MDPI 机器学习算法用户指南

1 詹姆斯库克大学科学与工程学院，汤斯维尔，昆士兰州 4811，澳大利亚；scott.smithers@jcu.edu.au
2 澳大利亚联邦科学与工业研究组织海洋与大气部门，邮政信箱 2583，布里斯班，昆士兰州 4001，澳大利亚；thomas.schroeder@csiro.au
3 环境渔业和水产养殖科学中心，Parkfield Road，洛斯托夫特，萨福克郡 NR33 0HT，英国；michelle.devlin@cefas.co.uk
4 澳大利亚联邦科学与工业研究组织，海洋与大气，GPO Box 1700，堪培拉，ACT 2601，澳大利亚；yi.qin@csiro.au
* 联系方式：larissa.patriciovalerio@my.jcu.edu.au

引用：Patricio-Valerio, L.；Schroeder, T.；Devlin, MJ；Qin, Y.；Smithers, S. 一种用于大堡礁Himawari-8总悬浮固体反演的机器学习算法。遥感，2022，14，3503。https://doi.org/10.3390/rs14143503
学术编辑：Chris Roelfsema
收稿日期：15年2022月19日接受日期：2022年21月2022日发表日期：XNUMX年XNUMX月XNUMX日
出版商注：MDPI 对于已出版地图和机构隶属关系中的管辖权主张保持中立。
版权所有：© 2022 作者。被许可方：瑞士巴塞尔 MDPI。本文为开放获取文章，根据知识共享署名 (CC BY) 许可协议的条款和条件发布 (https://creativecommons.org/licenses/by/4.0/)。

摘要：遥感海洋颜色一直是大堡礁 (GBR) 海洋水质天气监测的基础。然而，低轨道卫星（如 Sentinel-3 星座）上的海洋颜色传感器没有足够的重访能力来完全解决高度动态沿海环境中的昼夜变化。为了克服这一限制，本文提出了一种基于物理的沿海海洋颜色算法，用于 Himawari-8 地球静止卫星上的高级 Himawari 成像仪。尽管 Himawari-8 是为气象应用而设计的，但它提供了每 10 分钟估计一次海洋颜色特征的机会，在四个宽可见光和近红外光谱带中，空间分辨率为 1 平方公里。针对 GBR 的实际水内和大气光学特性以及广泛的太阳和观测几何形状，对 Himawari-2 波段进行了耦合海洋大气辐射传输模拟。模拟数据用于开发基于人工神经网络技术的逆模型，以直接从 Himawari-8 大气顶部光谱反射率观测值估算总悬浮固体 (TSS) 浓度。该算法通过沿海大堡礁的现场数据进行了验证，并评估了其检测限。TSS 反演结果显示相对误差高达 8%，绝对误差为 75 mg L-2，验证范围为 1 至 0.14 mg L-24，检测限为 1 mg L-0.25。我们讨论了 Himawari-1 昼夜 TSS 产品在改善大堡礁水质监测和管理方面的潜在应用。
关键词：向日葵-8；海洋颜色；人工神经网络；大堡礁；沿海水域；总悬浮固体；机器学习；水质
1. 简介低地球轨道（LEO）卫星上的海洋颜色传感器，例如 MODIS/Aqua，
VIIRS/Suomi-NPP 和 OLCI/Sentinel-3 提供了长期记录的宝贵且经济高效的观测数据，可用于研究大堡礁 (GBR) 的每日和年度间水质动态 [1]。LEO 卫星最多可在一两天内扫描同一地理区域；然而，两个连续且相同的轨道之间的时间差（即重访周期）通常为一周到四周不等。此外，海洋颜色图像可能在很大程度上受到云层和太阳反光的影响，从而限制了高质量观测数据的检索 [5]。这可能需要每周或每月从同一区域获取一组每日图像，以形成合成无云图像 view 因此，低地球轨道卫星的时间能力不足以建立全面的观测系统，也不足以有效监测短期动态沿海过程，如浮游植物的昼夜循环、洪水羽流的每日进展以及

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

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

遥感2022，14，3503

2 中的 23

潮汐和风驱动的再悬浮[7]。研究人员和环境管理人员仍然

依靠低地球轨道海洋水色产品获取具有成本效益的空间信息

沿海大堡礁 [10,11]，但认识到这些技术在解决短期

多变性。

–

地球静止轨道 (GEO) 上的卫星，否则，允许近乎连续的

以更高的频率（几分钟到几小时）对地球大面积区域进行观测，

低地球轨道平台几乎每天都会重访，尤其是在热带地区[9]。

2010 年发射的世界第一台地球静止海洋彩色成像仪 (GOCI-I) 揭示了

东北亚沿海地区快速变化的动态过程，例如

浊度羽流和有害藻华的防治[12,13]。它的成功提供了一个有用的案例

未来全球 GEO 海洋水色任务的发展 [14]；然而，

计划在未来十年内发射的任务旨在观察

澳大利亚水域。尽管如此，地球静止轨道卫星在全球范围内运行，用于气象观测。

观测和最近的技术进步利用了它们收集海洋数据的能力，使得人们能够从太空观察到更多动态过程[-15]。

Tofhbe annedxst-ignentheera-vtiiosinblGe EspOemctreutemor(o2loogri3cailnssetenasdorosfaorenleyq1uibpapnedd)

数量增加，加上改进

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 位于赤道上空东经 140.7 度，扫描频率为 10 分钟，每天（当地时间上午 48 点至下午 8 点）可捕获至少 4 次全盘观测数据。虽然 AHI 仪器最初设计用于气象应用，但其可见光和近红外光谱

