Algoritmus strojového učení

Informace o produktu

Specifikace

• Název produktu: Článek o dálkovém průzkumu Země
• Autor: Larissa Patricio-Valerio, Thomas
  Schroeder, Michelle J. Devlin, Yi Qin, Scott Smithers
• Datum zveřejnění: 21. července 2022
• Klíčová slova: Himawari-8, barva oceánu, umělá
  neuronové sítě, Velký bariérový útes, pobřežní vody, celkem
  suspendované látky, strojové učení, kvalita vody

Návod k použití produktu

1. Úvod

Článek o dálkovém průzkumu Země poskytuje vhled do využití
algoritmy strojového učení pro získávání celkových suspendovaných látek
ve Velkém bariérovém útesu s využitím dat ze sondy Himawari-8. Článek
diskutuje o výzvách a výhodách využití geostacionárních systémů
Družice na oběžné dráze Země pro nepřetržité pozorování pobřeží
oblastí.

2. Proces vyhledávání

Článek zdůrazňuje důležitost geostacionárních systémů.
satelity jako Himawari-8 při sběru dat téměř v reálném čase
pobřežní procesy. Zdůrazňuje omezení nízké oběžné dráhy Země
satelity pro vyřešení krátkodobé variability ve srovnání s
geostacionární družice.

3. Senzory barev oceánu

Článek zmiňuje význam senzorů barvy oceánu.
satelity pro získávání prostorových informací týkajících se vody
kvalita. Zabývá se časovou dynamikou pozorovanou
geostacionární satelity a jejich vliv na monitorování pobřeží
jevy.

Často kladené otázky (FAQ)

Otázka: Na co se článek o dálkovém průzkumu Země zaměřuje?

A: Hlavní důraz je kladen na použití algoritmu strojového učení s
Data z družice Himawari-8 pro získání celkového množství suspendovaných pevných látek ve Velké
Bariérový útes.

Otázka: Proč jsou geostacionární satelity preferovány pro pobřežní
sledování?

A: Geostacionární družice nabízejí téměř nepřetržité pozorování
velké plochy s vyšší frekvencí, což umožňuje lepší monitorování
rychle se měnících pobřežních procesů.

dálkového průzkumu Země

Článek
Algoritmus strojového učení pro vyhledávání celkových nerozpuštěných látek v oblasti Velkého bariérového útesu v rámci projektu Himawari-8
Larissa Patricio-Valerio 1,2,* , Thomas Schroeder 2, Michelle J. Devlin 3 , Yi Qin 4 a Scott Smithers 1

1 Vysoká škola vědy a inženýrství, Univerzita Jamese Cooka, Townsville, QLD 4811, Austrálie; scott.smithers@jcu.edu.au
2 Organizace Commonwealthu pro vědecký a průmyslový výzkum, Oceány a atmosféra, GPO Box 2583, Brisbane, QLD 4001, Austrálie; thomas.schroeder@csiro.au
3 Centrum pro životní prostředí, rybolov a akvakulturní vědy, Parkfield Road, Lowestoft, Suffolk NR33 0HT, Spojené království; michelle.devlin@cefas.co.uk
4 Organizace Commonwealthu pro vědecký a průmyslový výzkum, Oceány a atmosféra, GPO Box 1700, Canberra, ACT 2601, Austrálie; yi.qin@csiro.au
* Korespondenční adresa: larissa.patriciovalerio@my.jcu.edu.au

Citace: Patricio-Valerio, L.; Schroeder, T.; Devlin, MJ; Qin, Y.; Smithers, S. Algoritmus strojového učení pro vyhledávání celkových suspendovaných látek v atmosféře Himawari-8 ve Velkém bariérovém útesu. Remote Sens. 2022, 14, 3503. https://doi.org/ 10.3390/rs14143503
Akademický redaktor: Chris Roelfsema
Přijato: 15. května 2022 Schváleno: 19. července 2022 Publikováno: 21. července 2022
Poznámka vydavatele: MDPI zůstává neutrální, pokud jde o jurisdikční nároky na publikovaných mapách a institucionální příslušnost.
Autorská práva: © 2022 vlastní autoři. Držitel licence MDPI, Basilej, Švýcarsko. Tento článek je článek s otevřeným přístupem distribuovaný za podmínek licence Creative Commons Attribution (CC BY) (https://creativecommons.org/licenses/by/4.0/).

Abstrakt: Dálkový průzkum barvy oceánu je zásadní pro synoptické monitorování kvality mořské vody ve Velkém bariérovém útesu (GBR). Senzory barvy oceánu na palubě satelitů na nízké oběžné dráze, jako je například konstelace Sentinel-3, však nemají dostatečnou schopnost opakovaného sledování, aby plně rozlišily denní variabilitu ve vysoce dynamickém pobřežním prostředí. Aby se toto omezení překonalo, tato práce představuje fyzikálně založený algoritmus pro měření barvy pobřežního oceánu pro pokročilý zobrazovač Himawari na palubě geostacionární družice Himawari-8. Přestože je Himawari-8 navržen pro meteorologické aplikace, nabízí možnost odhadovat charakteristiky barvy oceánu každých 10 minut ve čtyřech širokých spektrálních pásmech viditelného a blízkého infračerveného záření a s prostorovým rozlišením 1 km2. Byly provedeny simulace přenosu záření v oceánské atmosféře v pásmech Himawari-8 pro realistický rozsah optických vlastností GBR ve vodě a atmosféře a pro širokou škálu slunečních a pozorovacích geometrií. Simulovaná data byla použita k vývoji inverzního modelu založeného na technikách umělých neuronových sítí pro odhad celkových koncentrací suspendovaných látek (TSS) přímo z pozorování spektrální odrazivosti v horních oblastech atmosféry sondy Himawari-8. Algoritmus byl validován se souběžnými daty in situ v pobřežní oblasti Velké Británie a byly posouzeny jeho detekční limity. Získané hodnoty TSS vykazovaly relativní chyby až 75 % a absolutní chyby 2 mg L-1 v rámci validačního rozsahu 0.14 až 24 mg L-1 s detekčním limitem 0.25 mg L-1. Diskutujeme potenciální aplikace produktů Himawari-8 pro denní měření TSS pro lepší monitorování a řízení kvality vody v oblasti Velké Británie.
Klíčová slova: Himawari-8; barva oceánu; umělé neuronové sítě; Velký bariérový útes; pobřežní vody; celkové nerozpuštěné látky; strojové učení; kvalita vody
1. Úvod Senzory barvy oceánu na palubě družic na nízké oběžné dráze Země (LEO), jako jsou MODIS/Aqua,
Družice VIIRS/Suomi-NPP a OLCI/Sentinel-3 poskytly dlouhodobé záznamy cenných a nákladově efektivních pozorování pro zkoumání denní až meziroční dynamiky kvality vody ve Velkém bariérovém útesu (GBR) [1]. Družice LEO skenují stejnou geografickou oblast v nejlepším případě během jednoho nebo dvou dnů; časové zpoždění mezi dvěma po sobě jdoucími a identickými oběžnými dráhami (tj. periodicita opakovaných návštěv) se však obvykle pohybuje mezi jedním a čtyřmi týdny. Kromě toho mohou být snímky barev oceánu do značné míry ovlivněny přítomností mraků a slunečním zábleskem, což omezuje získávání vysoce kvalitních pozorování [5]. To může vyžadovat týdenní až měsíční sadu denních snímků ze stejné oblasti pro vytvoření kompozitního obrazu bezoblačného počasí. view oceánu. Časová kapacita satelitů LEO je proto nedostatečná pro vývoj komplexního pozorovacího systému a pro efektivní monitorování krátkodobých dynamických pobřežních procesů, jako jsou denní cykly fytoplanktonu, denní postup povodňových oblaků a

Dálkový průzkum Země. 2022, 14, 3503. https://doi.org/10.3390/rs14143503

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

Dálkový průzkum Země 2022, 14, 3503

2 z 23

resuspenze poháněná přílivem a větrem [7]. Výzkumníci a environmentální manažeři stále

spoléhají na produkty LEO pro měření barev oceánů pro získávání cenově dostupných prostorových informací - v

pobřežní GBR [10,11], ale uznávají omezení těchto technik pro řešení krátkodobých

variabilita.

–

Družice na g-eostacionární oběžné dráze Země (GEO) jinak umožňují téměř nepřetržitý

pozorování velkých oblastí zeměkoule s vyšší frekvencí (minuty až hodiny) ve srovnání

téměř denní frekvenci návštěv platforem LEO, zejména nad tropy [9].

První geostacionární oceánský barevný zobrazovač na světě (GOCI-I), vypuštěný v roce 2010, odhalil...

časová dynamika rychle se měnících pobřežních procesů v severovýchodní Asii, jako například

zákalových oblaků a škodlivých květů řas [12,13]. Jeho úspěch poskytl užitečný příklad

pro budoucí rozvoj globálních misí GEO pro měření barev oceánů [14]; nicméně žádný z

Mise plánované k zahájení v příštím desetiletí byly navrženy pro pozorování

australských vodách. Nicméně geogeologické satelity jsou globálně provozovány pro meteorologická pozorování.

Služby a nedávný technologický pokrok využily jejich schopnosti pro sběr dat nad oceány, což umožnilo pozorovat dynamičtější procesy z vesmíru [-15].

Tofhbe annedxst-ignentheera-vtiiosinblGe EspOemctreutemor(o2loogri3cailnssetenasdorosfaorenleyq1uibpapnedd)

se zvýšeným počtem v kombinaci se zlepšeným

ragreadendovtisaoltyTnmahctpieeeortsornAivaacdlirsldvyoeiawnnpnsgoeciitdednivd,itui-ftHooryfnri-(mavsthliiagemewwnfieaaatlrr-etsi-totouIrm-tno-nimplaoorgiegsee,eci-rceara(daA-lnteioeHnobat)Ires)a-edtnorrdrnvueabeovtoniicaosboirntoldosafr-uHroedrvqiemecudarealvAni-wbicusraiauesrtstiair-ol[8ai1ns/l8ia9ac]ta.,iGopinnEacbOloiulfsidtaEiietnaesrglt[lih9tth]e.–feriTosGhmcBeusRrae-.

Himawa-ri-8 se nachází na 140.7 východní délky nad rovníkem a s 10minutovou frekvencí skenování zachytí během jednoho dne (od 48:8 do 4:XNUMX místního času) nejméně XNUMX pozorování z celého disku. Přestože byl přístroj AHI navržen pro meteorologické aplikace, jeho viditelný a blízký infračervený záření...

(VNIR) pásma (obrázek 1 a tabulka 1) umožňují detekci mořských útvarů se silným

optické signály, například ty z vysoce kalných vod [19]. Kromě toho Himawari-21

Pozorování s ultravysokým časovým rozlišením umožňují monitorování vlastností oceánů z

sub-hourly na meziroční časové s-měřítka pro celou lagunu GBR a přilehlou oceánskou oblast

basin without inter-orbital data g-aps.

wFiigthurtehe1.trHainmsmawisas-riio-n8

spektrální odezvové funkce viditelného a infračerveného pásma (plné bílé čáry) atmosférických plynů (šedá plná čára) a propustnosti ozonem (červená

plná čára) mezi 400 a 1000 nm.

Z Him-awari-8 lze odvodit širokou škálu aplikací pro monitorování a řízení oceánských oblastí, včetně měření barvy oceánů [22,23]. Nedávné studie prokázaly proveditelnost pozorování pomocí Hima-wari-8 pro detekci celkových suspendovaných látek (TSS) v pobřežních vodách [17,24] a pro koncentraci chlorofylu a (CHL) v otevřeném oceánu [22]. Tyto výsledky naznačují vzrušující příležitost pro monitorování vysokofrekvenčních a dynamických procesů v pobřežní GBR. Ačkoli pro satelitní získávání parametrů kvality pobřežní vody může být k dispozici několik algoritmů pro měření barvy oceánů, nemusí být vhodné pro optickou složitost GBR nebo nemusí být použitelné pro pozorování pomocí Himawari-8.

