni poco frequenti e spazialmente scarse hanno ostacolato la piena comprensione dello sviluppo e dell'evoluzione dei pennacchi su scale temporali brevi. Questo studio ha dimostrato l'idoneità di Himawari-108 per recuperi TSS affidabili nella GBR costiera e per la mappatura, il tracciamento e il monitoraggio dei pennacchi di piena. Per la prima volta, le caratteristiche dei TSS costieri sono state quantificate in modo affidabile per l'intera GBR, a velocità possibili solo con modelli biogeochimici e idrodinamici [8]. I prodotti TSS di Himawari-109 offrono la capacità di caratterizzare e risolvere fenomeni periodici e di breve durata a risoluzioni spaziotemporali senza precedenti. Questi prodotti saranno utili per ricercatori, modellatori e parti interessate che valutano l'impatto della qualità dell'acqua negli ecosistemi della GBR che attualmente utilizzano solo prodotti di colore oceanico in orbita LEO [8]. I cambiamenti diurni e i fattori che determinano le fluttuazioni della qualità dell'acqua dovrebbero essere ulteriormente studiati nel GBR utilizzando i prodotti TSS di Himawari-109 e i dati di processi costieri come maree, venti e portata d'acqua dolce. Inoltre, l'algoritmo presentato in questo studio può essere direttamente utilizzato con l'identico sensore AHI di Himawari-8, che dovrebbe sostituire Himawari-9 entro il 8. La missione Himawari di nuova generazione (Himawari-2029) è in fase di pianificazione e sono possibili canali aggiuntivi nel visibile, nonché una maggiore sensibilità e risoluzione spaziale. Queste caratteristiche migliorerebbero notevolmente le capacità degli algoritmi di colore oceanico per i sensori geostazionari, consentendo recuperi più accurati nelle acque costiere su scala diurna. Analogamente, l'Advanced Meteorological Imager (AMI) a bordo del GEOKOMPSAT-10A, così come il GOCI-II (GEOKOMPSAT-2B), stanno attualmente osservando l'Australia e l'Asia orientale, e un simile algoritmo di apprendimento automatico potrebbe essere sviluppato per sfruttare questi ampi e abbondanti set di dati in tempo quasi reale. In questo contesto, il presente studio fornisce un algoritmo avanzato e una prospettiva di potenziali applicazioni da sviluppare quando i sensori del colore dell'oceano a bordo di piattaforme geostazionarie diventeranno una realtà per l'Australia.
Materiali supplementari: i seguenti sono disponibili online all'indirizzo https://www.mdpi.com/article/ 10.3390/rs14143503/s1, Figura S1: Variabilità diurna dei solidi sospesi totali sulla foce del fiume Burdekin nel febbraio 2019 da osservazioni Himawari-10 di 8 minuti, Figura S2: Variabilità diurna dei solidi sospesi totali sulla Grande Barriera Corallina meridionale vicino a Heralds Reef nel novembre 2016 da osservazioni Himawari-10 di 8 minuti.
Contributi degli autori: concettualizzazione, LP-V. e TS; metodologia, LP-V. e TS; software, LP-V., TS e YQ; convalida, LP-V.; analisi formale, LP-V.; cura dei dati, LP-V., TS e YQ; scrittura – preparazione della bozza originale, LP-V.; scrittura – riview e editing, TS, MJD, SS e YQ; supervisione, TS, MJD e SS; acquisizione finanziamenti, LP-V. Tutti gli autori hanno letto e accettato la versione pubblicata del manoscritto.
Finanziamento: questa ricerca è stata finanziata dalla Fondazione Consiglio Nazionale per lo Sviluppo Scientifico e Tecnologico (CNPq) del Governo Federale Brasiliano attraverso il Programma Scienze senza Frontiere, numero di sovvenzione 206339/2014-3.
Dichiarazione di disponibilità dei dati: i dati presentati in questo studio sono disponibili su richiesta all'autore corrispondente.
Ringraziamenti: Ringraziamo Juergen Fischer e Michael Schaale (Istituto di Scienze Spaziali, Dipartimento di Scienze della Terra, Freie Universität Berlin) per aver fornito l'accesso al codice di trasferimento radiativo MOMO e per lo strumento di modellazione inversa. Britta Schaffelke, Michele Skuza e Renee Gruber (AIMS) sono ringraziate per aver fornito preziosi dati in situ raccolti nell'ambito del Programma di Monitoraggio Marino per la Qualità delle Acque Costiere, una collaborazione tra la Great Barrier Reef Marine Park Authority, l'Australian Institute of Marine Science, la James Cook University e la Cape York Water Monitoring Partnership. Si ringrazia l'Agenzia Meteorologica Giapponese per la gestione di Himawari-8 e la distribuzione dei dati tramite l'Australian Bureau of Meteorology. L'Australian Bureau of Meteorology è ringraziato per aver fornito dati di previsione delle maree. I dati in situ provengono dall'Integrated Marine Observing System (IMOS) australiano, supportato dalla National Collaborative Research Infrastructure Strategy (NCRIS). NCRIS (IMOS) e CSIRO