（VNIR）波段（图 1 和表 1）能够探测到具有强烈

光信号，例如来自高度浑浊水域的信号[19]。此外，Himawari-21

超高时间分辨率观测可以监测海洋特性

子浩url整个大堡礁泻湖和邻近海洋的年际时间尺度

没有轨道间数据间隙的盆地。

wFiigthurtehe1.trHainmsmawisas-riio-n8

大气气体（灰色填充线）的可见光和红外波段（白色实线）的光谱响应函数以及臭氧传输（红色

波长范围（实线）在 400 至 1000 nm 之间。

Him-awari-8 卫星有望广泛应用于海洋区域的监测和管理，包括海洋水色观测[22,23]。最近的研究表明，Hima-wari-8 卫星的观测数据可用于检测沿海水域的总悬浮固体 (TSS) [17,24] 和公海叶绿素 a 浓度 (CHL) [22]。这些结果为监测沿海大堡礁的高频动态过程提供了绝佳机会。然而，尽管已有多种海洋水色算法可用于卫星反演沿海水质参数，但它们可能不适用于大堡礁的光学复杂性，或不适用于 Himawari-8 卫星的观测数据。

遥感2022，14，3503

3 中的 23
– –
Tleanbglteh1s.anHdimbaanwdawrii-d8-thA、dasvsaoncciaetdedHsipmaatiwalarreisIomluatgioenr.vSiisgibnlael-aton-dn-oni-esearr-aintiforsar(SeNd Rb)anfrdosmcpenertrfoarlmwaanvce–etest 结果 [25]。

波段 # (名称) #1 (蓝色) #2 (绿色) #3 (红色) #4 (NIR)

谱带中心（宽度） 470.64（45.37）nm 510.00（37.41）nm 639.15（90.02）nm 856.69（42.40）nm

空间分辨率 1公里 1公里 0.5公里 1公里

信噪比 @100% 反照率 585 (641.5) 645 (601.9) 459 (519.3) 420 (309.3)

基于模型的海洋颜色算法利用辐射传输模拟，在沿海水域多时相遥感研究中表现出比经验算法更优异的性能 [26]。具体而言，神经网络是一种计算效率高的反演方法，适用于光学复杂沿海水域的遥感应用，因为它们能够近似非线性函数关系 [27]。本文介绍了一种基于模型的神经网络海洋颜色算法（图 35），用于 Himawari-2，并针对大堡礁沿海水域进行参数化。开发了一步反演算法，使用多层感知器（一类人工神经网络 (ANN)）直接从 Himawari-8 大气顶部 (TOA) 观测中估计 TSS。首先，使用现有的耦合海洋大气辐射传输 (RT) 模型（前向模型），在 VNIR Himawari-8 波段模拟 TOA 反射率 RTOA() sr-1 的光谱角度分布。 RT 模拟包括水质参数、大气和照明条件的实际变化。然后设计、训练和测试了几个 ANN 实验（逆模型），以基于模拟的 TOA 辐射率检索 Himawari-8 波段的 TSS。最后，根据 GBR 中同时存在的现场水质数据对 Himawari-8 检索到的 TSS 输出进行了统计评估，并研究了所选算法的局限性。

图 2. 为 Himawari-8 开发的基于模型的海洋颜色算法流程图。
2. 方法辐射传输模拟的参数化和设计
ANN 逆模型将在以下小节中详细说明。正向和逆向模型的参数化遵循先前为欧洲沿海水域[36-38]开发的方法，但在本研究中针对大堡礁的水中光学条件进行了调整[39]。此外，本文还描述了基于模型开发的算法的 H-imawari-8 采集、处理和遮蔽程序以及海洋颜色处理器。本文介绍了验证方案和评估算法局限性的方法，以及大堡礁 TSS 监测的初步结果。

遥感2022，14，3503

4 中的 23
2.1. 前向模型
本研究采用矩阵算子模型 (MOMO) 的标量版本 [40,41] 对 Himawari-8 可见近红外 (VNIR) 波段的耦合海洋大气辐射传输进行模拟（表 1）。忽略大气极化可能导致 TOA 处出现 1% 的误差，这对于沿海水域应用来说是可以接受的 [2]。Himawari-42 实时辐射 (RTOA) 的模拟针对的是大堡礁 (GBR) 一系列真实的水中和大气光学特性。
模拟的海洋大气系统由多个水平均匀的平面平行层组成，其中考虑了水生和大气光学成分的定义类型和浓度。模拟大气高度（TOA）厚度为50公里，分为11层，其中垂直方向file压力、温度和湿度的分布遵循美国标准大气 [43]。瑞利散射造成的衰减用 980 hPa 和 1040 hPa 两个地面气压来解释。大气分为边界层（0 km）、自由对流层（2 km）和平流层（2 km）。在每一层中，对 12 种不同的气溶胶组合进行模拟，12 nm 处的气溶胶光学厚度 (a) 浓度在 50 和 550 之间变化。每个气溶胶组合由三个主要气溶胶模型组成，边界层中的海洋模型、自由对流层的大陆模型和平流层的硫酸模型，相对湿度在 0.015% 到 1.0% 之间。 α值范围是根据位于大堡礁中部[南纬70度，东经99度]的露辛达码头海岸观测站 (LJCO) 的 AERONET [2] 站进行的多年期二级太阳光度计观测确定的。对 LJCO AERONET 站在 44,45 至 18.52 nm 之间相应的埃系数 [146.39] 的分析，证实了存在海洋性和大陆性气溶胶类型的混合，与 RT 模拟中使用的类型相对应。
大气气体（臭氧除外）的传输数据来源于高分辨率透射分子吸收 (HITRAN) 数据库 [3]，并通过 Bennartz 和 Fischer [47] 改进的 k 分布模型应用于辐射传输模拟。辐射传输模拟假设臭氧负荷恒定为 48 多布森单位 (DU) [344]。Himawari-43 波段模拟了 8 个太阳和观测角度以及 17 个等距相对方位角。模拟针对真实的水质波动，以随机选择的 CHL、TSS 和黄色物质 (YEL) 的独特浓度表示，以下称为浓度三元组。模拟浓度三元组的范围是根据大堡礁中发现的原位相关浓度的弥散度定义的，遵循 Zhang 等人 [25] 的方法。模拟的浓度三元组在对数空间中均匀分布，因此每个数量级都以类似的方式表示，同时避免重复模拟。
海水总光谱吸收率 a() 由四组分生物光学模型建模，该模型考虑了纯水吸收率 (aw)、浮游植物和所有死亡有机物（即碎屑）的吸收率 ap1（CHL 的函数）[0.01, 15]、非藻类颗粒的吸收率 ap2（TSS 的函数）[0.01, 100.0] 以及黄色物质在 443 nm 处的吸收率 ay [0.002, 2.5]。纯水的吸收系数 (aw) 按照 Pope 和 Fry [50] 的模型模拟 Himawari-8 可见光波段 1，按照 Hale 和 Querry [3] 的模型模拟 51。浮游植物和碎屑的光谱吸收率 ap4 遵循 Bricaud 等人 [1] 的参数化方法，而非藻类颗粒的吸收率 ap52 则按照 Babin 等人的参数化方法模拟。 [2]，平均斜率 Sp53 为 2，这是根据原位生物光学数据得出的amp2002 年至 2013 年间，大堡礁的黄色物质含量有所增加。黄色物质的光谱吸收系数 ay 是根据 Babin 等人的模型 [53] 建模的，平均斜率 Sy 为 0.015，这也是从大堡礁的现场观测中得出的 [39]。
海水的总光谱散射（b()）由双组分生物光学模型 [53] 建模，该模型考虑了纯水的散射（bw）以及有机和无机颗粒的散射 bp，作为 TSS 的函数。纯海水散射