Dálkový průzkum Země 2022, 14, 3503

3 z 23
– –
Tleanbglteh1s.anHdimbaanwdawrii-d8-thA, dasvsaoncciaetdedHsipmaatiwalarreisIomluatgioenr.vSiisgibnlael-aton-dn- oni-esearr–aintiforsar(Odeslat Rb)ertrdosarlce

Číslo pásma (název) #1 (modrá) #2 (zelená) #3 (červená) #4 (NIR)

Střed pásu (šířka) 470.64 (45.37) nm 510.00 (37.41) nm 639.15 (90.02) nm 856.69 (42.40) nm

Prostorové rozlišení 1 km 1 km 0.5 km 1 km

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

Algoritmy pro měření barev oceánů založené na modelu b, které využívají simulace radiačního přenosu, prokázaly v porovnání s empirickými algoritmy lepší výkon pro aplikace v multitemporálních studiích dálkového průzkumu pobřežních vod [26]. Konkrétně jsou neuronové sítě výpočetně efektivní inverzní metodou pro aplikace dálkového průzkumu v opticky složitých pobřežních vodách díky své schopnosti aproximovat nelineární funkční vztahy [27-35]. Tento článek popisuje vývoj algoritmu pro měření barev oceánů založeného na modelu neuronové sítě (obrázek 2) pro Himawari-8 a parametrizovaného pro pobřežní vody GBR. Jednokrokový inverzní algoritmus byl vyvinut pro odhad TSS přímo z pozorování horní vrstvy atmosféry (TOA) Himawari-8 pomocí vícevrstvého perceptronu, což je třída umělých neuronových sítí (ANN). Nejprve bylo simulováno spektrální úhlové rozložení odrazivosti TOA RTOA() sr-1 v pásmech VNIR Himawari-8 s existujícím propojeným modelem radiačního přenosu (RT) oceán-atmosféra (forward model). RT simulace zahrnovaly realistické variace parametrů kvality vody a atmosférických a světelných podmínek. Následně bylo navrženo, natrénováno a otestováno několik experimentů s umělými neuronovými sítěmi (inverzní modely) pro získání celkových specifických souvislostí (TSS) v pásmech Himawari–8 na základě simulovaných radiancí TOA. Nakonec byly výstupy TSS získané z Himawari–8 statisticky vyhodnoceny oproti souběžným in situ datům o kvalitě vody v GBR a byla zkoumána omezení zvoleného algoritmu.

Obrázek 2. Vývojový diagram algoritmu pro zbarvení oceánu založeného na modelu, vyvinutého pro Himawari–8.
2. Metody Parametrizace simulací radiačního přenosu a návrh
Inverzní model ANN je specifikován v následujících podkapitolách. Parametrizace dopředného a inverzního modelu se řídí přístupem dříve vyvinutým pro evropské pobřežní vody [36-38], ale v této studii byly adaptovány pro optické podmínky ve vodě v GBR [39]. Dále jsou pro zde vyvinutý algoritmus založený na modelu popsány postupy akvizice, zpracování a maskování H-imawari-8 a procesor pro měření barev oceánu. Je prezentován validační protokol a metody pro posouzení omezení algoritmu, stejně jako první výsledky monitorování TSS v GBR.

Dálkový průzkum Země 2022, 14, 3503

4 z 23
2.1. Model Forward
V této práci byla pro simulace přenosu záření mezi oceánem a atmosférou v pásmech VNIR sondy Himawari-40,41 (tabulka 8) použita skalární verze modelu maticových operátorů (MOMO) [1]. Zanedbání atmosférické polarizace může vést k chybám 1 % při TOA, což je přijatelné pro aplikace v pobřežních vodách [2]. RTOA() sondy Himawari-42 byly simulovány pro realistický rozsah optických vlastností GBR ve vodě a atmosféře.
Simulovaný systém oceánské atmosféry je stratifikován do několika horizontálně homogenních planparalelních vrstev, kde jsou zohledněny definované typy a koncentrace vodních a atmosférických optických složek. Výška simulované atmosféry (TOA) je 50 km silná a rozdělena do 11 vrstev, kde vertikální profil...fileTlak, teplota a vlhkost odpovídají americké standardní atmosféře [43]. Útlum Rayleighovým rozptylem je zohledněn u dvou barometrických povrchových tlaků 980 hPa a 1040 hPa. Atmosféra je rozdělena na mezní vrstvu (0 km), volnou troposféru (2 km) a stratosféru (2 km). V každé vrstvě byly provedeny simulace pro osm odlišných aerosolových asociací s různými koncentracemi aerosolu s optickou tloušťkou (a) při 12 nm mezi 12 a 50. Každá aerosolová asociace se skládá ze tří hlavních modelů aerosolů: námořního modelu v mezní vrstvě, kontinentálního modelu ve volné troposféře a modelu kyseliny sírové ve stratosféře, při relativní vlhkosti mezi 550 % a 0.015 %. Rozsah a byl stanoven z víceletých pozorování slunečního fotometru úrovně 1.0 stanice AERONET [70] na pobřežní observatoři Lucinda Jetty (LJCO) nacházející se v centrální části Velké Británie [99 j.š., 2 v.d.]. Analýza odpovídajících Ångströmových koeficientů [44,45] mezi 18.52 a 146.39 nm na stanici LJCO AERONET potvrzuje směs typů námořních a kontinentálních aerosolů odpovídajících těm, které byly použity v RT simulacích.
Přenos atmosférických plynů (s výjimkou O3) byl odvozen z databáze HighResolution Transmission Molecular Absorption (HITRAN) [47] a implementován v simulacích radiačního přenosu pomocí modifikovaného modelu k-distribuce Bennartze a Fischera [48]. Simulace radiačního přenosu byly provedeny za předpokladu konstantního zatížení ozonem 344 Dobsonových jednotek (DU) [43]. Pásy Himawari-8 byly simulovány pro 17 slunečních a pozorovacích úhlů a 25 rovnoměrně rozmístěných relativních azimutálních úhlů. Simulace byly provedeny pro realistické fluktuace kvality vody, reprezentované náhodně vybranými jedinečnými koncentracemi CHL, TSS a žlutých látek (YEL), dále označovanými jako koncentrační triplety. Rozsahy simulovaných koncentračních tripletů byly definovány na základě rozptylu in situ korelovaných koncentrací nalezených v GBR, podle přístupu Zhanga a kol. [49]. Simulované koncentrační triplety byly rovnoměrně rozloženy v logaritmickém prostoru, takže každý řád byl reprezentován podobně, přičemž se zabránilo duplicitním simulacím.
Celková spektrální absorpce mořské vody a() byla modelována čtyřsložkovým biooptickým modelem, který zohledňuje absorpci čisté vody (aw), absorpci fytoplanktonu a veškerého mrtvého organického materiálu (tj. detritu) ap1 jako funkci CHL [0.01, 15], absorpci neřasových částic ap2 jako funkci TSS [0.01, 100.0] a absorpci žlutých látek ay při 443 nm [0.002, 2.5]. Absorpční koeficient čisté vody (aw) byl modelován podle Popea a Frye [50] pro viditelné pásmo 8 v oblasti Himawari-1 a podle Halea a Querryho [3] pro pásmo 51. Spektrální absorpce fytoplanktonu a detritu ap4 se řídila parametrizací podle Bricauda a kol. [1], zatímco absorpce neřasových částic ap52 byla parametrizována podle Babina a kol. [2] s průměrným sklonem Sp53 2, který byl odvozen z in situ biooptických datampvedené v GBR mezi lety 2002 a 2013. Spektrální absorpční koeficient žlutých látek ay byl modelován podle Babina a kol. [53] s průměrným sklonem Sy 0.015, který byl také odvozen z in situ pozorování z GBR [39].
Celkový spektrální rozptyl mořské vody (b()) byl modelován dvoukomponentním biooptickým modelem [53], který zohledňuje rozptyl čisté vody (bw) a rozptyl organických a anorganických částic bp jako funkci celkového rozptylu spektrálního spektra (TSS). Rozptyl čisté mořské vody

Dálkový průzkum Země 2022, 14, 3503

5 z 23

koeficient byl vyjádřen jako výkonový zákon závislý na vlnové délce podle Morela [54],

definované pro průměrnou globální slanost 35 PSU. Rozptylový příspěvek organických a

anorganické částice byly zkombinovány pro odvození celkového koeficientu rozptylu částic bp podle parametrizace Babina a kol. [55]. Koeficient rozptylu specifický pro hmotnost

Pro vody GBR byla vypočtena hodnota bp částic TSS 0.31 m² g-2 dle Babina a kol. [1]. Pro vody z případu 55 byl použit model pravděpodobnosti zpětného rozptylu [2] k

vypočítat a vybrat fázové funkce rozptylu ve vodě (, ) na základě poměru TSS a YEL. Simulace byly provedeny pro velký počet náhodných koncentračních

triplety a atmosférické podmínky, jak bylo dříve uvedeno, k vytvoření komplexního

databáze azimutálně rozlišeného Himawari-8 RTOA(). Z této databáze, statisticky

Pro vytvoření inverzní funkce byly náhodně extrahovány reprezentativní trénovací a testovací podmnožiny

model. Trénovací a testovací podmnožina obsahovaly každá 100,000 XNUMX vstupních vektorů

x

obsahující

The: simulovaný RTOA v pásmech 470, 510, 640 a 856 nm, atmosférický tlak na hladině moře mezi 980 a 1040 hPa, úhel slunečního zenitu (s), pozorovací zenit (v) a relativní azimut ().

2.2. Inverzní model

V této studii byl implementován vícevrstvý perceptron (MLP), třída umělých neuronových sítí (ANN) s dopřednou vazbou [57], jako inverzní model založený na programu Neural Network Simulator v jazyce C, který vyvinul Malthouse [58], pro aproximaci funkčního vztahu mezi RTOA() Himawari-8 a koncentrací TSS. Předkládaný MLP se skládá ze vstupní vrstvy, skryté vrstvy a výstupní vrstvy neuronů. Každý neuron je propojen s každým neuronem následující vrstvy pomocí váhy. Postup strojového učení s dohledem nebo trénování lze popsat následovně:

·

Vstupní neurony (ni) přijímají vstupní vektor

x

, obsahující simulované odrazivosti

a výše popsaná pomocná data a šíří je do neuronů skryté vrstvy

(nh).

· Ve skryté vrstvě umělé neurony sčítají vážené vstupní signály, propouštějí je nelineární přenosovou funkcí a následně předávají své výstupy dál.

k neuronům výstupní vrstvy (ne).

· Nákladová funkce (tj. střední kvadratické chyby, MSE – rovnice (1)) mezi sim-

Pro celou trénovací datovou sadu (N = 100,000 1) se vypočítávají cílové výstupy yt a výstupy yc vypočítané umělou neuronovou sítí (ANN) a upravují se interní váhy (W2, WXNUMX) sítě.

· Trénování umělé neuronové sítě se opakuje, dokud není minimalizována nákladová funkce mezi výstupní a cílovou hodnotou.

MSE = y c – y t /N

(1)

Nákladová funkce je minimalizována iterativní úpravou váhových matic (W1, W2) pomocí optimalizačního algoritmu s omezenou pamětí Broyden-Fletcher-Goldfarb-Shanno [59]. Pro třívrstvou architekturu MLP je kompletní analytická funkce dána rovnicí (2):

yc

=

S2

×

W2 × S1

W1 × x

(2)

kde S1 a S2 jsou nelineární (rovnice (3)) a lineární přenosové funkce použité ve výstupní a skryté vrstvě.

S(x) = 1 + ex -1

(3)

Počet neuronů ve vstupní a výstupní vrstvě byl určen počtem vstupních a výstupních parametrů problému, zatímco několik experimentálních pokusů

Dálkový průzkum Země 2022, 14, 3503

6 z 23

byly nutné k určení optimálního počtu neuronů ve skryté vrstvě.

Experimenty byly navrženy s různým počtem neuronů skryté vrstvy od 10 do 100,

v krocích po 10. Pro inicializaci byl použit náhodný, ale pro všechny experimenty fixní počet semen –

váhová konfigurace sítí. Experimenty zahrnovaly hlavní komponentu

analýza (PCA) jako krok předběžného zpracování pro dekorelaci vstupů RTOA(). Experimenty byly navíc navrženy s 0.8 % spektrálně nekorelovaného signálově závislého náhodného m-šumu přidaného k vstupům RTOA v každém pásmu. Experimenty ANN byly trénovány a testovány s podmnožinou 100,000 XNUMX vstupních vektorů náhodně extrahovaných z radiačního přenosu.

simulovaný datový soubor. Každý vstupní vektor byl přiřazen logaritmické koncentraci TSS, která byla vybrána jako cílový výstup, který měl být aproximován kontrolovaným učením.

postup. Všechny experimenty byly trénovány na 1000 iterací a minimalizace nákladů

Funkce (rovnice (1)) byla vypočítána nad celým trénovacím datovým souborem v každé iteraci.

Pro monitorování trénování sítě byl použit nezávislý testovací soubor dat o N = 100,000 XNUMX vektorech.

výkon a aby se zabránilo nadměrnému nasazení.

–

2.3.

TBhaesHicipmraowceasrsi-in8- gOscteeapns

Zpracování barev pro Himawari-8 RAW

data

do

TSS

produkty

jsou

zobrazeno

in

Postava

3.

Byly získány pásy Himawari-1 VNIR úrovně 1 (L8) s plným diskem, extrahované nad oblastí GBR –

(10 J, 29 J, 140 V, 157 V), geolokováno a navigace opravena. Geolokovaná nezpracovaná data

byly transformovány na zářivosti úrovně 1b (L1b) TOA (LTOA() W m-2sr-1µm-1 ) prostřednictvím –

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

pásma. Kalibrované L1b LTOA() byly normalizovány pomocí mimozemského slunečního záření F() W-m-2 pro každé pásmo. F() bylo vypočítáno jako funkce dne v roce.

a s použitím průměrných hodnot mimozemského slunečního záření F založených na Kuruczovi [61] a adaptovaných na pásma Himawari-8 [62]. Výsledné odrazivosti TOA RTOA() sr-1 v pásmech VNIR Himawari-8 sloužily jako vstupy pro inverzní metodu. Kromě toho,

s, v, and values were calculated for each pixel of the satellite image as a function of latitude, longitude, and local time, following existing procedures [63], and converted into

kartézské souřadnice (x, y, z).