Sens. remoto 2022, 14, 3503

19 di 23

Sono stati riconosciuti per il finanziamento del Lucinda Jetty Coastal Observatory. Questa ricerca è stata condotta con il supporto delle risorse della National Computational Infrastructure (NCI Australia), una piattaforma basata su NCRIS e supportata dal governo australiano.
Conflitti di interessi: gli autori dichiarano di non avere conflitti di interessi.
Riferimenti
1. Schroeder, T.; Devlin, M.J.; Brando, V.E.; Dekker, A.G.; Brodie, J.E.; Clementson, L.A.; McKinna, L. Inter-annual variability of wet season freshwater plume extent into the Great Barrier Reef lagoon based on satellite coastal ocean colour observations. Mar. Pollut. Bull. 2012, 65, 210223. [CrossRef]
2. Devlin, M.; Petus, C.; da Silva, E.T.; Tracey, D.; Wolff, N.; Waterhouse, J.; Brodie, J. Water Quality and River Plume Monitoring in the Great Barrier Reef: An Overview of Methods Based on Ocean Colour Satellite Data. Remote Sens. 2015, 7, 1290912941. [CrossRef]
3. Blondeau-Patissier, D.; Brando, V.E.; Lønborg, C.; Leahy, S.M.; Dekker, A.G. Phenology of Trichodesmium spp. blooms in the Great Barrier Reef lagoon, Australia, from the ESA-MERIS 10-year mission. PLoS ONE 2018, 13, e0208010. [CrossRef] [PubMed]
4. Petus, C.; Waterhouse, J.; Lewis, S.; Vacher, M.; Tracey, D.; Devlin, M. A flood of information: Using Sentinel-3 water colour products to assure continuity in the monitoring of water quality trends in the Great Barrier Reef (Australia). J. Environ. Manag. 2019, 248, 109255. [CrossRef]
5. Brodie, J.; Schroeder, T.; Rohde, K.; Faithful, J.; Masters, B.; Dekker, A.; Brando, V.; Maughan, M. Dispersal of suspended sediments and nutrients in the Great Barrier Reef lagoon during river-discharge events: Conclusions from satellite remote sensing and concurrent flood-plume sampling. Mar. Freshw. Res. 2010, 61, 651664. [CrossRef]
6. Sirjacobs, D.; Alvera-Azcárate, A.; Barth, A.; Lacroix, G.; Park, Y.; Nechad, B.; Ruddick, K.; Beckers, J.-M. Cloud filling of ocean colour and sea surface temperature remote sensing products over the Southern North Sea by the Data Interpolating Empirical Orthogonal Functions methodology. J. Sea Res. 2011, 65, 114130. [CrossRef]
7. Ruddick, K.; Neukermans, G.; Vanhellemont, Q.; Jolivet, D. Challenges and opportunities for geostationary ocean colour remote sensing of regional seas: A review of recent results. Remote Sens. Environ. 2014, 146, 6376. [CrossRef]
8. Ruddick, K.; Vanhellemont, Q.; Yan, J.; Neukermans, G.; Wei, G.; Shang, S. Variability of suspended particulate matter in the Bohai Sea from the geostationary Ocean Color Imager (GOCI). Ocean. Sci. J. 2012, 47, 331345. [CrossRef]
9. IOCCG. Ocean-Colour Observations from a Geostationary Orbit; Reports of the International Ocean-Colour Coordinating Group (IOCCG) Report Number 12; Antoine, D., Ed.; IOCCG: Dartmouth, NS, Canada, 2012. Available online: http://ioccg.org/wpcontent/uploads/2015/10/ioccg-report-12.pdf (consultato il 18 aprile 2016).
10. Gruber, R.; Waterhouse, J.; Logan, M.; Petus, C.; Howley, C.; Lewis, S.; Tracey, D.; Langlois, L.; Tonin, H.; Skuza, M.; et al. Marine Monitoring Program: Annual Report for Inshore Water Quality Monitoring 2018-2019; Rapporto per la Great Barrier Reef Marine Park Authority 2208; Great Barrier Reef Marine Park Authority: Townsville, Australia, 4096. Disponibile online: https://elibrary.gbrmpa.gov.au/jspui/handle/2020/11017 (consultato il 3665 maggio 14).
11. Waterhouse, J.; Schaffelke, B.; Bartley, R.; Eberhard, R.; Brodie, J.; Thorburn, P.; Rolfe, J.; Ronan, M.; Taylor, B.; Star, M.; et al. Riepilogo della dichiarazione di consenso scientifico: Impatti dell'uso del suolo sulla qualità dell'acqua e sulle condizioni dell'ecosistema della Grande Barriera Corallina; Stato del Queensland: Townsville, Australia, 2017. Disponibile online: https://www.reefplan.qld.gov.au/science-and-research/thescientific-consensus-statement (consultato il 25 novembre 2017).
12. Feng, J.; Chen, H.; Zhang, H.; Li, Z.; Yu, Y.; Zhang, Y.; Bilal, M.; Qiu, Z. Turbidity estimation from GOCI satellite data in the turbid estuaries of China’s coast. Remote Sens. 2020, 12, 3770. [CrossRef]
13. Lou, X.; Hu, C. Diurnal changes of a harmful algal bloom in the East China Sea: Observations from GOCI. Remote Sens. Environ. 2014, 140, 562572. [CrossRef]
14. Groom, S.; Sathyendranath, S.; Ban, Y.; Bernard, S.; Brewin, R.; Brotas, V.; Brockmann, C.; Chauhan, P.; Choi, J.-K.; Chuprin, A.; et al. Satellite Ocean Colour: Current Status and Future Perspective. Front. Mar. Sci. 2019, 6, 485. [CrossRef]
15. Park, J.-E.; Park, K.-A.; Kang, C.-K.; Park, Y.-J. Short-Term Response of Chlorophyll-a Concentration to Change in Sea Surface Wind Field over Mesoscale Eddy. Estuaries Coasts 2019, 43, 646660. [CrossRef]
16. Lavigne, H.; Ruddick, K. The potential use of geostationary MTG/FCI to retrieve chlorophyll-a concentration at high temporal resolution for the open oceans. Int. J. Remote Sens. 2018, 39, 23992420. [CrossRef]
17. Dorji, P.; Fearns, P. Atmospheric correction of geostationary Himawari-8 satellite data for Total Suspended Sediment mapping: A case study in the Coastal Waters of Western Australia. ISPRS J. Photogramm. Remote Sens. 2018, 144, 8193. [CrossRef]
18. Miller, S.D.; Schmit, T.L.; Seaman, C.J.; Lindsey, D.T.; Gunshor, M.M.; Kohrs, R.A.; Sumida, Y.; Hillger, D. A Sight for Sore Eyes: The Return of True Color to Geostationary Satellites. Bull. Am. Meteorol. Soc. 2016, 97, 18031816. [CrossRef]
19. Doxaran, D.; Lamquin, N.; Park, Y.-J.; Mazeran, C.; Ryu, J.-H.; Wang, M.; Poteau, A. Retrieval of the seawater reflectance for suspended solids monitoring in the East China Sea using MODIS, MERIS and GOCI satellite data. Remote Sens. Environ. 2014, 146, 3648. [CrossRef]
20. Doxaran, D.; Cherukuru, R.C.N.; Lavender, S.J. Use of reflectance band ratios to estimate suspended and dissolved matter concentrations in estuarine waters. Int. J. Remote Sens. 2005, 26, 17631769. [CrossRef]