遥感2022，14，3503

5 中的 23

系数表示为基于 Morel [54] 的波长相关幂律，

定义为全球平均盐度为35 PSU。有机和

按照 Babin 等人的参数化方法，将无机颗粒组合起来，得到总颗粒散射系数 bp。[55] 质量特定散射系数

按照 Babin 等人的计算，GBR 水域的 TSS 颗粒 bp 为 0.31 m2 g-1。[55] 应用了案例 2 水域的后向散射概率模型 [49,56] 来

根据TSS和YEL的比值，计算并选择水中散射相函数（，）。模拟针对大量随机浓度进行了

三胞胎和大气条件，如前所述，建立一个全面的

Himawari-8 RTOA 的方位角分辨数据库。从该数据库中，统计

随机提取代表性训练和测试子集来开发逆

模型。训练和测试子集各包含 100,000 个输入向量

包含

：模拟470、510、640、856nm波段的RTOA，海平面气压在980~1040hPa之间，太阳天顶角(s)、观测天顶(v)、相对方位角()。

2.2 逆模型

本研究基于Malthouse [57] 开发的神经网络模拟器C程序，将多层感知器 (MLP)（一种前馈人工神经网络 (ANN) [58]）实现为逆模型，用于近似计算Himawari-8 RTOA() 与 TSS 浓度之间的函数关系。本MLP包含一个输入层、一个隐藏层和一个输出层神经元。每个神经元通过权重与下一层的每个神经元相连。监督机器学习或训练过程可描述如下：

输入神经元（ni）接收输入向量

，包含模拟反射率

以及上面描述的辅助数据，并将其传播到隐藏层神经元

（新罕布什尔州）。

· 在隐藏层中，人工神经元将加权输入信号相加，并通过非线性传递函数传递，然后转发其输出

到输出层神经元（否）。

· 模拟结果与实际结果之间的成本函数（即均方误差，MSE - 公式（1））

针对整个训练数据集（N = 100,000）计算估计的目标输出 yt 和 ANN 计算的输出 yc，并调整网络的内部权重（W1、W2）。

· 重复训练 ANN，直到输出和目标值之间的成本函数最小化。

MSE = yc – yt / N

（1）

通过使用有限内存 BroydenFletcherGoldfarbShanno 优化算法 [1] 迭代调整权重矩阵 (W2, W59)，最小化成本函数。对于三层 MLP 架构，完整的解析函数由公式 (2) 给出：

W2×S1

宽度1×宽度

（2）

其中 S1 和 S2 分别是输出层和隐藏层采用的非线性（公式 (3)）和线性传递函数。

S(x) = 1 + ex -1

（3）

输入层和输出层的神经元数量由问题的输入和输出参数的数量决定，而一些实验尝试

遥感2022，14，3503

6 中的 23

需要确定隐藏层中最佳的神经元数量。

实验设计将隐藏层神经元的数量从 10 变为 100，

以 10 为增量。使用随机但对于所有实验固定的种子来初始化 –

网络的权重配置。实验包括一个主成分

使用主成分分析（PCA）作为预处理步骤，对RTOA()输入进行去相关处理。此外，实验设计中，在每个波段的RTOA输入中添加了0.8%的光谱不相关信号相关随机噪声。使用从辐射传输中随机提取的100,000万个输入向量子集对ANN实验进行训练和测试。

模拟数据集。每个输入向量都与对数 TSS 浓度相关联，这被选为目标输出，由监督学习

程序。所有实验都进行了 1000 次迭代训练，并最小化成本

在每次迭代中，对整个训练数据集计算函数（公式 (1)）。

使用 N = 100,000 个向量的独立测试数据集来监控网络训练

性能并避免过度拟合。

–

2.3.