Obrázek 3. Vývojový diagram zpracování barev Himawari-8-Ocean. HSD označuje standardní data Himawari-8, GBR označuje Velký bariérový útes, VNIR označuje viditelné a blízké infračervené pásmo Himawari-8 (470, 510, 640 a 856 nm) a ANN označuje umělou neuronovou síť.

a

ACulsoturadlimanasckoinntginoenf tHainmdaswuarrroi–u8nodbisnegrvwaatitoenrss.

byl

vyvinutý Qinem a kol. [64] pro masku oblaků s rozlišením 2 km byl

resampvedlo k prachu a kouři

1plkummHesimfraowmabrii-o8mg-raisds

a zahrnuje maskování pixelů kontaminovaných vypálením. Stejně tak pixely identifikované jako vynořené

povrchy, jako jsou kontinentální oblasti, ostrovy a mělčiny, byly maskovány na základě tvarufiles

dostupné z databáze Správy mořského parku Velkého bariérového útesu [65]. Sluneční záblesk

–

Dálkový průzkum Země 2022, 14, 3503

7 z 23
Maska byla vytvořena výpočtem souřadnic hlavního bodu slunečního záření (PPS) jako funkce dne v roce (slunečního sklonu), místní hodiny, zeměpisné šířky a délky [66] s prostorovým rozlišením 1 km. Obrys slunečního disku byl uložen do vyrovnávací paměti pro kruhový poloměr 1300 km ze souřadnic PPS. Velikost poloměru byla zvolena po sérii vizuálních testů, které zajistily maximální pokrytí hlavní oblasti slunečního disku.
Pozorování z Himawari-8 byla normalizována pixel po pixelu a pro každé pásmo s téměř souběžnými satelitními daty o celkovém obsahu ozonu ve sloupci extrahovanými z produktu Total Ozone from Analysis of Stratospheric and Tropospheric Satellite components (TOAST) [67] před inverzemi. Produkt TOAST s prostorovým rozlišením 1.25 x 1 stupně a denním časovým rozlišením byl respondován.ampvedlo k 1 km pro shodu s mřížkou Himawari-8. Pozorování z Himawari-8 byla v každém pásmu normalizována poměrem mezi propustností ozonu odvozeného z TOAST k propustnosti simulované hustoty ozonového sloupce 344 DU. Kromě toho byla jako vstupy pro inverzi pozorování z Himawari-2 použita data o průměrném atmosférickém tlaku na hladině moře z NCEP/NCAR `Reanalysis 2′ PaRt68m [70]. Data z `Reanalysis 8′ jsou průměrována každých 2 hodin (6, 0, 6, 12 UTC) a sampvedeno na pravidelné globální mřížce s prostorovým rozlišením 2.5 stupně [71]. Nejbližší souběžná data PaRt2m byla získána a rozlišeníampvedlo k 1 km mřížce Himawari-8. Získané TSS, související masky a metadata byly uloženy v NetCDF file, včetně pixelově přiřazených příznaků pro vstupy a výstupy mimo rozsah. Rozsahy platných vstupů a výstupů byly definovány na základě simulované datové sady RT. Například pokud určitý vstupní a/nebo výstupní parametr pixelu překročil simulované rozsahy, byl pixelu přiřazen odpovídající příznak. Vstupní a výstupní příznaky byly sečteny pro každý pixel mřížky Himawari-8. Příznaky mimo rozsah byly aplikovány na produkty kvality vody před následnou validací a aplikačními analýzami.
2.4. Data in situ z Velkého bariérového útesu
Údaje o celkovém obsahu pevných látek (TSS) naměřené in situ v letech 2015 až 2018 Australským institutem mořských věd (AIMS) a Organizací Commonwealth Scientific and Industrial Research Organisation (CSIRO) byly získány z biooptické databáze IMOS [72] prostřednictvím portálu Australské sítě dat o oceánu (AODN). CSIRO i AIMS používají gravimetrickou metodu ke stanovení koncentrace TSS v mořské vodě. Metoda spočívá v měření suché hmotnosti suspendovaných pevných látek ze známého objemu mořské vody.amppo vakuové filtraci na předem zatíženém membránovém filtru. Další podrobnosti o metodologii používané AIMS a CSIRO jsou popsány v publikacích Great Barrier Reef Marine Park Authority [73] a Soja-Woz´niak et al. [74]. Přestože laboratoře AIMS a CSIRO používají mírně odlišné metody pro stanovení celkového objemu soudržnosti (TSS) (tj. počet replikátů, filtrační vložky, oplachování atd.), byly tyto soubory dat v tomto validačním cvičení zkombinovány. Celkem bylo zváženo 347 datových bodů in situ s celkovou hodnotou soudržnosti od 0.01 do 85 mg L-1 a průměrem 3.5 mg L-1. Datové body in situ do 1 km od pobřeží nebo útesů byly z analýzy vyloučeny, aby se snížily nejistoty způsobené vlivem sousednosti [75]. Zahrnuli jsme všechny in situ datové body mořské vody.ampÚdaje odebrané na povrchu (hloubka <0.5 m) na stanicích nacházejících se v proměnlivé hloubce vody (1.5 m až 40 m), přičemž nejmělčí datový bod vykazoval celkovou hmotnost sumy > 10 mg L-1.
2.5. Validační protokol
Validační protokol použitý v této studii navazuje na zkušenosti z předchozích validačních cvičení pro dálkový průzkum oceánů v Austrálii, včetně pobřežní oblasti GBR [27,76,77]. Tyto studie popisují kroky zpracování pro extrakci satelitních pozorování souběžně s měřeními in situ v pobřežní oblasti GBR, jakož i užitečné statistické metriky výkonnosti.
Více pozorování z Himawari-8 lze kombinovat v rámci časového rámce (tj. hourly) eliminovat potenciální odlehlé hodnoty a snížit šum senzorů a prostředí, což pravděpodobně zlepší odhady a validační výkon [7,9,16]. Pro tuto validaci byla proto získána všechna dostupná pozorování Himawari-8 naskenovaná do ±30 minut od zaznamenaného času in situ. Vybrána a zpracována 10minutová pozorování Himawari-8 ve VNIR

Dálkový průzkum Země 2022, 14, 3503

8 z 23

- -

pásy s přidruženým sluncem a geometrií pozorování byly rozděleny do rámečků o rozměrech 3 x 3 pixely,

se středem v souřadnicích každého souběžného in situ datového bodu. Stejně tak byly extrahovány 3x3pixelové podmnožiny souběžných masek (tj. mraky, pevnina, útesy a sluneční záření) a pomocná data (tj. ozon a tlak). Kompozity vybraných Himawari-8 v téměř věrných barvách –

Pozorování byla vizuálně kontrolována, aby se vyloučila shoda ve vodách s ostrými horizontálními

gradienty optických vlastností (tj. fronty zákalu) nebo blízké mraky.

–

HourlKompozity y platných podmnožin byly vypočítány časovým průměrem, bez ohledu na –

maskované pixely. HourlAgregované podmnožiny y byly zpracovány s inverzí ANN.

algoritmy a maskované pro hodnoty mimo rozsah. Nakonec medián a směrodatná odchylka

z hourlByly vypočítány podmnožiny y TSS, s vyloučením m-pásmových pixelů. Za platné pro porovnání byly považovány pouze podmnožiny se dvěma nebo méně pixely maskovanými na pixelový box. ANN

Výstupy byly vypočítány v logaritmickém měřítku (log10) a souběžná in situ TSS byla logaritmicky transformována pro statistickou analýzu.view postupu validace je znázorněn

na obrázku 4. Výkony byly vyhodnoceny s ohledem na jejich střední kvadratickou chybu

(RMSE – nebo absolutní chyba), zkreslení, průměrná absolutní procentatagchyba e (MAPE – nebo relativní chyba) a koeficient determinace (R2). Bias, R2 a RMSE byly vypočítány v log10

–

prostor a MAPE byl vypočítán v lineárním měření a p bylo odvozeno ze satelitu

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)

2 R =

N

N(mp)- ( m)( p) m2 – ( m)2 N p2 – (

p)2

(6)

Odchylka = 1/N (m -p)

(7)

Experimenty s porovnáváním ANN byly seřazeny na základě výše popsaných statistických metrik. Přednost byla dána experimentům s nejnižší hodnotou RMSE, protože tento statistický parametr je nákladovou funkcí, která je minimalizována během trénování ANN. Byl vybrán experiment s nejlepšími výsledky a nejnižším počtem neuronů ve skryté vrstvě, aby se snížily výpočetní nároky na inverzi pozorování Himawari-8 v celém GBR.

Obrázek 4. Zjednodušený pohledview postupu validace algoritmu.

2.6. Posouzení omezení

Poměry signálu k šumu (SNR) byly vypočítány pro viditelný a blízký infračervený záření.

HEaimstearwnaSrti-a-8ndLTaOrdA

(Tim) oeb–seArvEaStTio)nast

naskenované vybrané

mezi 08:00 a 16:00 místními termíny a oblastmi bez cloudu

čas (australský z Korálového moře

–

Dálkový průzkum Země 2022, 14, 3503

9 z 23

(16.25 j. š., 151 v. d. a 20.60 j. š., 153.53 v. d.). Pro tuto analýzu byla zvážena pouze pozorování provedená po červenci 2017, jelikož jejich kalibrační koeficienty byly korigovány na koherentní šum a šum horizontálních pruhů [63,78]. Pro výběr cílové oblasti a pro zajištění prostorové uniformity a nepravděpodobnosti ovlivnění oblačností, slunečním zábleskem, biooptickými prvky a kouřovými oblaky z pozemského hoření byly procházeny snímky v reálných barvách dostupné prostřednictvím systému Himawari-8 Monitor P-Tree System [79]. Vybraná pozorování Himawari-80,81 byla převedena z hrubých počtů na fyzikální jednotky použitím kalibračních koeficientů [8], přičemž byly extrahovány podmnožiny o rozměrech 60 x 51 pixelů a vycentrovány na souřadnicích oblastí zájmu. Kromě toho byly podmnožiny, související masky a geometrické parametry vybrány.urlagregované y. 10 minut a hodinurlAgregované podmnožiny y byly maskovány pro mraky, pevninu, útesy a sluneční záblesky a jejich téměř věrné barevné kompozity byly kontrolovány na přítomnost nezjištěných prvků, jako jsou korálové ostrovy, útesy, stíny mraků a artefakty senzorů.
Poměr signálu k šumu (SNR) byl vypočítán pro každé pásmo Himawari-8 podle rovnice (8) [80]. Zprůměrování LTOA() pro všechny platné pixely v cílové oblasti dává Ltypical() a vypočítání směrodatné odchylky () ve stejné oblasti dává ekvivalentní zářivost šumu (Lnoise()). Poměr signálu k šumu se vypočítá jako poměr mezi Ltypical a Lnoise v každém pásmu:

SNR() = Ltypický()/Lšum() = LTOA()/(LTOA())

(8)

Denní variabilita a rozdíly ve velikosti mezi SNR vypočítanými s 10 min a hourlV každém pásmu byla prozkoumána agregovaná pozorování Himawari-8 (SNRSING() a SNRAGG()). Kromě toho byly vyhodnoceny jejich spektrální charakteristiky pro rozsahy s, protože je známo, že hladiny šumu se mění s výškou Slunce [80]. Nakonec byla vypočítána související procenta.tagHladiny šumu (% šumu) byly vypočítány pro s = 45 ± 1 a použity k vyhodnocení citlivosti algoritmu na typické hladiny šumu Himawari-8.
Algoritmus TSS vyvinutý v této studii byl trénován se spektrálně plochým (nekorelovaným) fotonovým šumem (0.8 %), který byl přidán do trénovací datové sady, za předpokladu omezené znalosti výkonnostních charakteristik senzorů nad oceánskými cíli. Pro vyhodnocení inverzní stability a pro provedení základní analýzy citlivosti algoritmu TSS byl do testovací datové sady přidán a invertován spektrálně plochý fotonový šum 0.1, 1.0, 10 a 50 %. Kromě toho byl do testovací datové sady přidán %šum spojený s pásmy Himawari-8, aby se kvantifikovaly vlivy spektrálně závislých hladin šumu na přesnost vyhledávání TSS. Stabilita vyhledávání byla interpretována z hlediska konstantních přírůstků RMSE v širokém rozsahu TSS (0.01 až 100 mg L-1) rovnoměrně rozložených v logaritmických koncentracích. Kromě toho byly podélné transekty produktů TSS odebrané v homogenních a bezoblačných vodách pobřežního GBR a v Korálovém moři vyhodnoceny v pixelovém měřítku pro kvalitativní posouzení hladin šumu Himawari-8.