Sens. remoto 2022, 14, 3503

20 di 23

21. Kwiatkowska, EJ; Ruddick, K.; Ramón, D.; Vanhellemont, Q.; Brockmann, C.; Lebreton, C.; Bonekamp, H.G. Ocean colour products from geostationary platforms, opportunities with Meteosat Second and Third Generation. Ocean. Sci. Discuss. 2015, 12, 31433167. [CrossRef]
22. Murakami, H. Ocean color estimation by Himawari-8/AHI. In Proceedings of the Remote Sensing of the Oceans and Inland Waters: Techniques, Applications, and Challenges, New Delhi, India, 7 May 2016. [CrossRef]
23. Chen, X.; Shang, S.; Lee, Z.; Qi, L.; Yan, J.; Li, Y. High-frequency observation of floating algae from AHI on Himawari-8. Remote Sens. Environ. 2019, 227, 151161. [CrossRef]
24. Hafeez, S.; Wong, M.S.; Abbas, S.; Jiang, G. Assessing the Potential of Geostationary Himawari-8 for Mapping Surface Total Suspended Solids and Its Diurnal Changes. Remote Sens. 2021, 13, 336. [CrossRef]
25. Japan Meteorological Agency. Event Log: Himawari-8 Performance Test Results; Meteorological Satellite Center: Kiyose, Japan, 2015. Available online: https://www.data.jma.go.jp/mscweb/en/himawari89/space_segment/fig/AHI8_performance_test_en.pdf (consultato il 20 settembre 2021).
26. IOCCG. Telerilevamento del colore dell'oceano nelle acque costiere e in altre acque otticamente complesse; Rapporti del Gruppo Internazionale di Coordinamento del Colore dell'Oceano (IOCCG), Rapporto n. 3; Sathyendrath, S., Ed.; IOCCG: Dartmouth, NS, Canada, 2000. Disponibile online: http://ioccg.org/wp-content/uploads/2015/10/ioccg-report-03.pdf (consultato il 20 settembre 2015).
27. Schroeder, T.; Schaale, M.; Lovell, J.; Blondeau-Patissier, D. An ensemble neural network atmospheric correction for Sentinel-3 OLCI over coastal waters providing inherent model uncertainty estimation and sensor noise propagation. Remote Sens. Environ. 2022, 270, 112848. [CrossRef]
28. Fan, Y.; Li, W.; Chen, N.; Ahn, J.-H.; Park, Y.-J.; Kratzer, S.; Schroeder, T.; Ishizaka, J.; Chang, R.; Stamnes, K. OC-SMART: A machine learning based data analysis platform for satellite ocean color sensors. Remote Sens. Environ. 2021, 253, 112236. [CrossRef]
29. Brockmann, C.; Doerffer, R.; Peters, M.; Stelzer, K.; Embacher, S.; Ruescas, A. Evolution of the C2RCC neural network for Sentinel 2 and 3 for the retrieval of ocean colour products in normal and extreme optically complex waters. In Proceedings of the European Space Agency, Prague, Czech Republic, 913 May 2016.
30. Schroeder, T.; Fischer, J.; Schaale, M.; Fell, F. Artificial-neural-network-based atmospheric correction algorithm: Application to MERIS data. In Proceedings of the SPIE 4892, Ocean Remote Sensing and Applications, Hangzhou, China, 8 May 2003; pp. 124132. [CrossRef]
31. Jamet, C.; Thira, S.; Moulin, C.; Crepon, M. Use of a Neurovariational Inversion for Retrieving Oceanic and Atmospheric Constituents from Ocean Color Imagery: A Feasibility Study. J. Atmos. Ocean. Technol. 2005, 22, 460475. [CrossRef]