TBhaesHicipmraowceasrsi-in8- gOscteapns

Himawari-8 raw 的色彩处理

数据

进入

运输安全标准

产品

是

显示

数字

获取了 GBR 区域的第一级（L1）全盘 Himawari-1 VNIR 波段，并提取了

（南纬 10 度，南纬 29 度，东经 140 度，东经 157 度），已进行地理定位和导航校正。地理定位原始数据

通过以下方式转换为 1b 级（L1b）TOA 辐射度（LTOA() W m-2sr-1µm-1）–

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

波段。L1b 校准的 LTOA() 通过每个波段的地外太阳辐照度 F() W -m-2 进行归一化。F() 是根据一年中的天数计算的

并使用基于Kurucz[61]并适用于Himawari-8波段[62]的平均地外太阳辐照度F值。所得TOA反射率RTOA()sr-1在VNIR Himawari-8波段作为反演方法的输入。此外，

按照现有程序[63]，计算卫星图像每个像素的 s、v 和值作为纬度、经度和当地时间的函数，并将其转换成

笛卡尔坐标（x，y，z）。

图3. Himawari-8海洋颜色处理流程图。HSD表示Himawari-8标准数据，GBR表示大堡礁，VNIR表示Himawari-8可见光和近红外波段（470、510、640和856nm），ANN表示人工神经网络。

这

ACulsoturadlimanasckoinntginoenf tHainmdaswuarrroi–u8nodbisnegrvwaatitoenrss。

是

由秦等人 [64] 开发的 2 公里分辨率云掩模

水库amp导致灰尘和烟雾

1plkummHesimfraowmabrii-o8mg-raisds

并包括掩盖被烧伤的像素。同样，被识别为出现的像素

大陆区域、岛屿和浅滩等表面根据形状被掩盖files

可从大堡礁海洋公园管理局 [65] 数据库获取。

–

遥感2022，14，3503

7 中的 23
掩模是通过计算太阳主闪烁点 (PPS) 的坐标创建的，该坐标是一年中的日期（太阳倾角）、当地时、纬度和经度的函数[66]，空间分辨率为 1 公里。太阳圆盘的轮廓以 PPS 坐标为基准，缓冲半径为 1300 公里的圆形区域。半径大小的选择是基于一系列视觉测试，以确保最大程度地覆盖太阳圆盘主区域。
Himawari-8 观测结果逐像素标准化，每个波段都使用近乎同步的卫星数据进行标准化，这些数据是从平流层和对流层卫星成分分析 (TOAST) 产品中提取的臭氧总量 [67]，然后再进行反演。TOAST 产品的空间分辨率为 1.25 x 1 度，时间分辨率为每日，amp导致符合Himawari-1格网的8公里。Himawari-8观测数据在每个波段都通过TOAST衍生的臭氧透射率与模拟的344 DU臭氧柱密度透射率之间的比率进行归一化。此外，NCEP/NCAR“再分析2”PaRt2m [68]的平均海平面气压数据被用作Himawari-70观测数据反演的输入。“再分析8”数据每2小时（6、0、6、12 UTC）取平均值，amp在2.5度空间分辨率的规则全球网格上进行[71]。获取了最接近的并发PaRt2m数据，并重新amp指向1公里的Himawari-8网格。检索到的TSS、相关掩膜和元数据保存在NetCDF文件中 file，包括像素级关联标志，用于指示超出范围的输入和输出。有效输入和输出的范围是根据 RT 模拟数据集定义的。例如，如果某个像素的输入和/或输出参数超出了模拟范围，则为该像素分配相应的标志。输入和输出标志被加到 Himawari-8 网格的每个像素上。在后续的验证和应用分析之前，将超出范围的标志应用于水质产品。
2.4. 大堡礁实地数据
澳大利亚海洋科学研究所 (AIMS) 和澳大利亚联邦科学与工业研究组织 (CSIRO) 在 2015 年至 2018 年期间测量的现场 TSS 数据是通过澳大利亚海洋数据网络 (AODN) 门户从 IMOS 生物光学数据库 [72] 获得的。CSIRO 和 AIMS 都使用重量法测定海水中的 TSS 浓度。该方法包括从已知体积的海水中测量悬浮固体的干重ample，然后将其在预加重膜过滤器上真空过滤。大堡礁海洋公园管理局 [73] 和 Soja-Woz´niak 等人 [74] 分别描述了 AIMS 和 CSIRO 采用的方法的更多详细信息。尽管 AIMS 和 CSIRO 实验室使用略有不同的方法来确定 TSS（即重复次数、过滤垫、冲洗等），但在本验证过程中已将这些数据集合并在一起。共考虑了 347 个原位数据点，TSS 范围为 0.01 至 85 mg L-1，平均值为 3.5 mg L-1。距离海岸线或珊瑚礁 1 公里以内的原位数据点被排除在分析之外，以减少由于邻近效应造成的不确定性 [75]。我们纳入了所有原位海水amp数据取自水深各异（0.5 米至 1.5 米）的站点水面（深度 <40 米），最浅的数据点 TSS > 10 mg L-1。
2.5. 验证协议
本研究中使用的验证方案沿袭了澳大利亚（包括大堡礁沿海地区）先前开展的海洋水色遥感验证工作的经验[27,76,77]。这些研究描述了在大堡礁沿海地区进行现场测量的同时提取卫星观测数据的处理步骤，以及实用的统计性能指标。
多个 Himawari-8 观测结果可以在一个时间范围内组合（即 hourly) 以消除潜在的异常值并降低传感器和环境噪声，从而可能提高估计值和验证性能 [7,9,16]。因此，本次验证工作采集了所有在原位记录时间±8分钟内扫描的可用的向日葵-30号观测数据。选择并处理了向日葵-10号在VNIR波段的8分钟观测数据