3. Výsledky
3.1. Validace algoritmu
Bylo trénováno několik sítí s různými konfiguracemi architektury a pro inverze byla vybrána nejvýkonnější síť s nejnižší možnou střední hodnotou skutečné (RMSE) a nejnižším počtem neuronů ve skryté vrstvě. Vybraný experiment s 50 neurony ve skryté vrstvě načetl celkovou hustotu substrátu (TSS) v rozmezí od 0.14 do 24 mg L-1, s pozitivním R2 a vychýlením 0.014 mg L-1, MAPE 75.5 % a 10RMSE 2.08 mg L-1, jak je znázorněno na obrázku 5.

Dálkový průzkum Země 2022, 14, 3503

10 z 23

Obrázek 5. In situ a Himawari-8-derivované TSS s nejlépe fungujícím experimentem ANN, s hodnotami in situ TSS barevně kódovanými d v logaritmické stupnici. Chybové úsečky představují intrapixelovou směrodatnou odchylku TSS v rámečku 3x3 pixelů. Různé symboly označují in situ data shromážděná metodou AIMS.
a CSIRO v LJCO.
–
3.2. Celkové suspendované sírany Himawari-8 pro Velký bariérový útes
Obrázek 6 ukazuje téměř věrný barevný kompozitní snímek Himawari-8 (levý panel) pořízený 27. října 2017 nad oblastí GBR a odpovídající produkt TSS s časovým rozlišením 10 minut (pravý panel). Vody v laguně GBR mají TSS obecně 1 mg L-1 nebo vyšší, zatímco vody pobřežní oblasti GBR vykazují hodnoty pod 1 mg L-1. Produkt TSS odhalil silnou granulaci a pruhový šum v oblastech otevřeného oceánu Korálového moře.

Obrázek 6. Snímky Velkého británského regionu v téměř věrných barvách, pořízené 8. října 27 v 2017:15 AEST pomocí radioteleskopu Himaw-ari-00 (levý panel) a související produkt TSS [mg L-1] (pravý panel). Pixely maskované černou barvou kvůli oblačnosti a hodnotám mimo rozsah.

Byly zkoumány fluktuace celkového tlaku vzduchu (TSS) v Himawari–8 v ústí řeky Burdekin a nad jižní částí Velké Británie.

pro matici útesů pobřežních vod (obrázek 7

saunrdroaunn-imdinatgiothnes

v odkazu). Povodeň v Burdekinu z 12. února 2019 způsobila sedimentární oblak, který

dosáhl vnějších útesů (50 km od ústí) mezi 3. a 4. hodinou s celkovou hmotností soustavy > 20 mg L-1.

–

–

–

–

–

—

Dálkový průzkum Země 2022, 14, 3503

- -
–

–
–

11 z 23
–

Sedimentární oblak z řeky Burdekin se vyvíjel během přílivu s rozsahem 0.3 m mezi odlivem a přílivem. Pobřežní vody v blízkosti útesů zaznamenaly řádový nárůst celkových suchých látek (3.6, 26.4 mg-L-1) v rámci polodenního přílivového cyklu (křížek na obrázku 7 (levý panel) a obrázku 8a). Útesy pokryté povodňovou vodou byly vystaveny celkovým suchým látkám ~40krát vyšším, než je doporučená hodnota 0.7 mg-L-1 [82]. Oblasti, kde celkové suché látky překročily 100 mg-L-1 v blízkosti ústí, byly maskovány (černé oblasti) jako hodnoty mimo rozsah (příznaky ANN). Animace kolísání celkových suchých látek po hlavním vypouštění je k dispozici na obrázku S1.

Obrázek 7. Povodňový oblak vytékající z řeky Burdekin, únor 2019 (levý panel). Přílivové trysky TSS v rámci útesové matice GBR v listopadu 2016 (pravý panel). Všimněte si různých rozsahů v každém grafu. Pixely maskované černou barvou jsou způsobeny hodnotami TSS mimo rozsah.
Zatímco velké povodně vykazují v pobřežním GBR jasné rysy TSS, v jižním GBR jsou pozorovány submezoměřítkové přílivové proudy obklopující matrici mělkých a ponořených útesů (obrázek 7 (pravý panel)), což ukazuje, jak tyto různé podmínky ovlivňují krátkodobou variabilitu TSS. Animace na obrázku S2 ilustruje dynamiku fluktuací TSS vyvolaných slapovými vlivy, kde k vysokému (4 m) a nízkému (0.2 m) přílivu došlo v 10:6, respektive 8:0.3 (obrázek 2.0b). Koncentrace TSS poblíž Heralds Reef (označené křížkem) kolísaly během dne přibližně o jeden řád (1, 0.7 mg L-1), přičemž hodnoty překračovaly prahové hodnoty kvality vody doporučené pro otevřené pobřežní GBR (XNUMX mg L-XNUMX). –

Obrázek 8. Časová řada 10minutových hodnot celkového obsahu solí (TSS) odvozených z metody Himawa-ri–8 v ústí řeky Burdekin během povodní v únoru 2019 (a) a v útesové matici jižní části Velké Británie v listopadu 2016 (b), jak je znázorněno na obrázku 7. Chybové úsečky představují směrodatné odchylky mezi pixely. Směrné prahové hodnoty pro pobřežní (2.0 mg L–1) a střední část šelfu (0.7 mg L-1) vody jsou vyznačeny červeně. Všimněte si různých časových rozsahů na každém obrázku.
– –
–

Dálkový průzkum Země 2022, 14, 3503

12 z 23
3.3. Detekční limity Poměr signálu k šumu (SNR) vypočítaný ze dvou sad pozorování Himawari-8 je uveden na obrázku
grafika na obrázku 9. Několik jednotlivých pozorování bylo zmeškáno kvůli intenzivní oblačnosti, zejména 06. září 2017, což vedlo k mezerám v datech v časové řadě. SNRSING a SNRAGG vykazovaly jasné denní fluktuace, přičemž nejvyšší SNR se vyskytoval v nejnižších s (<30), mezi 11:12 a 470:510. Velikost a denní variabilita byly vyšší pro SNRAGG a v modrém a zeleném pásmu (640 a 856 nm) ve srovnání s hodnotami vypočítanými pro SNRSING. SNR vypočítaný pro pásma 06 nm a 2017 nm byl nejméně třikrát nižší než SNR vypočítaný pro modré a zelené pásmo, s jemnými denními variacemi. Denní fluktuace SNR mezi dny a lokalitami se lišily, zejména pro modré pásmo a ze SNRAGG. Dne 22. září 9 (průměrná hodnota v~25) byly SNRAGG v modrém a zeleném pásmu podobné co do velikosti (obrázek 2017b). Dne 28. září 9 (na jiném místě s průměrnou hodnotou v~XNUMX) vykazoval modrý pás SNRSING téměř dvakrát vyšší hodnotu než zelený pás (obrázek XNUMXd).

Obrázek 9. Časové řady poměrů signálu k šumu (SNR, pravá osa) vypočítaných pro jednotlivá pozorování (SNRSING) (a, c) a pro agregovaná pozorování (SNRAGG) (b, d) s přidruženými s (levá osa). S-NR je
barevně kódováno podle pásma.

Skupiny

spektrální variabilita s, kde standardní

U SNRSING a SNRAGG byly znázorněny odchylky v rámci každé skupiny.

na obrázku vyneseném jako

10 pro limit

tři chyby

sloupce. Jednotlivá pozorování obvykle poskytla nižší poměr signálu k šumu (SNR) než agregovaná pozorování.

ve všech pásmech a SNR byl nejvyšší pro obrázek 9. Standardní odchylky SNR

s < 30, v souladu s údaji vypočítanými pro jednotlivé i agregované

prezentováno v pozorováních

wfoerresm>o4r0epartotnhoeubnlcueedbfoanr dsp>re4s0enatenendd

v modrém a zeleném pásmu. Standardní odchylky 27 a

SNR vypočítaný na 51 pro SNRSING

a odchylky SNRAGG

, v uvedeném pořadí, zatímco 13. a 26. v uvedeném pořadí.

SNR vypočítaný pro zelený pás prezentovaný standardně. Tyto odchylky pravděpodobně souvisejí s proměnnou

atmosférické podmínky každého místa, které jsou zesíleny v modrém a zeleném pásu

a při vysokých atmosférických drahách.

Dálkový průzkum Země 2022, 14, 3503

13 z 23

Obrázek 10. Spektrální rozložení poměrů signálu k šumu vypočítaných pro jednotlivé signály (SNRSING) (-a) a

agregovaná pozorování (SNRAGG) (b) a seskupená jako standardní odchylky SNR v rámci každé skupiny

pro s.

tři

rozsahy

of

s.

Chyba

bary

byli

vypočítané

TgcorhemegpaSTtNuehtdReedASoGNbfGsoRerrvAvaaGallGluti,seoitsnnhsgceolwLemtioytphpbiicslaeesldr,=vaiann4t5diToaLn±bnsole1iwse2iawtwhnederersaec=saosob4m5copiuaitlt±eetddw1ipinceweTrcaaeebsrnelhetiai2ngg.chelLunaikdsoeeitswdheeifs(oc%eor, NtrchrooeeimssSpepN)oaf–nRordiSrsIiNaongnGg-. SNRSING, s výjimkou červeného pásu. Nicméně vysoké hladiny šumu v červené oblasti (~3 %) a v pásmu tshigenNalIRdebsapnidtest(h~e5%eff)oinrtdsiicnataevtohiadtinthgeeSnNviRroAnGmG emnataylbceonmdoistitolynsafifnecitmedagbeystehleecattimono.sTp-hhiesriics jsou zvláště patrné v pásmu blízkého infračerveného záření, kde je záření vyzařované vodou v čistých vodách otevřeného oceánu považováno za zanedbatelné.

–

–

–

Tabulka 2. Viditelné a blízké infračervené záření Himawari-8 Ltypical a Lnoise W m-2sr-1µm-1 a související

procenttagŠum (% šumu) pro SNRAGG při s = 45 ± 1. Vypočítané hodnoty SNRSING při s = 45 ± 1

byly přidány pro srovnání.

Pásmo 470 510 640 865

Typické 59.5 38.3 13.8 3.4

Hluk 0.26 0.29 0.41 0.18

%Hluk
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

když se přidá 50 % spektrálně plochého fotonového šumu. Mezitím byly získány velké chyby (>300 %).

k Himawari-8 pro vyzvednutí TSS

pásma níže

(Obrázek e 0.1 mg

11a). L-1,

bez ohledu na typ a úroveň šumu. V realističtějším scénáři, kdy je spektrálně závislý

fotonový šum (tj. % šumu z tabulky 2) - je připočten k pásmům Himawari-8, chyby jsou

většinou pod 100 % - pro celkovou hodnotu soudržnosti těla (TSS) > ~0.25 mg L-1 (obrázek 11 (pravý panel)). Proto pro získání

Pro spolehlivé nalezení obsahu z Himawari-8 pomocí současného algoritmu TSS byl zvolen detekční limit 0.25 mg L-1. Pro srovnání byly vypočítány detekční limity nalezení TSS

z atmosféricky korigované Himawari-8, jak je uvedeno v Dorji a Fearns [17], je reprezentováno jako

svislá přerušovaná čára při 0.15 mg L-1.

Dálkový průzkum Země 2022, 14, 3503

14 z 23

Obrázek 11. Chyby vyhledávání RMSE (v mg/l) pro spektrálně ploché (levý panel) a spektrálně závislé (pravý panel) hladiny fotonového šumu. Hodnoty TSS z radiačního přenosu (RT) a související hodnoty RMSE jsou uvedeny v logaritmickém měřítku. Svislá přerušovaná čára při 1 m/g/l představuje detekční limit adaptovaný z Dorji a Fearnse [0.15], 1. Svislá přerušovaná čára při 17 m/g/l představuje detekční limit této metody.
Vizuální kontrola hladiny hluku odhalila silnou granulaci a vodorovné pruhy v částicovém grafu (např. iogttitnnruhbraeraHstnbhneTsiierumdeSvlcCSaaactAtostwoiiGroaooaaGnsnfrl-tiTsaSw-(-h8lSeTaoaSaTSswSrS(SIesmNSEeaIGdNvaspgeGra(iroenT)nendcSdlatruySnaeTcrad>atSessrSdei~r(nAdouF1GwicomgmeGpsu-da,egtrsaFnei-knLki1goie-an2ucn1g)ger,)geba.parne1raIetno2rgwwt)uaiaeacantd-eeutrdeenddlarciis1T-rtllill5oS(oyu1TuSnswSdtpErtS-haorpaeot)

–

–

Obrázek 12. Umístění transektů (fialové šipky) extrahovaných pro TSSSING(a) a TSSAGG(b). Všimněte si

kumulativní maskování oblačnosti v pozorováních TSSAGG.Himawari-8 pořízených 9. září 2017 mezi n

10:00 a 10:50 místního času (AEST).

–

Transekt sampvedené mezi 19. a 20. stoletím v Korálovém moři (obrázek 13a) prezentované

Hodnoty TSSSING a TSSAGG byly většinou pod detekčními limity metody (0.25 mg L–1), což může vést k chybám při načítání přesahujícím 100 %. TSSSING vykazoval špičky nebo různé řády hodnot velikosti vyskytující se postupně na pixelové škále (nebo do 1 km).