32. Brajard, J.; Jamet, C.; Moulin, C.; Thiria, S. Use of a neuro-variational inversion for retrieving oceanic and atmospheric constituents from satellite ocean colour sensor: Application to absorbing aerosols. Neural Netw. Off. J. Int. Neural Netw. Soc. 2006, 19, 178185. [CrossRef]
33. Doerffer, R. Algorithm Theoretical Basis Document (ATBD) MERIS Regional Coastal and Lake Case 2 Water Project Atmospheric Correction ATBD; Water Version 1; GKSS Research Center: Geesthacht, Germany, 2008; pp. 142.
34. Pahlevan, N.; Smith, B.; Schalles, J.; Legame, C.; Cao, Z.; Ma, R.; Alikas, K.; Kangro, K.; Gurlin, D.; Hà, N.; et al. Seamless retrievals of chlorophyll-a from Sentinel-2 (MSI) and Sentinel-3 (OLCI) in inland and coastal waters: A machine-learning approach. Remote Sens. Environ. 2020, 240, 111604. [CrossRef]
35. Gross, L.; Thiria, S.; Frouin, R.; Mitchell, B.G. Artificial neural networks for modeling the transfer function between marine reflectance and phytoplankton pigment concentration. J. Geophys. Res. Ocean. 2000, 105, 34833495. [CrossRef]
36. Schroeder, T.; Behnert, I.; Schaale, M.; Fischer, J.; Doerffer, R. Atmospheric correction algorithm for MERIS above case-2 waters. Int. J. Remote Sens. 2007, 28, 14691486. [CrossRef]
37. Schroeder, T.; Schaale, M.; Fischer, J. Retrieval of atmospheric and oceanic properties from MERIS measurements: A new Case-2 water processor for BEAM. Int. J. Remote Sens. 2007, 28, 56275632. [CrossRef]
38. Schroeder, T. Fernerkundung von Wasserinhaltsstoffen in Küstengewässern mit MERIS unter Anwendung expliziter und impliziter Atmosphärenkorrekturverfahren (Remote Sensing of Coastal Waters with MERIS on Basis of Explicit and Implicit Atmospheric Correction Algorithms). Ph.D. Thesis, Freie Universität, Berlin, German, 2005. [CrossRef]
39. Patricio-Valerio, L. Exploring Himawari-8 Observations for the Advanced Coastal Monitoring of the Great Barrier Reef. Ph.D. Thesis, James Cook University, Townsville, Australia, 2021. [CrossRef]
40. Fell, F.; Fischer, J. Numerical simulation of the light field in the atmosphere-ocean system using the matrix-operator method. J. Quant. Spectrosc. Radiat. Transf. 2001, 69, 351388. [CrossRef]
41. Fischer, J.; Grassl, H. Radiative transfer in an atmosphereocean system: An azimuthally dependent matrix-operator approach. Appl. Opt. 1984, 23, 10321039. [CrossRef]
42. Santer, R.; Zagolski, F.; Dilligeard, E. Radiative Transfer Code Comparison for MERIS Vicarious Calibration. In Proceedings of the ENVISAT Validation Workshop, ESRIN, Frascati, Italy, 913 December 2002.
43. Comitato per l'estensione dell'atmosfera standard. Atmosfera standard statunitense; NASA: Washington, DC, USA, 1976. 44. Holben, BN; Eck, TF; Slutsker, I.; Tanré, D.; Buis, JP; Setzer, A.; Vermote, E.; Reagan, JA; Kaufman, YJ; Nakajima, T.; et al.
AERONET – Una rete federata di strumenti e un archivio dati per la caratterizzazione degli aerosol. Remote Sens. Environ. 1998, 66, 1. [CrossRef] 16. AERONET. Rete robotica per aerosol. Disponibile online: https://aeronet.gsfc.nasa.gov/cgi-bin/data_display_aod_v45?site= Lucinda&nachal=3&level=2&place_code=3 (consultato il 10 ottobre 3).