遥感2022，14，3503

8 中的 23

与太阳和观测几何相关的波段被子集到 3×3 像素的盒子中，

以每个并发现场数据点的坐标为中心。同样地，提取了并发掩模（即云、陆地、珊瑚礁和太阳闪烁）和辅助数据（即臭氧和气压）的3x3像素子集。选定的向日葵-8号卫星的近乎真彩色合成图

通过目视检查观察结果，以消除水平线明显的水域中的匹配

光学特性（即浊度锋）或附近云层的梯度。

–

Hourly 有效子集的复合值是通过时间平均值计算的，忽略 –

蒙版像素。urly 聚合子集用 ANN 反演进行处理

算法并屏蔽超出范围的值。最后，中位数和标准差

何的url计算了 y 个 TSS 子集，不包括 m 个被询问的像素。只有每个像素框掩蔽两个或更少像素的子集才被认为有效匹配。ANN

输出以对数尺度 (log10) 计算，并将同时发生的现场 TSS 进行对数转换以进行统计分析。超过view 验证程序如下

如图 4 所示。性能评估是根据其均方根误差

（RMSE 或绝对误差）、偏差、平均绝对百分比tage 误差（MAPE 或相对误差）和判定系数 (R2)。偏差、R2 和 RMSE 以 log10 计算

–

空间和 MAPE 计算线性测量和 p 卫星衍生的

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）

偏差 = 1/N (m -p)

（7）

根据上述统计指标对 ANN 匹配实验进行排序。优先考虑 RMSE 最低的实验，因为此统计参数是 ANN 训练期间最小化的成本函数。选择隐藏层神经元数量最少且表现最佳的实验，以减少对整个 GBR 的 Himawari-8 观测值进行反演的计算工作量。

图 4. 简化的view 算法验证程序。

2.6. 局限性评估

计算了可见光和近红外光的信噪比 (SNR)

第八任总理赫艾姆斯特尔瓦纳·斯提亚·阿·塔奥德

（蒂姆）oeb–seArvEaStTio）nast

扫描选定

当地时间 08:00 至 16:00 之间以及无云地区

时间（澳大利亚珊瑚海

–

遥感2022，14，3503

9 中的 23

（南纬 16.25 度，东经 151 度和南纬 20.60 度，东经 153.53 度）。由于校准系数已针对相干噪声和水平条纹噪声进行了校正，因此本分析仅考虑了 2017 年 63,78 月之后的观测数据 [8]。浏览了通过向日葵-79 号监测 P 树系统 [80,81] 获得的真彩色快照，以选择目标区域，并确保这些快照在空间上均匀，不太可能受到云层、太阳反光、生物光学特征和陆地燃烧产生的烟柱的影响 [8]。通过应用校准系数 [60]，将选定的向日葵-51 号观测数据从原始计数转换为物理单位，提取 51 x XNUMX 像素的子集并将其集中在感兴趣区域的坐标处。此外，还确定了子集、相关掩模和几何参数urly 聚合。10 分钟和 hourly 聚合子集被掩盖了云层、陆地、珊瑚礁和太阳闪光，并且它们的近乎真实的彩色合成图被检查是否存在未被发现的特征，例如珊瑚礁、珊瑚礁、云层阴影和传感器伪影。
根据公式 (8) [8] 计算 Himawari-80 每个波段的信噪比 (SNR)。对目标区域内所有有效像素的 LTOA() 取平均值，得出 Ltypical()，取同一区域内的标准差 () 得出噪声等效辐射亮度 (Lnoise())。SNR 计算为每个波段的 Ltypical 与 Lnoise 之比：

SNR() = Ltypical()/Lnoise() = LTOA()/(LTOA())

（8）

用 10 分钟和 ho 计算的 SNR 的日变化和幅度差异urly 聚合的 Himawari-8 观测数据（分别为 SNRSING() 和 SNRAGG()）在每个波段进行了检验。此外，由于已知噪声水平会随太阳高度角变化，因此对 s 范围内的光谱特性进行了评估[80]。最后，相关的百分比tag计算了 s = 45 ± 1 的噪声水平 (%Noise)，并用于评估该算法对 Himawari-8 典型噪声水平的敏感度。
本研究开发的 TSS 算法使用光谱平坦（不相关）光子噪声（0.8%）进行训练，该噪声被添加到训练数据集中，假设对海洋目标的传感器性能特征了解有限。为了评估反演稳定性并提供 TSS 算法的基线灵敏度分析，将 0.1、1.0、10 和 50% 的光谱平坦光子噪声添加到测试数据集并进行反演。此外，将与 Himawari-8 波段相关的 %Noise 添加到测试数据集中，以量化光谱相关噪声水平对 TSS 检索精度的影响。检索稳定性被解释为在对数浓度中等距分布的广泛 TSS（0.01 至 100 mg L-1）中 RMSE 的恒定增量。此外，以像素为单位评估了在大堡礁沿海和珊瑚海的均质无云水域中拍摄的 TSS 产品的纵向横断面，以定性评估 Himawari-8 的噪声水平。

3.结果
3.1. 算法验证
采用不同的架构配置训练多个网络，最终选择性能最佳、RMSE 最低且隐藏层神经元数量最少的网络进行反演。所选实验的隐藏层神经元数量为 50 个，反演的 TSS 范围为 0.14 至 24 mg·L-1，R2 和偏差均为正值 0.014 mg·L-1，MAPE 为 75.5%，10RMSE 为 2.08 mg·L-1，如图 5 所示。