V důsledku toho byly mezi sousedními pixely pozorovány rozdíly až do výše 0.3 mg L-1,

jak je naznačeno sented smoother

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

Dálkový průzkum Země 2022, 14, 3503

15 z 23

—

–

–

–

between TSSSING and T-SSAGG in the transects taken in the coastal GBR (Figure 13b), particularly for TSS -> 1 mg L-1. However, with increasing distance from the coast, TSS dropped below 1 mg L-1 and differences between TSSSING and TSSAGG were enhance-d. Although- most TSSSING pixels of Figure 13b were abo-ve-detection limits (0.25 mg L-1), they presented- poor spatial coherency in the coast-to-ocean transition area (151.4 to 152-.0E). Because TSSSING and TSSAGG provide comparable results for TSS > ~1 mg L-1, both may be appropriate for monitoring the coastal GBR. However, TSSAGG presents overall better spatia-l coherency and may be preferred over TSSSING, depending on the area of application.

Obrázek 13. Transekty TSS (mg L–8) odvozených z Himawari–1 odebraných v Korálovém moři (a) a v rámci
pobřežní vody GBR (b) z TSSSING (modré tečky) a TSSAGG (červené tečky). Mezery v datech představují pixely maskované pro mraky, pevninu, sluneční záblesky nebo příznaky ANN, kde je to vhodné. Anotované TSS (černými šipkami) označují hodnoty pixelů na vrcholu a zelená vodorovná čára označuje detekční limit.
metoda.

4. Diskuse
Synoptické monitorování kvality vody v rozsáhlém a opticky komplexním regionu GBR je prioritou a představuje výzvu pro environmentální manažery a výzkumníky [2,83]. Přestože dálkový průzkum oceánů má přísné radiometrické a spektrální požadavky, Himawari–8 nabízí nebývalý počet pozorování pro pokročilé monitorování kvality vody v regionu GBR. Tento článek představuje první pokročilý algoritmus dálkového průzkumu, lokálně vyladěný a validovaný pro synoptické monitorování kvality vody v denních měřítkách v regionu GBR.

4.1. Vývoj a validace algoritmů

Spojenými simulacemi radiačního přenosu oceán-atmosféra byl získán rozsáhlý a

trhoebuospttdicaatlavbaasrieaobfilRityTOoAf dthisetrGibBuRt.ioTnhienmthaechHinime alewaarrnii–n8gVANNIRNbaalngdosr,itphamramdeevteelroispeeddfoinr

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

robustnost vstupu splňuje minimum

rnaodisioemweatsriecsrpeeqcuiairlelymaednvtsanotfaogceeoaunsccoolnosuirdseerninsgo-rHs iamnadweanrvii-r8odnomeesnntoatl

Hluk, zejména z atmosféry, může do značné míry ovlivnit vyhledávání dat. Tyto výsledky

Dálkový průzkum Země 2022, 14, 3503

16 z 23
povzbudilo k dalšímu využití pozorování Himawari-8 pro validaci s údaji o kvalitě vody in situ v GBR.
Získané chyby shody TSS pro Himawari-8 se dobře srovnávaly s cíli mise definovanými pro jiné senzory barvy oceánu, jako je Sentinel-3 ve vodách případu 2 [85], zejména pro TSS nad 0.1 mg L-1. Výkonnost tohoto algoritmu se dobře srovnává s algoritmy používajícími atmosféricky korigovaná pozorování Himawari-8 [17,24], což naznačuje vhodnost odvozování pobřežních TSS s jednokrokovými inverzemi založenými na modelu. Explicitní postupy atmosférické korekce mohou zlepšit získávání pro nižší rozsah TSS (<~1 mg L-1), který je pravděpodobně ovlivněn dominantní atmosférickou radiancí a nízkým radiometrickým výkonem Himawari-8.
Zlepšení výkonu by vyžadovalo větší a komplexnější databázi biooptických měření in situ pokrývajících relevantní prostorové a časové škály variability. Kromě toho je třeba dodržovat přísné protokoly měření, aby se snížily nejistoty spojené s parametrizací a validací algoritmů v pobřežních vodách. Například trojnásobné měření...ampPro stanovení celkového objemu solí gravimetrickou metodou se doporučují soubory. Kromě toho se provádějí validační testy.ampMěření by měla být prováděna v opticky homogenních vodách [86], což je obzvláště obtížné ve vysoce dynamickém pobřežním prostředí. Nicméně řada výzkumných agentur s různými vědeckými prioritami a využívajícími specifické metody zpřístupnila měření in situ.ampMetody analýzy a lingu. Kromě toho nebyly zohledněny fyzikální a environmentální procesy, jako je odrazivost dna, fluorescence, obousměrná odrazivost, polarizace a škodlivé květy řas, které však mohou také přispívat k chybám při vyhledávání shod.
4.2. Celkové množství nerozpuštěných látek pro Velký bariérový útes v systému Himawari-8
Himawari-8 umožnil monitorování epizodických povodní v oblasti Velké Británie v téměř reálném čase a odhalil řádový nárůst celkového průtoku vody (TCS) během jednoho dne. Tato událost byla pozorována během období dešťů, kdy řeka Burdekin vypouštěla ​​mezi 0.5 a 1.5 miliony ml/den po dobu 10 po sobě jdoucích dnů (řeka Burdekin u stanice Clare [87]). Kolísání celkového průtoku vody z povodňového oblaku Burdekin byly výrazně nad prahovou hodnotou pro kvalitu vody 2 mg L-1 pro otevřené pobřežní a střední šelfové vody, stejně jako 0.7 mg L-1 pro pobřežní vody Velké Británie [82]. Povodňový oblak sahal 50 km do vnějších útesů a jeho denní vývoj byl krok za krokem sledován pomocí 10minutových TSS odvozených z Himawari-8. Himawari-8 tak poskytl bezprecedentní počet pozorování pro kompletní kvalitativní a kvantitativní monitorování povodňových událostí v oblasti Velké Británie. Maskované pixely v povodňových vodách indikují hodnoty nad 100 mg L-1, což znamená, že by se simulační rozsah měl rozšířit pro hodnoty nad tímto limitem pro odběry během povodní ve Velké Británii.
Charakteristické rysy TSS v jižní útesové matrici jsou pravděpodobně výsledkem krátkodobých submezoskopických resuspenzních vírů (průměr 1 km), často označovaných jako slapové trysky. V jižní části Velkého británského zálivu (GBR) vyvolávají velké rozsahy přílivu a odlivu (10 m) silné proudy [5], které tlačí vodu úzkými a relativně mělkými kanály [10]. Tato komplexní hydrodynamika podporuje resuspenzi a vstřikování TSS z šelfového zlomu do útesové matrice a koncentrace TSS v těchto oblastech jsou pravděpodobně nezávislé na pozemních zdrojích [88,89]. Přílivové trysky jsou spojovány s lokalizovaným upwellingem a výměnou živin mezi Korálovým mořem a lagunou GBR [90] a jsou důležitým mechanismem transportu a míchání sedimentů, živin a produkce fytoplanktonu [91]. Poloha a výskyt slapových trysek jsou však jen zřídka popsány kvůli nedostatku vhodných prostorových a časových pozorování [92,93]. Himawari-94 umožnil identifikaci a sledování takových útvarů v rámci GBR s požadovaným časovým rozlišením pro vyřešení krátkodobých pobřežních procesů.
4.3. Omezení
Himawari-8 poskytuje ve srovnání s minulými i v současnosti funkčními senzory barvy oceánu horší poměr signálu k šumu (SNR) a jeho citlivost je hluboko pod minimálními požadavky pro aplikace zaměřené na barvu oceánu, zejména nad otevřenými oceánskými vodami [80]. Himawari-

Dálkový průzkum Země 2022, 14, 3503

17 z 23
Je nepravděpodobné, že by se průměrné radiometrické rozlišení 8 bitů u metody 11 dostalo do saturace nad jasnými cíli, jako jsou mraky [80], a nad extrémně kalnými pobřežními vodami (TSS ~100 mg L-1), přičemž by poskytlo dostatečnou citlivost k zajištění rozumné úrovně diskretizace nad čistou vodou (>0.25 mg L-1). Hladiny šumu vypočítané z agregovaných pozorování byly obecně nižší než z jednotlivých pozorování ve všech pásmech, což potvrzuje vhodnost snížení časového rozlišení pro zlepšení kvality obrazu [7,16]. Přestože jsou denní fluktuace SNR do značné míry modulovány úhly elevace Slunce, spektrální závislost naznačuje, že značný zdroj vstupního šumu (3 % v červeném a blízkém infračerveném pásmu) ve vodách otevřeného oceánu může pocházet z atmosféry [5]. Detekční limit této metody (80 mg L-0.25) je nicméně srovnatelný s limity využívajícími explicitní atmosférickou korekci inverze meteorologických dat [1].
Detekční limit 0.25 mg L-1 se blíží detekčnímu limitu in situ TSS měřeného gravimetrickou metodou ~0.4 mg L-1 pro AIMS a CSIRO. Relativní nejistoty gravimetrické metody jsou spojeny s protokolem měření používaným různými laboratořemi, mezi které patří rozdíly v typech filtrů, zkreslení obsluhy, oplachování solí atd. [99,100]. Například krystaly soli zachycené ve filtrech ze skleněných vláken do značné míry ovlivňují měření TSS a sůl by měla být odstraněna oplachováním filtračního zařízení [101,102]. Přesto byly při použití různých technik oplachování solí dosaženy chyby až 30 %, což brání přesnému stanovení TSS nižších než 1 mg [101]. Detekční limity a relativní nejistoty měření in situ a TSS odvozených z Himawari-8 jsou proto pro tuto studii srovnatelné. Tento výsledek naznačuje, že Himawari-8 nabízí příležitost přesně monitorovat denní variabilitu kvality vody v pobřežní GBR pro TSS mezi 0.25 a 100 mg L-1.
Produkty TSS odvozené z Himawari-8 vykazovaly systematické horizontální pruhování, jehož velikost obecně odpovídá jednotlivým horizontálním skenům (500 km), jak dříve identifikoval Murakami [22]. Pruhování bylo důsledkem rozdílů v kalibračních sklonech mezi detektory z pozorování slunečního difuzéru ve viditelných pásmech [103,104]. Přestože byly kalibrační koeficienty použity pro pozorování po červenci 2017, vzory horizontálního pruhování byly stále přítomny v pobřežních vodách a s TSS < 1 mg L-1. Kromě toho byla u produktů TSS odvozených každých 10 minut pozorována silná granulace, která mohla souviset s nízkým radiometrickým výkonem senzoru Himawari-8 nad vodními cíli [17,22]. Vizuální šum však byl do značné míry snížen časovou agregací několika jednotlivých pozorování do ...urlprodukty TSS odvozené z y [16]. Naštěstí byl granulovaný šum zanedbatelný v pobřežních a mírně kalných vodách (TSS > 1 mg L-1), a to buď od 10 minut, nebo od hourlProdukty y TSS. Tento výsledek může souviset se zvýšeným zpětným rozptylem suspendovaných částic, což zvyšuje zářivost odcházející z vody a přehlušuje fotonový šum [105]. V důsledku toho je pravděpodobnější, že TSS odvozené z Himawari-8 budou přesně získány nad mírně kalnými pobřežními vodami než nad otevřeným oceánem, což potvrzuje analýzu detekčních limitů.
Mezipixelové variace v oblastech otevřeného oceánu (TSS < 0.25 mg L-1) pravděpodobně souvisely s granulovanými vzory pozorovanými při vizuální kontrole, a to kvůli nízké citlivosti senzoru Himawari-8 s rozlišením 10 minut. Radiometrický šum pro TSS pod 0.25 mg L-1 byl v agregovaných TSS značně snížen, což potvrzuje analýzy citlivosti a vizuální kontroly. Naopak, v transektu pobřežní GBR byla pozorována zlepšená prostorová koherence pro TSS > 1 mg L-1. V důsledku toho lze TSS odvozené z Himawari-8 s rozlišením 10 minut použít se stejnou jistotou jako TSS odvozené z ho...urlagregovaná pozorování v pobřežních oblastech. Získávání TSS každých 10 minut v pobřežní GBR zlepšuje rozlišení rychle se měnících kolísání kvality vody během hodiny. Tato časová frekvence téměř v reálném čase však vyžaduje rozsáhlé kapacity zpracování a ukládání, které mohou být pro celou GBR neproveditelné. Produkce hourlTSS jinak nejen zlepšuje rychlost zpracování a úložné kapacity, ale také pomáhá eliminovat odlehlé hodnoty a zvyšovat přesnost produktů TSS.