Sens. remoto 2022, 14, 3503

21 di 23

46. Ångström, A. I parametri della torbidità atmosferica. 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. Il database spettroscopico molecolare HITRAN: edizione del 2000, inclusi gli aggiornamenti fino al 2001. J. Quant. Spectrosc. Radiat. Transf. 2003, 82, 5. [CrossRef] 44. Bennartz, R.; Fischer, J. Un approccio di distribuzione k modificato applicato alle stime di assorbimento di vapore acqueo e ossigeno a banda stretta nel vicino infrarosso. J. Quant. Spectrosc. Radiat. Transf. 48, 2000, 66. [CrossRef] 539. Zhang, T.; Fell, F.; Liu, ZS; Preusker, R.; Fischer, J.; He, MX Valutazione delle prestazioni delle tecniche di rete neurale artificiale per il recupero di pigmenti dal colore dell'oceano nelle acque del Caso I. J. Geophys. Res. Ocean. 553, 49, 2003. [CrossRef] 108. Pope, RM; Fry, ES Spettro di assorbimento (3286-50 nm) di acqua pura. II. Misure in cavità di integrazione. Appl. Opt. 380, 700, 1997. [CrossRef] 36. Hale, GM; Querry, MR Costanti ottiche dell'acqua nella regione di lunghezza d'onda da 8710 nm a 8723 µm. Appl. Opt. 51, 200, 200. [CrossRef] 1973. Bricaud, A.; Morel, A.; Babin, M.; Allali, K.; Claustre, H. Variazioni dell'assorbimento della luce da parte di particelle sospese con concentrazione di clorofilla in acque oceaniche (caso 12): analisi e implicazioni per i modelli bio-ottici. J. Geophys. Res. Ocean. 555, 563, 52. [CrossRef] 1. Babin, M.; Stramski, D.; Ferrari, GM; Claustre, H.; Bricaud, A.; Obolensky, G.; Hoepffner, N. Variazioni nei coefficienti di assorbimento della luce di fitoplancton, particelle non algali e materia organica disciolta nelle acque costiere europee. J. Geophys. Res. Ocean. 1998, 103, 31033. [CrossRef] 31044. Morel, A. Proprietà ottiche dell'acqua pura e dell'acqua di mare pura. In Optical Aspects of Oceanography; Nielsen, JS, Ed.; Academic Press: Cambridge, MA, USA, 53; pp. 2003. 108. Babin, M.; Morel, A.; Fournier-Sicre, V.; Fell, F.; Stramski, D. Proprietà di diffusione della luce di particelle marine in acque costiere e oceaniche aperte in relazione alla concentrazione di massa delle particelle. Limnol. Oceanogr. 3211, 54, 1974. [CrossRef] 1. Zhang, T.; Fell, F.; Fischer, J. Modellazione del rapporto di retrodiffusione di particelle marine nelle acque del Caso 24. In Proceedings of the Ocean Optics XVI, Santa Fe, MN, USA, 55 novembre 2003. 48. Minsky, M.; Papert, SA Perceptrons: An Introduction to Computational Geometry; MIT Press: Cambridge, MA, USA, 843. 859. Malthouse, EC Limitazioni dell'analisi di fase non lineare (PCA) eseguita con reti neurali generiche. IEEE Trans. Neural Netw. 56, 2, 18. [CrossRef] [PubMed] 22. Liu, DC; Nocedal, J. Sul metodo BFGS a memoria limitata per l'ottimizzazione su larga scala. Programma di matematica. 2002, 57, 1969. [CrossRef] 58. Agenzia meteorologica giapponese. Registro eventi: aggiornamento delle informazioni di calibrazione utilizzate per correggere l'andamento della sensibilità dell'indice di rifrazione a bassa intensità (AHI) di Himawari-1998; Centro satellitare meteorologico: Kiyose, Giappone, 9. Disponibile online: https://www.data.jma.go.jp/mscweb/en/oper/eventlog/ Update_of_Calibration_Information_2019.pdf (consultato il 20 settembre 2021). 