遥感2022，14，3503

10 中的 23

图5. 采用性能最佳的ANN实验获得的原位TSS和向日葵8衍生TSS，其中原位TSS值以对数标度用颜色编码。误差线表示3×3像素框内TSS的像素内标准差。不同符号表示AIMS采集的原位数据。
以及 CSIRO 在 LJCO 的研究。
–
3.2. 大堡礁 Himawari-8 总悬浮固体
图6展示了8年27月2017日在大堡礁区域拍摄的向日葵-10号（左图）近乎真实的彩色合成图，以及相应的1分钟时间分辨率的TSS产品图（右图）。大堡礁泻湖内的水域TSS通常达到或超过1毫克/升，而大堡礁近海水域的TSS则低于1毫克/升。TSS产品显示珊瑚海的开阔海域存在严重的颗粒化和条纹状噪声。

图 6. 8 年 27 月 2017 日 15:00 AEST 拍摄的近乎真实色彩的 GBR Himaw-ari-1 图像（左图）和相关的 TSS 产品 [mg L-XNUMX]（右图）。由于云层和超出范围的值，像素被遮盖为黑色。

Himawari-8 研究了伯德金河河口和大堡礁南部的 TSS 波动

近海珊瑚礁基质（图7

桑德罗安－伊姆迪纳焦特内斯

链接）。12 年 2019 月 XNUMX 日的伯德金洪水事件产生了沉积物羽流，

下午 50 点至 3 点之间到达外礁（距河口 4 公里），TSS > 20 mg L-1。

–

—

遥感2022，14，3503

--
–

–
–

11 中的 23
–

伯德金河沉积物羽流在涨潮期间形成，低潮和高潮之间的差异为 0.3 米。在一个半日潮汐周期内，珊瑚礁附近的沿海水域 TSS 含量呈数量级增长（3.6 mg·L-26.4，1 mg·L-7）（图 8 左图和图 40a 中的十字标记）。被洪水覆盖的珊瑚礁所暴露的 TSS 浓度约为指导阈值 0.7 mg·L-1 的 82 倍 [100]。河口附近 TSS 超过 1 mg·L-1 的区域被标记为超出范围的值（ANN 标记）（黑色区域）。图 SXNUMX 提供了主要排放事件后 TSS 波动的动画。

图 7. 2019 年 2016 月伯德金河洪水柱（左图）。XNUMX 年 XNUMX 月大堡礁珊瑚礁基质内的 TSS 潮汐喷流（右图）。注意每个图中不同的范围。黑色遮罩的像素是由于 TSS 值超出范围造成的。
虽然大洪水事件在沿海大堡礁显示出清晰的TSS特征，但在大堡礁南部浅礁和水下礁体周围观测到亚中尺度的潮汐急流（图7（右图）），表明这些不同条件如何影响短期TSS变化。图S2中的动画演示了潮汐引起的TSS波动的动态，其中高潮（4米）和低潮（0.2米）分别发生在上午10点和下午6点（图8b）。先驱礁（十字标记）附近的TSS浓度在一天内波动了大约一个数量级（0.3，2.0毫克/升），其值超过了针对开放沿海大堡礁建议的水质指导阈值（1毫克/升）。

图 8. 10 年 8 月洪水期间伯德金河河口（a）和 2019 年 2016 月大堡礁南部礁体基质（b）中 Himawa-ri-7 法测得的 2.0 分钟总悬浮颗粒物（TSS）的时间序列，如图 1 所示。误差线表示像素内标准差。近岸水域（0.7 mg·L-1）和中部陆架水域（XNUMX mg·L-XNUMX）的指导阈值以红色标记。请注意每幅图中不同的时间范围。
– –
–

遥感2022，14，3503

12 中的 23
3.3. 检测限值根据 Himawari-8 的两组观测数据计算得出的信噪比如下表所示
图 9 的图形。由于密集的云层覆盖，特别是在 06 年 2017 月 30 日，一些单独的观测被遗漏，并导致时间序列中的数据间隙。SNRSING 和 SNRAGG 呈现出明显的昼夜波动，最高 SNR 出现在最低 s（<11）时，即上午 12 点到中午 470 点之间。与 SNRSING 计算的值相比，SNRAGG 和蓝色和绿色波段（510 和 640 nm）的幅度和昼夜变化较高。为 856 nm 和 06 nm 波段计算的 SNR 至少比为蓝色和绿色波段计算的 SNR 低三倍，且昼夜变化微妙。不同日期和不同地点的 SNR 昼夜波动各不相同，尤其是蓝色波段和 SNRAGG。2017 年 22 月 9 日（平均值~25），蓝色和绿色波段的 SNRAGG 幅度相似（图 2017b）。 28 年 9 月 XNUMX 日（在不同地点，平均 v~XNUMX），蓝色波段的 SNRSING 几乎是绿色波段的两倍（图 XNUMXd）。

图 9. 针对单个观测值 (SNRSING) (a,c) 和聚合观测值 (SNRAGG) (b,d) 计算的信噪比时间序列（SNR，右轴），以及与 s 相关的观测值（左轴）。SNR 为
按波段进行颜色编码。