Dálkový průzkum Země 2022, 14, 3503

18 z 23
5. Závěry a budoucí perspektivy
Monitorování in situ a data ze satelitů LEO nám poskytly mnoho znalostí o povodňových oblakech vstupujících do GBR [4,106–108]. Nicméně, nepravidelná a prostorově nedostatečná pozorování bránila plnému pochopení vývoje a evoluce povodňových oblaků v krátkých časových horizontech. Tato studie prokázala vhodnost Himawari-8 pro spolehlivé získávání TSS v pobřežním GBR a pro mapování, sledování a monitorování povodňových oblaků. Poprvé byly vlastnosti pobřežního TSS spolehlivě kvantifikovány pro celý GBR, a to rychlostí možnou pouze s biogeochemickými a hydrodynamickými modely [109]. Produkty Himawari-8 TSS umožňují charakterizovat a řešit periodické a krátkodobé jevy s bezprecedentním časoprostorovým rozlišením. Tyto produkty budou užitečné pro výzkumníky, modeláře a zúčastněné strany, kteří posuzují dopad kvality vody v ekosystémech GBR, a to v současné době pouze pomocí produktů LEO Orbit Ocean Colour [109]. Denní změny a faktory, které ovlivňují kolísání kvality vody v GBR, by měly být dále zkoumány pomocí produktů Himawari-8 TSS a dat o pobřežních procesech, jako jsou příliv a odliv, vítr a vypouštění sladké vody. Algoritmus prezentovaný v této studii lze navíc přímo použít na identický senzor Himawari-9 AHI, který by měl do roku 8 nahradit Himawari-2029. Mise Himawari nové generace (Himawari-10) je ve fázi plánování a je možné přidat další kanály ve viditelném rozsahu, stejně jako zlepšit citlivost a prostorové rozlišení. Tyto vlastnosti by do značné míry rozšířily možnosti algoritmů pro měření barev oceánů u geostacionárních senzorů, což by umožnilo přesnější vyhledávání dat v pobřežních vodách v denním měřítku. Podobně Advanced Meteorological Imager (AMI) na palubě družice GEOKOMPSAT-2A a GOCI-II (GEOKOMPSAT-2B) v současné době pozorují Austrálii a východní Asii a podobný algoritmus strojového učení by mohl být vyvinut pro využití těchto velkých a hojných datových sad téměř v reálném čase. V této souvislosti tato studie poskytuje pokročilý algoritmus a vyhlídky na potenciální aplikace, které by měly být vyvinuty, až se senzory pro měření barev oceánů na geostacionárních platformách stanou v Austrálii realitou.
Doplňkové materiály: Následující materiály jsou k dispozici online na adrese https://www.mdpi.com/article/10.3390/rs14143503/s1, Obrázek S1: Denní variabilita celkových suspendovaných látek nad ústím řeky Burdekin v únoru 2019 z 10minutových pozorování družicí Himawari-8, Obrázek S2: Denní variabilita celkových suspendovaných látek nad jižní částí Velkého bariérového útesu poblíž Heralds Reef v listopadu 2016 z 10minutových pozorování družicí Himawari-8.
Příspěvky autorů: Konceptualizace, LP-V. a TS; metodologie, LP-V. a TS; software, LP-V., TS a YQ; validace, LP-V.; formální analýza, LP-V.; kurace dat, LP-V., TS a YQ; psaní – příprava původního návrhu, LP-V.; psaní – přepracováníview a editace, TS, MJD, SS a YQ; supervize, TS, MJD a SS; získávání finančních prostředků, LP-V. Všichni autoři si přečetli a souhlasí s publikovanou verzí rukopisu.
Financování: Tento výzkum byl financován Nadací Národní rady pro vědecký a technologický rozvoj (CNPq) brazilské federální vlády prostřednictvím programu Vědy bez hranic, číslo grantu 206339/2014-3.
Prohlášení o dostupnosti dat: Data uvedená v této studii jsou k dispozici na vyžádání u příslušného autora.
Poděkování: Děkujeme Juergenu Fischerovi a Michaelovi Schaaleovi (Institut vesmírných věd, Katedra věd o Zemi, Svobodná univerzita v Berlíně) za poskytnutí přístupu ke kódu MOMO pro radiační přenos a za nástroj pro inverzní modelování. Brittě Schaffelke, Michele Skuza a Renee Gruber (AIMS) děkujeme za poskytnutí cenných dat in situ shromážděných v rámci Programu monitorování moří pro kvalitu pobřežní vody, což je spolupráce mezi Správou mořského parku Velkého bariérového útesu, Australským institutem pro mořské vědy, Univerzitou Jamese Cooka a Partnerstvím pro monitorování vody v Cape York. Japonská meteorologická agentura děkujeme za provoz družice Himawari-8 a distribuci dat prostřednictvím Australského meteorologického úřadu. Australský meteorologický úřad děkujeme za poskytnutí dat pro predikci přílivu a odlivu. Data in situ byla získána z australského Integrovaného systému pro pozorování moří (IMOS) – IMOS je umožněn Národní strategií pro spolupráci v oblasti výzkumu (NCRIS). NCRIS (IMOS) a CSIRO.

Dálkový průzkum Země 2022, 14, 3503

19 z 23

jsou uznáváni za financování pobřežní observatoře Lucinda Jetty. Tento výzkum byl proveden s pomocí zdrojů z Národní výpočetní infrastruktury (NCI Australia), což je zařízení s podporou NCRIS a australské vlády.
Střet zájmů: Autoři prohlašují, že nemají žádný střet zájmů.
Reference
1. Schroeder, T.; Devlin, MJ; Brando, VE; Dekker, AG; Brodie, JE; Clementson, LA; McKinna, L. Meziroční variabilita rozsahu sladkovodního oblaku v období dešťů do laguny Velkého bariérového útesu na základě satelitních pozorování barev pobřežního oceánu. Mar. Pollut. Bull. 2012, 65, 210-223. [CrossRef] 2. Devlin, M.; Petus, C.; da Silva, ET; Tracey, D.; Wolff, N.; Waterhouse, J.; Brodie, J. Monitorování kvality vody a říčního oblaku na Velkém bariérovém útesu: Přehled...view Metody založené na datech ze satelitů Ocean Colour. Remote Sens. 2015, 7, 12909. [CrossRef] 12941. Blondeau-Patissier, D.; Brando, VE; Lønborg, C.; Leahy, SM; Dekker, AG Fenologie květů Trichodesmium spp. v laguně Velkého bariérového útesu v Austrálii z 3leté mise ESA-MERIS. PLoS ONE 10, 2018, e13. [CrossRef] [PubMed] 0208010. Petus, C.; Waterhouse, J.; Lewis, S.; Vacher, M.; Tracey, D.; Devlin, M. Záplava informací: Využití akvarelových barev Sentinel-4 k zajištění kontinuity monitorování trendů kvality vody na Velkém bariérovém útesu (Austrálie). J. Environ. Manag. 3, 2019, 248. [CrossRef] 109255. Brodie, J.; Schroeder, T.; Rohde, K.; Faithful, J.; Masters, B.; Dekker, A.; Brando, V.; Maughan, M. Rozptýlení suspendovaných sedimentů a živin v laguně Velkého bariérového útesu během říčních vypouštěcích událostí: Závěry ze satelitního dálkového průzkumu Země a souběžných záplavových datampling. Mar. Freshw. Res. 2010, 61, 651. [CrossRef] 664. Sirjacobs, D.; Alvera-Azcárate, A.; Barth, A.; Lacroix, G.; Park, Y.; Nechad, B.; Ruddick, K.; Beckers, J.-M. Vyplňování oblačností barev oceánu a teploty mořské hladiny produkty dálkového průzkumu Země nad jižní částí Severního moře metodologií interpolace dat s empirickými ortogonálními funkcemi. J. Sea Res. 6, 2011, 65. [CrossRef] 114. Ruddick, K.; Neukermans, G.; Vanhellemont, Q.; Jolivet, D. Výzvy a příležitosti pro geostacionární dálkový průzkum regionálních moří v oblasti barev oceánů: A review nedávných výsledků. Remote Sens. Environ. 2014, 146, 63. [CrossRef] 76. Ruddick, K.; Vanhellemont, Q.; Yan, J.; Neukermans, G.; Wei, G.; Shang, S. Variabilita suspendovaných částic v Bohajském moři z geostacionárního Ocean Color Imager (GOCI). Ocean. Sci. J. 8, 2012, 47-331. [CrossRef] 345. IOCCG. Pozorování barev oceánů z geostacionární oběžné dráhy; Zprávy Mezinárodní koordinační skupiny pro barvy oceánů (IOCCG) Číslo zprávy 9; Antoine, D., Ed.; IOCCG: Dartmouth, NS, Kanada, 12. Dostupné online: http://ioccg.org/wpcontent/uploads/2015/10/ioccg-report-12.pdf (přístup k 18. dubnu 2016).
10. Gruber, R.; Waterhouse, J.; Logan, M.; Petus, C.; Howley, C.; Lewis, S.; Tracey, D.; Langlois, L.; Tonin, H.; Skuza, M.; et al. Program monitorování moří: Výroční zpráva o monitorování kvality pobřežní vody 2018–2019; Zpráva pro Správu mořského parku Velkého bariérového útesu 2208; Správa mořského parku Velkého bariérového útesu: Townsville, Austrálie, 4096. Dostupné online: https://elibrary.gbrmpa.gov.au/jspui/handle/2020/11017 (přístup 3665. května 14).
11. Waterhouse, J.; Schaffelke, B.; Bartley, R.; Eberhard, R.; Brodie, J.; Thorburn, P.; Rolfe, J.; Ronan, M.; Taylor, B.; Star, M.; et al. Shrnutí vědeckého konsenzuálního prohlášení: Dopady využívání půdy na kvalitu vody a stav ekosystému Velkého bariérového útesu; State of Queensland: Townsville, Austrálie, 2017. Dostupné online: https://www.reefplan.qld.gov.au/science-and-research/thescientific-consensus-statement (přístup 25. listopadu 2017).
12. Feng, J.; Chen, H.; Zhang, H.; Li, Z.; Yu, Y.; Zhang, Y.; Bilal, M.; Qiu, Z. Odhad zákalu ze satelitních dat GOCI v kalných ústích řek na čínském pobřeží. Remote Sens. 2020, 12, 3770. [CrossRef] 13. Lou, X.; Hu, C. Denní změny škodlivého květu řas ve Východočínském moři: Pozorování z GOCI. Remote Sens. Environ. 2014, 140, 562. [CrossRef] 572. Groom, S.; Sathyendranath, S.; Ban, Y.; Bernard, S.; Brewin, R.; Brotas, V.; Brockmann, C.; Chauhan, P.; Choi, J.-K.; Chuprin, A.; et al. Satelitní oceánská barva: Současný stav a budoucí perspektiva. Front. Mar. Sci. 14, 2019, 6. [CrossRef] 485. Park, J.-E.; Park, K.-A.; Kang, C.-K.; Park, Y.-J. Krátkodobá odezva koncentrace chlorofylu a na změnu větrného pole na mořské hladině nad mezoměřítkovým vírem. Estuaries Coasts 15, 2019, 43. [CrossRef] 646. Lavigne, H.; Ruddick, K. Potenciální využití geostacionární MTG/FCI k získání koncentrace chlorofylu a s vysokým časovým rozlišením pro otevřené oceány. Int. J. Remote Sens. 660, 16, 2018. [CrossRef] 39. Dorji, P.; Fearns, P. Atmosférická korekce geostacionárních satelitních dat Himawari-2399 pro mapování celkových suspendovaných sedimentů: Případová studie v pobřežních vodách Západní Austrálie. ISPRS J. Photogramm. Remote Sens. 2420, 17, 8. [CrossRef] 2018. Miller, SD; Schmit, TL; Seaman, CJ; Lindsey, DT; Gunshor, MM; Kohrs, RA; Sumida, Y.; Hillger, D. Paráda pro bolavé oči: Návrat skutečných barev geostacionárním satelitům. Bull. Am. Meteorol. Soc. 144, 81, 93-18. [CrossRef] 2016. Doxaran, D.; Lamquin, N.; Park, Y.-J.; Mazeran, C.; Ryu, J.-H.; Wang, M.; Poteau, A. Získání odrazivosti mořské vody pro monitorování suspendovaných látek ve Východočínském moři s využitím satelitních dat MODIS, MERIS a GOCI. Remote Sens. Environ. 97, 1803, 1816. [CrossRef] 19. Doxaran, D.; Cherukuru, RCN; Lavender, SJ Využití poměrů odrazivých pásem k odhadu koncentrací suspendovaných a rozpuštěných látek v ústí řek. Int. J. Remote Sens. 2014, 146, 36-48. [CrossRef]