61. Kurucz, R. Lo spettro solare: atlanti e identificazione delle linee. In Proceedings of the Laboratory and Astronomical High Resolution Spectra, Bruxelles, Belgio, 29 agosto-2 settembre 1995; p. 17. 62. Meteorological Satellite Center. Guida alla calibrazione vicaria GSICS Himawari-8 nel visibile e nel vicino infrarosso. Disponibile online: https://www.data.jma.go.jp/mscweb/data/monitoring/gsics/vis/techinfo_visvical.html (consultato il 10 maggio 2022). 63. Agenzia Meteorologica Giapponese. Registro Eventi: Miglioramento della Qualità dei Dati di Osservazione di Himawari-8; Registro Eventi, Centro Meteorologico Satellitare: Kiyose, Giappone, 2017. Disponibile online: https://www.data.jma.go.jp/mscweb/en/oper/eventlog/Improvement_of_Himawari-8_data_quality.pdf (consultato il 20 settembre 2021). 64. Qin, Y.; Steven, ADL; Schroeder, T.; McVicar, TR; Huang, J.; Cope, M.; Zhou, S. Copertura nuvolosa nella regione australiana: sviluppo e convalida di un algoritmo di mascheramento, classificazione e recupero della profondità ottica delle nuvole per l'Advanced Himawari Imager. Front. Environ. Sci. 2019, 7, 20. [CrossRef] 65. Great Barrier Reef Marine Park Authority. Caratteristiche della Grande Barriera Corallina (GBR) (margini della barriera corallina, Queensland continentale, isole, isolotti, rocce e barriere coralline secche) (GBRMPA) (versione 1.4) [Dataset] 2164DB88-FD79-449E-920F-61C37ADE634B. 1998. Disponibile online: http://www.gbrmpa.gov.au/geoportal/catalog/search/resource/details.page?uuid=%7B41AB3629-B41B-4746-9B753822667E5AF3%7D (consultato il 14 maggio 2022). 66. Emecen, E.; Kara, G.; Erdogmus, F.; Gardashov, R. La determinazione delle posizioni di riflessi solari sulla superficie oceanica mediante osservazione da satelliti geostazionari. TAO Terr. Atmos. Ocean. Sci. 2006, 17, 253. [CrossRef] 67. National Oceanic and Atmospheric Administration. Analisi dell'ozono totale utilizzando SBUV/2 e TOVS (TOAST). Disponibile online: https://www.ospo.noaa.gov/Products/atmosphere/toast/index.html (consultato il 1° dicembre 2020). 68. Kistler, R.; Kalnay, E.; Collins, W.; Saha, S.; White, G.; Woollen, J.; Chelliah, M.; Ebisuzaki, W.; Kanamitsu, M.; Kousky, V. The NCEPNCAR 50-year reanalysis: Monthly means CD-ROM and documentation. Bull. Am. Meteorol. Soc. 2001, 82, 247. [CrossRef] 268. Kanamitsu, M.; Ebisuzaki, W.; Woollen, J.; Yang, S.-K.; Hnilo, JJ; Fiorino, M.; Potter, GL NCEPDOE AMIP-II Reanalysis (R-69). Bull. Am. Meteorol. Soc. 2, 2002, 83. [CrossRef] 1631. Kalnay, E.; Kanamitsu, M.; Kistler, R.; Collins, W.; Deaven, D.; Gandin, L.; Iredell, M.; Saha, S.; White, G.; Woollen, J. Il progetto di rianalisi quarantennale NCEP/NCAR. Bull. Am. Meteorol. Soc. 1644, 70, 40. [CrossRef] 1996. National Oceanic and Atmospheric Administration. Dati meteorologici NCEP Reanalysis 77. Disponibile online: https://psl.noaa. gov/data/gridded/data.ncep.reanalysis437.html (consultato il 472° dicembre 71).