团体

s 的光谱变化，其中标准

SNRSING 和 SNRAGG 显示每个组内的偏差

如图所示

10 为上限

三个错误

条形图。单个观测结果通常比聚合观测结果产生更低的 SNR

在所有波段中，图 9 中的 SNR 最高。SNR 的标准偏差

s < 30，与单个和聚合计算的数据一致

观察结果

wfoerresm>o4r0epartotnhoeubnlcueedbfoanr dsp>re4s0enatendd

在蓝色和绿色波段。标准差为 27，

为 SNRSING 计算的 SNR 51

和 SNRAGG 偏差

，而分别为13和26。

针对绿色波段计算的信噪比标准这些偏差可能与变量有关

每个地点的大气条件，在蓝色和绿色波段得到加强

并且处于较高的大气路径长度。

遥感2022，14，3503

13 中的 23

图 10. 针对单个 (SNRSING) (-a) 和

聚合观测值（SNRAGG）（b），并分组为每组内的 SNR 标准差

对于 s。

三

范围

错误

酒吧

是

计算

TgcorhemegpaSTtNuehtdReedASoGNbfGsoRerrvAvaaGallGluti,seoitsnnhsgceolwLemtioytphpbiicslaeesldr,=vaiann4t5diToaLn±bnsole1iwse2iawtwhnederersaec=saosob4m5copiuaitlt±eetddw1ipinceweTrcaaeebsrnelhetiai2ngg.chelLunaikdsoeeitswdheeifs(oc%eor, NtrchrooeeimssSpepN)oaf–nRordiSrsIiNaongnGg-. SNRSING，红带除外。尽管如此，红光（~3%）和近红外波段（NIR）中的噪声水平较大，这一点尤其明显，因为在清澈的开阔海域中，水离开辐射的程度可以忽略不计。

–

表 2. 可见光和近红外 Himawari-8 L 典型值和 L 噪声 W m-2sr-1µm-1 及相关

百分比tags = 45 ± 1 时 SNRAGG 的噪声 (%噪声)。s = 45 ± 1 时计算的 SNRSING 值

被添加以便比较。

乐队 470 510 640 865

L典型 59.5 38.3 13.8 3.4

噪声 0.26 0.29 0.41 0.18

％噪音
0.44 0.76 3.02 5.26
–

SNRAGG 223 130 33 19

信噪比 100 74 28 8

dalegpoerTnithdhemenopturptechosoemntoetsns ronefaorsiesotenriaiesbvililenlurgestTtrrSiaeStve(ad0l.0pin1erttfhooer1m0g0raamnpcgheisLcfs-o1or)fTwFSiSigthautrsoepre1ac1tb.roaI-vnlleyb0ofl.t1ahtmasgcnedL-n-sap1r,-ieoe-csxtr,catehlplyet

当加入50%的光谱平坦光子噪声时，得到了较大的误差（>300%）

前往向日葵-8号卫星进行TSS回收

下面的乐队

（图-e 0.1 毫克

11a). L-1，

无论噪声类型和水平如何。在更现实的场景中，当频谱依赖

光子噪声（即表 2 中的 %噪声）被添加到 Himawari-8 波段，误差为

对于 TSS > ~100 mg·L-0.25 的情况，大部分低于 1%（图 11（右图））。因此，为了获得

为了使用当前的 TSS 算法从 Himawari-8 进行可靠的检索，选择了 0.25 mg L-1 的检测限。为了进行比较，计算的 TSS 检索的检测限

来自大气校正的 Himawari-8，如 Dorji 和 Fearns [17] 所述，表示为

0.15 mg L-1 处的垂直虚线。

遥感2022，14，3503

14 中的 23

图 11. 光谱平坦（左图）和光谱相关（右图）光子噪声水平的反演 RMSE 误差（单位：mg·L-1）。辐射传输 (RT) TSS 和相关的 RMSE 值以对数刻度表示。0.15 m·g·L-1 处的垂直虚线是 Dorji 和 Fearns [17]（2018 年）的检测限。0.25 m·g·L-1 处的垂直虚线是本方法的检测限。
对噪声水平进行目视检查，发现严重的颗粒化和水平条纹 iogttitnnruhbraeraHstnbhneTsiierumdeSvlcCSaaactAtostwoiiGroaooaaGnsnfrl-tiTsaSw-(-h8lSeTaoaSaTSswSrS(SIesmNSSeeaIGdNvaspgeGra(iroenT)nendcSdlatruySnaeTcrad>atSessrSdei~r(nAdouF1GwicomgmeGpsu-da,egtrsaFnei-knLki1goie-an2ucn1g)ger,)geba.parne1raIetno2rgwwt)uaiaeacantd-eeutrdeenddlarciis1T-rtllill5oS(oyu1TuSnswSdtpErtS-haorpaeot

–

图 12. TSSSING(a) 和 TSSAGG(b) 提取的横断面（洋红色箭头）的位置。注意

TSSAGG.Himawari-8 观测数据中的累积云掩蔽，于 9 年 2017 月 XNUMX 日进行

当地时间（澳大利亚东部标准时间） 10:00 和 10:50。

–

横断面amp19S 和 20S 之间的珊瑚海（图 13a）呈现

TSSSING 和 TSSAGG 值大多低于方法的检测限（0.25 mg·L–1），可能造成超过 100% 的反演误差。TSSSING 在像素尺度上（或 1 km 范围内）呈现尖峰或不同顺序的量级值连续出现。由于

结果发现相邻像素之间的差异高达 0.3 mg L-1，

如图所示

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

遥感2022，14，3503

15 中的 23

—

–

在沿海大堡礁采集的横断面上，TSSSING 和 T-SSAGG 之间存在显著差异（图 13b），尤其对于 TSS -> 1 mg L-1 的情况。然而，随着距离海岸的增加，TSS 降至 1 mg L-1 以下，TSSSING 和 TSSAGG 之间的差异增大。虽然图 13b 中大多数 TSSSING 像素都高于检测限（0.25 mg L-1），但它们在海岸到海洋过渡区域（151.4 至 152-.0E）表现出较差的空间相干性。由于 TSSSING 和 TSSAGG 对 TSS > ~1 mg L-1 的结果相当，因此两者都适用于监测沿海大堡礁。然而，TSSAGG 总体上表现出更好的空间相干性，根据应用领域，可能比 TSSSING 更受欢迎。