Dálkový průzkum Země 2022, 14, 3503

20 z 23

21. Kwiatkowska, EJ; Ruddick, K.; Ramon, D.; Vanhellemont, Q.; Brockmann, C.; Lebreton, C.; Bonekamp, HG Produkty barev oceánů z geostacionárních platforem, příležitosti s Meteosatem druhé a třetí generace. Ocean. Sci. Discuss. 2015, 12, 3143. [CrossRef] 3167. Murakami, H. Odhad barev oceánů pomocí Himawari-22/AHI. In Proceedings of the Remote Sensing of the Oceans and Inland Waters: Techniques, Applications, and Challenges, Nové Dillí, Indie, 8. května 7. [CrossRef] 2016. Chen, X.; Shang, S.; Lee, Z.; Qi, L.; Yan, J.; Li, Y. Vysokofrekvenční pozorování plovoucích řas z AHI na Himawari-23. Remote Sens. Environ. 8, 2019, 227. [CrossRef] 151. Hafeez, S.; Wong, MS; Abbas, S.; Jiang, G. Hodnocení potenciálu geostacionární družice Himawari-161 pro mapování celkového množství povrchových nerozpuštěných látek a jeho denních změn. Remote Sens. 24, 8, 2021. [CrossRef] 13. Japonská meteorologická agentura. Záznam událostí: Výsledky výkonnostních testů Himawari-336; Meteorologické satelitní centrum: Kiyose, Japonsko, 25. Dostupné online: https://www.data.jma.go.jp/mscweb/en/himawari89/space_segment/fig/AHI8_performance_test_en.pdf (přístup k 20. září 2021).
26. IOCCG. Dálkový průzkum oceánských barev v pobřežních a dalších opticky komplexních vodách; Zprávy Mezinárodní koordinační skupiny pro oceánské barvy (IOCCG), zpráva číslo 3; Sathyendrath, S., ed.; IOCCG: Dartmouth, NS, Kanada, 2000. Dostupné online: http://ioccg.org/wp-content/uploads/2015/10/ioccg-report-03.pdf (přístup k 20. září 2015).
27. Schroeder, T.; Schaale, M.; Lovell, J.; Blondeau-Patissier, D. Korekce atmosféry pomocí ansámblu neuronové sítě pro Sentinel-3 OLCI nad pobřežními vodami poskytující odhad inherentní nejistoty modelu a šíření šumu senzorů. 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: Platforma pro analýzu dat založená na strojovém učení pro satelitní senzory barvy oceánu. Remote Sens. Environ. 2021, 253, 112236. [CrossRef] 29. Brockmann, C.; Doerffer, R.; Peters, M.; Stelzer, K.; Embacher, S.; Ruescas, A. Vývoj neuronové sítě C2RCC pro Sentinel 2 a 3 pro vyhledávání barevných produktů oceánů v normálních a extrémně opticky komplexních vodách. In Proceedings of the European Space Agency, Praha, Česká republika, 9 květen 13.
30. Schroeder, T.; Fischer, J.; Schaale, M.; Fell, F. Algoritmus pro korekci atmosféry založený na umělé neuronové síti: Aplikace na data MERIS. In Proceedings of the SPIE 4892, Ocean Remote Sensing and Applications, Hangzhou, Čína, 8. května 2003; s. 124–132. [CrossRef] 31. Jamet, C.; Thira, S.; Moulin, C.; Crepon, M. Použití neurovariační inverze pro získávání oceánských a atmosférických složek ze snímků barev oceánů: Studie proveditelnosti. J. Atmos. Ocean. Technol. 2005, 22, 460–475. [CrossRef] 32. Brajard, J.; Jamet, C.; Moulin, C.; Thiria, S. Použití neurovariační inverze pro získávání oceánských a atmosférických složek ze satelitního senzoru barev oceánů: Aplikace na absorbující aerosoly. Neural Netw. Off. J. Int. Neural Netw. Soc. 2006, 19, 178-185. [CrossRef] 33. Doerffer, R. Dokument teoretických základů algoritmu (ATBD) MERIS Regionální případová studie pobřežních a jezerních oblastí 2 Vodní projekt Atmosferická korekce ATBD; Voda verze 1; Výzkumné centrum GKSS: Geesthacht, Německo, 2008; s. 1.
34. Pahlevan, N.; Smith, B.; Schalles, J.; Binding, C.; Cao, Z.; Ma, R.; Alikas, K.; Kangro, K.; Gurlin, D.; Hà, N.; et al. Bezproblémové získávání chlorofylu-a ze Sentinel-2 (MSI) a Sentinel-3 (OLCI) ve vnitrozemských a pobřežních vodách: Přístup strojového učení. Remote Sens. Environ. 2020, 240, 111604. [CrossRef] 35. Gross, L.; Thiria, S.; Frouin, R.; Mitchell, BG Umělé neuronové sítě pro modelování přenosové funkce mezi odrazivostí moří a koncentrací pigmentů fytoplanktonu. J. Geophys. Res. Ocean. 2000, 105, 3483. [CrossRef] 3495. Schroeder, T.; Behnert, I.; Schaale, M.; Fischer, J.; Doerffer, R. Algoritmus pro korekci atmosféry pro MERIS nad vodami typu case-36. Int. J. Remote Sens. 2, 2007, 28. ​​[CrossRef] 1469. Schroeder, T.; Schaale, M.; Fischer, J. Získávání vlastností atmosféry a oceánu z měření MERIS: Nový vodní procesor Case-1486 pro BEAM. Int. J. Remote Sens. 37, 2, 2007. [CrossRef] 28. Schroeder, T. Fernerkundung von Wasserinhaltsstoffen in Küstengewässern mit MERIS unter Anwendung expliziter und impliziter of RIST. explicitních a implicitních algoritmů atmosférické korekce). Ph.D. Disertační práce, Freie Universität, Berlín, Německo, 5627. [CrossRef] 5632. Patricio-Valerio, L. Průzkum pozorování Himawari-38 pro pokročilé monitorování pobřeží Velkého bariérového útesu. Disertační práce, James Cook University, Townsville, Austrálie, 2005. [CrossRef] 39. Fell, F.; Fischer, J. Numerická simulace světelného pole v systému atmosféra-oceán s využitím metody maticových operátorů. J. Quant. Spectrosc. Radiat. Transf. 8, 2021, 40-2001. [CrossRef] 69. Fischer, J.; Grassl, H. Radiativní přenos v systému atmosféra-oceán: Azimutálně závislý přístup maticových operátorů. Appl. Opt. 351, 388, 41-1984. [CrossRef] 23. Santer, R.; Zagolski, F.; Dilligeard, E. Porovnání kódů radiačního přenosu pro viceprezidentní kalibraci MERIS. Ve sborníku z validačního workshopu ENVISAT, ESRIN, Frascati, Itálie, 1032, prosinec 1039.
43. Výbor pro rozšíření na standardní atmosféru. Standardní atmosféra USA; 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.; a kol.
AERONET – Federovaná síť přístrojů a archiv dat pro charakterizaci aerosolů. Remote Sens. Environ. 1998, 66, 1. [CrossRef] 16. AERONET. Robotická síť pro aerosoly. Dostupné online: https://aeronet.gsfc.nasa.gov/cgi-bin/data_display_aod_v45?site= Lucinda&nachal=3&level=2&place_code=3 (přístup 10. října 3).

Dálkový průzkum Země 2022, 14, 3503

21 z 23

46. ​​Ångström, A. Parametry atmosférického zákalu. 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. Molekulární spektroskopická databáze HITRAN: Vydání 2000 včetně aktualizací do roku 2001. J. Quant. Spectrosc. Radiat. Transf. 2003, 82, 5. [CrossRef] 44. Bennartz, R.; Fischer, J. Modifikovaný přístup k-distribuce aplikovaný na odhady absorpce vodní páry a kyslíku v úzkém pásmu v blízké infračervené oblasti. J. Quant. Spectrosc. Radiat. Transf. 48, 2000, 66-539. [CrossRef] 553. Zhang, T.; Fell, F.; Liu, ZS; Preusker, R.; Fischer, J.; He, MX Hodnocení výkonu technik umělých neuronových sítí pro získávání pigmentů z barvy oceánu ve vodách typu Case I. J. Geophys. Res. Ocean. 49, 2003, 108. [CrossRef] 3286. Pope, RM; Fry, ES Absorpční spektrum (50-380 nm) čisté vody. II. Integrace měření v dutinách. Appl. Opt. 700, 1997, 36. [CrossRef] 8710. Hale, GM; Querry, MR Optické konstanty vody v oblasti vlnových délek 8723 nm až 51 µm. Appl. Opt. 200, 200, 1973-12. [CrossRef] 555. Bricaud, A.; Morel, A.; Babin, M.; Allali, K.; Claustre, H. Změny absorpce světla suspendovanými částicemi s koncentrací chlorofylu v oceánských (případ 563) vodách: Analýza a důsledky pro biooptické modely. J. Geophys. Res. Ocean. 52, 1, 1998. [CrossRef] 103. Babin, M.; Stramski, D.; Ferrari, GM; Claustre, H.; Bricaud, A.; Obolensky, G.; Hoepffner, N. Změny koeficientů absorpce světla fytoplanktonu, neřasových částic a rozpuštěné organické hmoty v pobřežních vodách Evropy. J. Geophys. Res. Ocean. 31033, 31044, 53. [CrossRef] 2003. Morel, A. Optické vlastnosti čisté vody a čisté mořské vody. In Optické aspekty oceánografie; Nielsen, JS, Ed.; Academic Press: Cambridge, MA, USA, 108; s. 3211. 54. Babin, M.; Morel, A.; Fournier-Sicre, V.; Fell, F.; Stramski, D. Vlastnosti rozptylu světla mořských částic v pobřežních a otevřených oceánských vodách ve vztahu k hmotnostní koncentraci částic. Limnol. Oceanogr. 1974, 1, 24. [CrossRef] 55. Zhang, T.; Fell, F.; Fischer, J. Modelování poměru zpětného rozptylu mořských částic ve vodách případu 2003. In Proceedings of the Ocean Optics XVI, Santa Fe, MN, USA, 48, listopad 843. 859. Minsky, M.; Papert, SA Perceptrony: Úvod do výpočetní geometrie; MIT Press: Cambridge, MA, USA, 56. 2. Malthouse, EC Omezení nelineární PCA prováděné s generickými neuronovými sítěmi. IEEE Trans. Neural Netw. 18, 22, 2002. [CrossRef] [PubMed] 57. Liu, DC; Nocedal, J. O metodě BFGS s omezenou pamětí pro optimalizaci ve velkém měřítku. Math. Program. 1969, 58, 1998. [CrossRef] 9. Japonská meteorologická agentura. Záznam událostí: Aktualizace kalibračních informací použitých k opravě trendu citlivosti Himawari-165 AHI; Meteorologické satelitní centrum: Kiyose, Japonsko, 173. Dostupné online: https://www.data.jma.go.jp/mscweb/en/oper/eventlog/ Update_of_Calibration_Information_2019.pdf (přístup 20. září 2021). 61. Kurucz, R. Sluneční spektrum: Atlasy a identifikace čar. In Proceedings of the Laboratory and Astronomical High Resolution Spectra, Brusel, Belgie, 29. srpna – 2. září 1995; s. 17. 62. Meteorologické satelitní centrum. Průvodce kalibrací GSICS Himawari-8 ve viditelném a blízkém infračerveném záření. Dostupné online: https://www.data.jma.go.jp/mscweb/data/monitoring/gsics/vis/techinfo_visvical.html (přístup 10. května 2022). 63. Japonská meteorologická agentura. Záznam událostí: Zlepšení kvality pozorovacích dat Himawari-8; Záznam událostí Meteorologického satelitního střediska: Kiyose, Japonsko, 2017. Dostupné online: https://www.data.jma.go.jp/mscweb/en/oper/eventlog/Improvement_of_ Himawari-8_data_quality.pdf (přístup 20. září 2021). 64. Qin, Y.; Steven, ADL; Schroeder, T.; McVicar, TR; Huang, J.; Cope, M.; Zhou, S. Oblačnost v australské oblasti: Vývoj a validace algoritmu maskování, klasifikace a optického vyhledávání hloubky oblačnosti pro pokročilý zobrazovač Himawari. Front. Environ. Sci. 2019, 7, 20. [CrossRef] 65. Správa mořského parku Velkého bariérového útesu. Charakteristika Velkého bariérového útesu (GBR) (hranice útesů, pevnina QLD, ostrovy, mořské útesy, skály a suché útesy) (GBRMPA) (verze 1.4) [Datová sada] 2164DB88-FD79-449E-920F-61C37ADE634B. 1998. Dostupné online: http://www.gbrmpa.gov.au/geoportal/catalog/search/resource/details.page?uuid=%7B41AB3629-B41B-4746-9B753822667E5AF3%7D (přístup 14. května 2022). 66. Emecen, E.; Kara, G.; Erdogmus, F.; Gardashov, R. Určení polohy slunečních záblesků na hladině oceánu pozorováním z geostacionárních družic. TAO Terr. Atmos. Ocean. Sci. 2006, 17, 253. [CrossRef] 67. Národní úřad pro oceán a atmosféru. Analýza celkového ozonu pomocí SBUV/2 a TOVS (TOAST). Dostupné online: https://www.ospo.noaa.gov/Products/atmosphere/toast/index.html (přístup 1. prosince 2020). 68. Kistler, R.; Kalnay, E.; Collins, W.; Saha, S.; White, G.; Woollen, J.; Chelliah, M.; Ebisuzaki, W.; Kanamitsu, M.; Kousky, V. 50letá reanalýza NCEPNCAR: Měsíční vydávání znamená CD-ROM a dokumentaci. 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 Reanalýza (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. 1644letý projekt reanalýzy NCEP/NCAR. Bull. Am. Meteorol. Soc. 70, 40, 1996-77. [CrossRef] 437. Národní úřad pro oceán a atmosféru. Reanalýza NCEP 472 Meteorologická data. Dostupné online: https://psl.noaa.gov/data/gridded/data.ncep.reanalysis71.html (přístup 2. prosince 2).