Sens. remoto 2022, 14, 3503

22 di 23

72. Sistema integrato di osservazione marina. IMOS Ocean Colour Bio Optical Database of Australian Waters (SRS-OC-BODBAW). 2011. Disponibile online: https://researchdata.edu.au/imos-srs-ocean-australian-waters (consultato il 20 febbraio 2017).
73. Great Barrier Reef Marine Park Authority. Manuale di garanzia e controllo qualità del programma di monitoraggio marino 2017-2018; Great Barrier Reef Marine Park Authority: Townsville, Australia, 2019. Disponibile online: http://elibrary.gbrmpa.gov.au/jspui/handle/11017/3487 (consultato il 15 maggio 2018).
74. Soja-Woz´niak, M.; Baird, M.; Schroeder, T.; Qin, Y.; Clementson, L.; Baker, B.; Boadle, D.; Brando, V.; Steven, A.D.L. Particulate Backscattering Ratio as an Indicator of Changing Particle Composition in Coastal Waters: Observations From Great Barrier Reef Waters. J. Geophys. Res. Ocean. 2019, 124, 54855502. [CrossRef]
75. Bulgarelli, B.; Zibordi, G. On the detectability of adjacency effects in ocean color remote sensing of mid-latitude coastal environments by SeaWiFS, MODIS-A, MERIS, OLCI, OLI and MSI. Remote Sens. Environ. 2018, 209, 423438. [CrossRef]
76. Schroeder, T.; Lovell, J.; King, E.; Clementson, L.; Scott, R. IMOS Ocean Colour Validation Report 2017-18, Report to the Integrated Marine Observing System (IMOS); CSIRO Oceans and Atmosphere: Brisbane, Australia, 2018; p. 22.
77. King, E.; Schroeder, T.; Brando, V.; Suber, K. A Pre-operational System for Satellite Monitoring of Great Barrier Reef Marine Water Quality. In Wealth from Oceans Flagship Report; CSIRO Wealth from Oceans Flagship: Hobart, Australia, 2014. [CrossRef]
78. Japan Meteorological Agency. Event Log: Quality Improvement of Himawari-8 Observation Data; Meteorological Satellite Center: Kiyose, Japan, 2016. Available online: https://www.data.jma.go.jp/mscweb/en/oper/eventlog/20161117_Quality_ improvement_of_Himawari-8_observation_data.pdf (consultato il 20 settembre 2021).
79. Agenzia giapponese per l'esplorazione aerospaziale. Sistema P-Tree di monitoraggio Himawari della JAXA. Disponibile online: https://www.eorc.jaxa.jp/ptree/index.html (consultato il 14 maggio 2022).
80. Hu, C.; Feng, L.; Lee, Z.; Davis, C.O.; Mannino, A.; McClain, C.R.; Franz, B.A. Dynamic range and sensitivity requirements of satellite ocean color sensors: Learning from the past. Appl. Opt. 2012, 51, 60456062. [CrossRef]
81. Tang, W.; Llort, J.; Weis, J.; Perron, M.M.G.; Basart, S.; Li, Z.; Sathyendranath, S.; Jackson, T.; Sanz Rodriguez, E.; Proemse, B.C.; et al. Widespread phytoplankton blooms triggered by 20192020 Australian wildfires. Nature 2021, 597, 370375. [CrossRef] [PubMed]
82. Great Barrier Reef Marine Park Authority. Water Quality Guidelines for the Great Barrier Reef Marine Park; 1921682299; Great Barrier Reef Marine Park Authority: Townsville, Australia, 2010. Available online: https://elibrary.gbrmpa.gov.au/jspui/handle/11017/ 432 (accessed on 20 August 2019).
83. Brodie, J.; Grech, A.; Pressey, B.; Day, J.; Dale, A.; Morrison, T.; Wenger, A. The future of the Great Barrier Reef: The water quality imperative. In Coasts and Estuaries; Wolanski, E., Day, J.W., Elliott, M., Ramachandran, R., Eds.; Elsevier: Amsterdam, The Netherlands, 2019; pp. 477499. [CrossRef]
84. Hieronymi, M.; Müller, D.; Doerffer, R. The OLCI Neural Network Swarm (ONNS): A Bio-Geo-Optical Algorithm for Open Ocean and Coastal Waters. Front. Mar. Sci. 2017, 4, 140. [CrossRef]
85. Donlon, C. Sentinel-3 Mission Requirements Traceability Document (MRTD); European Space Agency (ESA)–ESTEC: Noordwijk, The Netherlands, 2011; p. 234. Available online: https://sentinels.copernicus.eu/documents/247904/1848151/Sentinel-3-MissionRequirements-Traceability (accessed on 11 October 2018).
86. Doerffer, R. Protocolli per la validazione dei prodotti MERIS Water; Pubblicazione ESA PO-TN-MEL-GS-0043 GKSS; Forschungszentrum: Geesthacht, Germania, 2002; pag. 1.
87. Governo del Queensland. Portale informativo sul monitoraggio delle acque (WMIP). Disponibile online: https://water-monitoring.information.qld.gov.au/ (consultato il 30 marzo 2021).
88. Wolanski, E.; Spagnol, S. Acque viscose nella Grande Barriera Corallina. Estuario. Costa. Shelf Sci. 2000, 50, 27. [CrossRef] 32. Pickard, GL; Donguy, J.-R.; Hénin, C.; Rougerie, F. A Review dell'oceanografia fisica della Grande Barriera Corallina e della Corallina Occidentale
Mare; Australian Government Publishing Service: Canberra, Australia, 1977. 90. Feng, D.; Hodges, BR; Socolofsky, SA; Thyng, KM Vortici di marea all'ingresso di un canale stretto in modelli operativi di fuoriuscita di petrolio. Mar.
Pollut. Bull. 2019, 140, 374. [CrossRef] [PubMed] 387. De'ath, GA; Fabricius, KK Qualità dell'acqua della Grande Barriera Corallina: distribuzioni, effetti sulla biota della barriera corallina e valori di innesco per la
Protezione della salute dell'ecosistema; Great Barrier Reef Marine Park Authority, Commonwealth of Australia e Australian Institute of Marine Science: Townsville, Australia, 2008; p. 104. 92. Thomson, RE; Wolanski, EJ. Risalita durante il periodo di marea all'ingresso dell'isola di Raine nella Grande Barriera Corallina. J. Mar. Res. 1984, 42, 787. [CrossRef] 808. Wolanski, E.; Drew, E.; Abel, KM; O'Brien, J. Getti di marea, risalita di nutrienti e loro influenza sulla produttività dell'alga Halimeda nelle Ribbon Reefs, Grande Barriera Corallina. Estuario. Costa. Shelf Sci. 93, 1988, 26. [CrossRef] 169. Marmorino, GO; Smith, GB; Miller, WD Caratteristiche di turbolenza dedotte da immagini satellitari ritardate di alghe superficiali in un mare di marea poco profondo. 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. Vortici di marea submesoscalari nella scia di isole coralline e barriere coralline: dati satellitari e modellazione numerica. Ocean. Dyn. 178, 184, 95. [CrossRef] 2017. Li, G.; He, Y.; Liu, G.; Zhang, Y.; Hu, C.; Perrie, W. Osservazioni multisensore di vortici submesoscalari nelle regioni costiere. Remote Sens. 67, 897, 913. [CrossRef]