Dálkový průzkum Země 2022, 14, 3503

22 z 23

72. Integrovaný systém pro pozorování moří. IMOS Ocean Colour Bio Optical Database of Australian Waters (SRS-OC-BODBAW). 2011. Dostupné online: https://researchdata.edu.au/imos-srs-ocean-australian-waters (přístup 20. února 2017).
73. Správa mořského parku Velkého bariérového útesu. Manuál pro zajišťování kvality a kontrolu kvality programu monitorování moří 2017–2018; Správa mořského parku Velkého bariérového útesu: Townsville, Austrálie, 2019. Dostupné online: http://elibrary.gbrmpa.gov.au/jspui/handle/11017/3487 (přístup 15. května 2018).
74. Soja-Woz´niak, M.; Baird, M.; Schroeder, T.; Qin, Y.; Clementson, L.; Baker, B.; Boadle, D.; Brando, V.; Steven, ADL Particulate Backscattering Ratio as a Indicator of Changing Particle Composition in Coastal Waters: Pozorování z vod Velkého bariérového útesu. J. Geophys. Res. Ocean. 2019, 124, 5485. [CrossRef] 5502. Bulgarelli, B.; Zibordi, G. O detekovatelnosti efektů sousednosti v dálkovém průzkumu oceánských barev v pobřežních prostředích středních zeměpisných šířek pomocí SeaWiFS, MODIS-A, MERIS, OLCI, OLI a MSI. Remote Sens. Environ. 75, 2018, 209. [CrossRef] 423. Schroeder, T.; Lovell, J.; King, E.; Clementson, L.; Scott, R. Zpráva o ověření barev oceánu IMOS 438-76, zpráva pro integrovaný námořní pozorovací systém (IMOS); CSIRO Oceány a atmosféra: Brisbane, Austrálie, 2017; p. 18.
77. King, E.; Schroeder, T.; Brando, V.; Suber, K. Předoperační systém pro satelitní monitorování kvality mořské vody na Velkém bariérovém útesu. In Wealth from Oceans Flagship Report; CSIRO Wealth from Oceans Flagship: Hobart, Austrálie, 2014. [CrossRef] 78. Japonská meteorologická agentura. Záznam událostí: Zlepšení kvality dat pozorování Himawari-8; Meteorologické satelitní centrum: Kiyose, Japonsko, 2016. Dostupné online: https://www.data.jma.go.jp/mscweb/en/oper/eventlog/20161117_Quality_improvement_of_Himawari-8_observation_data.pdf (přístup 20. září 2021).
79. Japonská agentura pro průzkum vesmíru. Systém P-stromů monitoru JAXA Himawari. Dostupné online: https://www.eorc.jaxa.jp/ptree/index.html (přístup 14. května 2022).
80. Hu, C.; Feng, L.; Lee, Z.; Davis, CO; Mannino, A.; McClain, CR; Franz, BA Požadavky na dynamický rozsah a citlivost satelitních senzorů barvy oceánu: Poučení z minulosti. Appl. Opt. 2012, 51, 6045. [CrossRef] 6062. Tang, W.; Llort, J.; Weis, J.; Perron, MMG; Basart, S.; Li, Z.; Sathyendranath, S.; Jackson, T.; Sanz Rodriguez, E.; Proemse, BC; et al. Rozsáhlé květy fytoplanktonu vyvolané australskými lesními požáry v letech 81–2019. Nature 2020, 2021, 597. [CrossRef] [PubMed] 370. Správa mořského parku Velkého bariérového útesu. Pokyny pro kvalitu vody pro mořský park Velkého bariérového útesu; 375; Správa mořského parku Velkého bariérového útesu: Townsville, Austrálie, 82. Dostupné online: https://elibrary.gbrmpa.gov.au/jspui/handle/1921682299/2010 (přístup k 11017. srpnu 432).
83. Brodie, J.; Grech, A.; Pressey, B.; Day, J.; Dale, A.; Morrison, T.; Wenger, A. Budoucnost Velkého bariérového útesu: Imperativ kvality vody. In Pobřeží a ústí řek; Wolanski, E., Day, JW, Elliott, M., Ramachandran, R., Eds.; Elsevier: Amsterdam, Nizozemsko, 2019; s. 477-499. [CrossRef] 84. Hieronymi, M.; Müller, D.; Doerffer, R. Neural Network Swarm (ONNS) OLCI: Biogeooptický algoritmus pro otevřený oceán a pobřežní vody. Front. Mar. Sci. 2017, 4, 140. [CrossRef] 85. Donlon, C. Dokument o sledovatelnosti požadavků mise Sentinel-3 (MRTD); Evropská kosmická agentura (ESA)–ESTEC: Noordwijk, Nizozemsko, 2011; s. 234. Dostupné online: https://sentinels.copernicus.eu/documents/247904/1848151/Sentinel-3-MissionRequirements-Traceability (přístup 11. října 2018).
86. Doerffer, R. Protokoly pro validaci vodních produktů MERIS; publikace ESA PO-TN-MEL-GS-0043 GKSS; Forschungszentrum: Geesthacht, Německo, 2002; str. 1.
87. Vláda Queenslandu. Informační portál pro monitorování vody (WMIP). Dostupné online: https://water-monitoring.information.qld.gov.au/ (přístup k 30. březnu 2021).
88. Wolanski, E.; Spagnol, S. Lepkavé vody Velkého bariérového útesu. Estuar. Coast. Shelf Sci. 2000, 50, 27. [CrossRef] 32. Pickard, GL; Donguy, J.-R.; Hénin, C.; Rougerie, F. A Review fyzické oceánografie Velkého bariérového útesu a západních korálů
Moře; Australská vládní vydavatelská služba: Canberra, Austrálie, 1977. 90. Feng, D.; Hodges, BR; Socolofsky, SA; Thyng, KM Přílivové víry u úzkého vstupu do kanálu v provozních modelech úniku ropy. Březen.
Pollut. Bull. 2019, 140, 374-387. [CrossRef] [PubMed] 91. De'ath, GA; Fabricius, KK Kvalita vody Velkého bariérového útesu: Rozložení, vliv na biotu útesu a spouštěcí hodnoty pro
Ochrana zdraví ekosystémů; Správa mořského parku Velkého bariérového útesu, Commonwealth of Australia a Australský institut mořských věd: Townsville, Austrálie, 2008; s. 104. 92. Thomson, RE; Wolanski, EJ Přílivový a odlivový výstup v rámci vstupu na ostrov Raine u Velkého bariérového útesu. J. Mar. Res. 1984, 42, 787-808. [CrossRef] 93. Wolanski, E.; Drew, E.; Abel, KM; O'Brien, J. Přílivové trysky, výstup živin a jejich vliv na produktivitu řasy Halimeda v Ribbon Reefs, Velký bariérový útes. Estuar. Coast. Shelf Sci. 1988, 26, 169-201. [CrossRef] 94. Marmorino, GO; Smith, GB; Miller, WD Charakteristiky turbulence odvozené z časově zpožděných satelitních snímků povrchových řas v mělkém přílivovém moři. Cont. Shelf Res. 2017, 148, 178. [CrossRef] 184. Delandmeter, P.; Lambrechts, J.; Marmorino, GO; Legát, V.; Wolanski, E.; Remacle, J.-F.; Chen, W.; Deleersnijder, E. Submezoškálové přílivové víry v brázdě korálových ostrovů a útesů: Satelitní data a numerické modelování. Oceán. Dyn. 95, 2017, 67. [CrossRef] 897. Li, G.; On, Y.; Liu, G.; Zhang, Y.; Hu, C.; Perrie, W. Multi-senzorová pozorování submezoškálových vírů v pobřežních oblastech. Remote Sens. 913, 96, 2020. [CrossRef]

Dálkový průzkum Země 2022, 14, 3503

23 z 23

97. IOCCG. Požadavky na misi pro budoucí senzory barvy oceánu; Zprávy Mezinárodní koordinační skupiny pro barvu oceánu (IOCCG), zpráva číslo 13; McClain, C., Meister, G., editoři; IOCCG: Dartmouth, NS, Kanada, 2012. Dostupné online: http: //ioccg.org/wp-content/uploads/2015/10/ioccg-report-13.pdf (přístup k 30. září 2017).
98. Neukermans, G.; Ruddick, K.; Bernard, E.; Ramon, D.; Nechad, B.; Deschamps, P.-Y. Mapování celkového množství suspendovaných látek z geostacionárních satelitů: Studie proveditelnosti se SEVIRI v jižní části Severního moře. Opt. Express 2009, 17, 14029. [CrossRef] 14052. Neukermans, G.; Ruddick, K.; Loisel, H.; Roose, P. Optimalizace a kontrola kvality měření koncentrace suspendovaných částic pomocí měření zákalu. Limnol. Oceanogr. Methods 99, 2012, 10. [CrossRef] 1011. Röttgers, R.; Heymann, K.; Krasemann, H. Koncentrace suspendovaných látek v pobřežních vodách: Metodologická vylepšení pro kvantifikaci individuální nejistoty měření. Estuar. Coast. Shelf Sci. 1023, 100, 2014. [CrossRef] 151. Tilstone, G.; Moore, G.; Sørensen, K.; Doerffer, R.; Røttgers, R.; Ruddick, K.; Pasterkamp, R.; Jørgensen, P. Regionální validace chlorofylových produktů MERIS v pobřežních vodách Severního moře. In Sborník z pracovního setkání o kalibraci a geofyzikální validaci MERIS a AATSR (ENVISAT MAVT-2003), Frascati, Itálie, říjen 20.
102. Stavn, RH; Rick, HJ; Falster, AV Oprava chyb z proměnné retence mořské soli a hydratační vody v analýze ztráty žíháním: Důsledky pro studium ústí řek a pobřežních vod. Estuar. Coast. Shelf Sci. 2009, 81, 575-582. [CrossRef] 103. Okuyama, A.; Takahashi, M.; Date, K.; Hosaka, K.; Murata, H.; Tabata, T.; Yoshino, R. Validace radiometrické kalibrace Himawari-8/AHI na základě dvouletých dat z oběžné dráhy. J. Meteorol. Soc. Japan. Ser. II 2018, 96, 91-109. [CrossRef] 104. Japonská meteorologická agentura. Záznam událostí: Dopady událostí kosmické lodi a kalibrace na snímky Himawari-8: Pruhy; Meteorologické satelitní centrum: Kiyose, Japonsko, 2020. Dostupné online: http://www.data.jma.go.jp/mscweb/en/oper/image_info.html#005 (přístup k 20. září 2021).
105. Moses, WJ; Bowles, JH; Lucke, RL; Corson, MR Dopad poměru signálu k šumu v hyperspektrálním senzoru na přesnost odhadu biofyzikálních parametrů ve vodách typu II. Opt. Express 2012, 20, 4309. [CrossRef] 4330. Alvarez-Romero, JG; Devlin, M.; Teixeira da Silva, E.; Petus, C.; Ban, NC; Pressey, RL; Kool, J.; Roberts, JJ; Cerdeira-Estrada, S.; Wenger, AS; et al. Nový přístup k modelování expozice pobřežních mořských ekosystémů říčním povodňovým oblakům založený na technikách dálkového průzkumu Země. J. Environ. Manag. 106, 2013, 119. [CrossRef] 194. Petus, C.; Devlin, M.; Thompson, A.; McKenzie, L.; Teixeira da Silva, E.; Collier, C.; Tracey, D.; Martin, K. Odhad expozice korálových útesů a mořských travních porostů kontaminantům z pevninské půdy v povodňových oblakech řek Velkého bariérového útesu: Ověření jednoduchého rámce satelitního hodnocení rizik s využitím environmentálních dat. Remote Sens. 207, 107, 2016. [CrossRef] 8. Devlin, M.; Schroeder, T.; McKinna, L.; Brodie, J.; Brando, V.; Dekker, A. Monitorování a mapování povodňových oblaků na Velkém bariérovém útesu na základě pozorování in situ a dálkového průzkumu Země. 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, 210; s. 108–2012. [CrossRef] 147. Steven, AD; Baird, ME; Brinkman, R.; Car, NJ; Cox, SJ; Herzfeld, M.; Hodge, J.; Jones, E.; King, E.; Margvelashvili, N.; et al. eReefs: Provozní informační systém pro správu Velkého bariérového útesu. J. Oper. Oceanogr. 191, 109, S2019S12. [CrossRef]

Dokumenty / zdroje

Algoritmus strojového učení MDPI [pdfUživatelská příručka Algoritmus strojového učení, algoritmus učení, algoritmus

Reference

• Uživatelská příručka