Sens. remoto 2022, 14, 3503

23 di 23

97. IOCCG. Requisiti di missione per i futuri sensori di colore oceanico; Rapporti del Gruppo Internazionale di Coordinamento del Colore Oceanico (IOCCG), Rapporto n. 13; McClain, C., Meister, G., a cura di; IOCCG: Dartmouth, NS, Canada, 2012. Disponibile online: http://ioccg.org/wp-content/uploads/2015/10/ioccg-report-13.pdf (consultato il 30 settembre 2017).
98. Neukermans, G.; Ruddick, K.; Bernardo, E.; Ramón, D.; Nechad, B.; Deschamps, P.-Y. Mapping total suspended matter from geostationary satellites: A feasibility study with SEVIRI in the Southern North Sea. Opt. Express 2009, 17, 1402914052. [CrossRef]
99. Neukermans, G.; Ruddick, K.; Loisel, H.; Roose, P. Optimization and quality control of suspended particulate matter concentration measurement using turbidity measurements. Limnol. Oceanogr. Methods 2012, 10, 10111023. [CrossRef]
100. Röttgers, R.; Heymann, K.; Krasemann, H. Suspended matter concentrations in coastal waters: Methodological improvements to quantify individual measurement uncertainty. Estuar. Coast. Shelf Sci. 2014, 151, 148155. [CrossRef]
101. Tilstone, G.; Moore, G.; Sørensen, K.; Doerffer, R.; Røttgers, R.; Ruddick, K.; Pasterkamp, R.; Jørgensen, P. Validazione regionale dei prodotti clorofilliani MERIS nelle acque costiere del Mare del Nord. In Atti del Working meeting on MERIS and AATSR Calibration and Geophysical Validation (ENVISAT MAVT-2003), Frascati, Italia, 20 ottobre 24.
102. Stavn, R.H.; Rick, H.J.; Falster, A.V. Correcting the errors from variable sea salt retention and water of hydration in loss on ignition analysis: Implications for studies of estuarine and coastal waters. Estuar. Coast. Shelf Sci. 2009, 81, 575582. [CrossRef]
103. Okuyama, A.; Takahashi, M.; Date, K.; Hosaka, K.; Murata, H.; Tabata, T.; Yoshino, R. Validation of Himawari-8/AHI radiometric calibration based on two years of in-orbit data. J. Meteorol. Soc. Japan. Ser. II 2018, 96, 91109. [CrossRef]
104. Japan Meteorological Agency. Event log: Impacts of Spacecraft Events and Calibration on Himawari-8 Images: Striping; Meteorological Satellite Center: Kiyose, Japan, 2020. Available online: http://www.data.jma.go.jp/mscweb/en/oper/image_info.html#005 (consultato il 20 settembre 2021).
105. Moses, W.J.; Bowles, J.H.; Lucke, R.L.; Corson, M.R. Impact of signal-to-noise ratio in a hyperspectral sensor on the accuracy of biophysical parameter estimation in case II waters. Opt. Express 2012, 20, 43094330. [CrossRef]
106. Alvarez-Romero, J.G.; Devlin, M.; Teixeira da Silva, E.; Petus, C.; Ban, N.C.; Pressey, R.L.; Kool, J.; Roberts, J.J.; Cerdeira-Estrada, S.; Wenger, A.S.; et al. A Novel Approach to Model Exposure of Coastal Marine Ecosystems to Riverine Flood Plumes Based on Remote Sensing Techniques. J. Environ. Manag. 2013, 119, 194207. [CrossRef]
107. Petus, C.; Devlin, M.; Thompson, A.; McKenzie, L.; Teixeira da Silva, E.; Collier, C.; Tracey, D.; Martin, K. Estimating the Exposure of Coral Reefs and Seagrass Meadows to Land-Sourced Contaminants in River Flood Plumes of the Great Barrier Reef: Validating a Simple Satellite Risk Framework with Environmental Data. Remote Sens. 2016, 8, 210. [CrossRef]
108. Devlin, M.; Schroeder, T.; McKinna, L.; Brodie, J.; Brando, V.; Dekker, A. Monitoring and Mapping of Flood Plumes in the Great Barrier Reef Based on In Situ and Remote Sensing Observations. In Advances in Environmental Remote Sensing to Monitor Global Changes; Chang, N.-B., Ed.; Environmental Remote Sensing and Systems Analysis; CRC Press: Boca Raton, FL, USA, 2012; pp. 147191. [CrossRef]
109. Steven, A.D.; Baird, M.E.; Brinkman, R.; Car, N.J.; Cox, S.J.; Herzfeld, M.; Hodge, J.; Jones, E.; King, E.; Margvelashvili, N.; et al. eReefs: An operational information system for managing the Great Barrier Reef. J. Oper. Oceanogr. 2019, 12, S12S28. [CrossRef]

Documenti / Risorse

Algoritmo di apprendimento automatico

User Guide · Machine Learning Algorithm, Learning Algorithm, Algorithm

Riferimenti

aeronet.gsfc.nasa.gov/cgi-bin/data_display_aod_v3?site=aeronet.gsfc.nasa.gov
co.ukco.uk
Pagina inizialedoi.org
edu.auedu.au
Archivio digitale di Reef Authority: Homeelibrary.gbrmpa.gov.au
elibrary.gbrmpa.gov.au/jspui/handle/11017/3665elibrary.gbrmpa.gov.au
jcu.edu.aujcu.edu.au
psl.noaapsl.noaa
Governo del Queensland | Governo del Queenslandqld.gov.au
researchdata.edu.au/imos-srs-ocean-australian-watersresearchdata.edu.au
Manuale d'usomanual.tools

Published: April 8, 2025

Aggiornato: 26 novembre 2025

Guida utente dell'algoritmo di apprendimento automatico MDPI

Algoritmo di apprendimento automatico

Informazioni sul prodotto

Specifiche

Istruzioni per l'uso del prodotto

1. Introduzione

2. Processo di recupero

3. Sensori di colore dell'oceano

Domande frequenti (FAQ)

D: Qual è l'obiettivo principale dell'articolo sul telerilevamento?

D: Perché i satelliti geostazionari sono preferiti per le osservazioni costiere?
monitoraggio?

Documenti / Risorse

Riferimenti

Fai una domanda

Argomenti correlati

Algoritmo di apprendimento automatico

Informazioni sul prodotto

Specifiche

Istruzioni per l'uso del prodotto

1. Introduzione

2. Processo di recupero

3. Sensori di colore dell'oceano

Domande frequenti (FAQ)

D: Qual è l'obiettivo principale dell'articolo sul telerilevamento?

D: Perché i satelliti geostazionari sono preferiti per le osservazioni costiere? monitoraggio?

Documenti / Risorse

Riferimenti

Fai una domanda

Fai una domanda Cancel question

Argomenti correlati

Ultimo MDPI Manuali

D: Perché i satelliti geostazionari sono preferiti per le osservazioni costiere?
monitoraggio?