图 13. 珊瑚海（a）和珊瑚礁内采集的 Himawari-8 衍生 TSS（mg L-1）横断面
TSSSING（蓝点）和 TSSAGG（红点）观测到的沿海大堡礁水域（b）。数据间隙表示根据云、陆地、太阳闪烁或 ANN 标记（视情况而定）遮盖的像素。标注的 TSS（黑色箭头）表示像素顶部像素值，绿色水平线表示
方法。

4.讨论
对大堡礁面积广阔、光学结构复杂的区域进行水质综合监测是一项优先事项，这对环境管理人员和研究人员来说是一项挑战[2,83]。尽管海洋水色遥感对辐射和光谱的要求非常严格，但向日葵-8号卫星为大堡礁的先进水质监测提供了前所未有的观测数据。本文介绍了首个针对大堡礁日尺度水质综合监测的先进遥感算法，该算法经过局部调整和验证。

4.1. 算法开发与验证

耦合海洋大气辐射传输模拟提供了大量

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

输入鲁棒性满足最低要求

rnaodisioemweatsriecsrpeeqcuiairlelymaednvtsanotfaogceeoaunsccoolnosuirdseerninsgo-rHs iamnadweanrvii-r8odnomeesnntoatl

噪声，特别是来自大气的噪声，会极大地影响检索结果。这些结果

遥感2022，14，3503

16 中的 23
鼓励进一步应用 Himawari-8 观测数据来验证大堡礁现场水质数据。
反演的向日葵-8号卫星总悬浮颗粒物（TSS）匹配误差与其他海洋水色传感器（例如案例3海域的Sentinel-2号卫星[85]）定义的任务目标值相比，效果良好，尤其对于TSS高于0.1毫克/升的情况。本算法的性能与使用大气校正的向日葵-1号卫星观测数据[8]的算法相比也表现出色，表明使用基于模型的一步反演方法推导沿海TSS是可行的。明确的大气校正程序可以改善较低TSS范围（<~17,24毫克/升）的反演效果，而较低TSS范围可能受到主导大气路径辐射和向日葵-1号卫星低辐射性能的影响。
性能改进需要更大、更全面的原位生物光学测量数据库，涵盖相关的空间和时间变异尺度。此外，需要遵循严格的测量方案，以减少与沿海水域算法参数化和验证相关的不确定性。例如，进行三次重复的amp建议使用重量法测定TSS。此外，验证amp测量数据应在光学均质水域中[86]进行，这在高度动态的沿海环境中尤其困难。尽管如此，多个研究机构已经开展了现场测量，这些机构的科学重点各不相同，采用了不同的方法amp和分析方法。此外，一些物理和环境过程，例如底部反射率、荧光、双向反射率、偏振和有害藻华，未被考虑在内，但也可能导致匹配检索错误。
4.2. 大堡礁 Himawari-8 总悬浮固体
Himawari-8 可以近乎实时地监测大堡礁的偶发性洪水事件，揭示出一天之内 TSS 的数量级增长。这一事件发生在雨季，伯德金河连续 0.5 天每天的排放量在 1.5 万到 10 万毫升之间（克莱尔站的伯德金河 [87]）。伯德金洪水羽流造成的 TSS 波动远高于水质指导阈值，即大堡礁开放沿海和中部陆架水域 2 毫克/升，以及近海水域 1 毫克/升 [0.7]。洪水羽流延伸至外礁 1 公里，其昼夜发展情况可通过 82 分钟 Himawari-50 衍生的 TSS 数据逐步跟踪。因此，Himawari-10 为对大堡礁洪水事件进行完整的定性和定量监测提供了前所未有的观测数据。洪水中的掩蔽像素显示的值超过了 8 mg L-8，这意味着对于大堡礁洪水期间的检索，模拟范围应该扩大到超过此极限的值。
南部礁基质中的TSS特征可能是由短暂的亚中尺度再悬浮涡流（直径1公里）造成的，通常被称为潮汐急流。在大堡礁南部，较大的潮差（10米）会诱发强大的洋流[5]，将水推过狭窄且相对较浅的通道[10]。这些复杂的流体动力学促进了TSS从陆架缺口处再悬浮并注入礁基质，这些区域的TSS浓度可能与陆地来源无关[88,89]。潮汐急流与珊瑚海和大堡礁泻湖之间的局部上升流和营养物质交换有关[90]，是沉积物、营养物质和浮游植物生产的重要输送和混合机制[91]。然而，由于缺乏适当的空间和时间分辨率观测数据，潮汐急流的位置和发生情况很少被描述[92,93]。 Himawari-94 可以识别和追踪大堡礁内的此类特征，并达到解决短暂沿海过程所需的时间分辨率。
4.3. 限制
Himawari-8 的信噪比 (SNR) 与过去和目前正在运行的海洋水色传感器相比较低 [80]，其灵敏度远低于海洋水色应用的最低要求，尤其是在公海水域 [9,97]。然而，Himawari-

遥感2022，14，3503

17 中的 23
8 的 11 位中等辐射分辨率不太可能在明亮的目标（如云层 [80]）和极其浑浊的沿海水域（TSS ~100 mg L-1）上达到饱和，同时具有足够的灵敏度以在清澈的水面上提供合理的离散化水平（>0.25 mg L-1）。从聚合观测计算出的噪声水平通常低于所有波段的单个观测的噪声水平，证实了降低时间分辨率以提高图像质量的适宜性 [7,16]。尽管昼夜信噪比波动主要受太阳高度角的调节，但光谱依赖性意味着公海水域中相当大的输入噪声源（红光和近红外波段为 3%）可能来自大气 [5]。尽管如此，本方法的检测限（80 mg L-0.25）与采用明确大气校正反演气象数据的方法相当 [1]。
对于 AIMS 和 CSIRO 来说，0.25 mg L-1 的检测限接近于用重量法测量的原位 TSS 的检测限 ~0.4 mg L-1。重量法的相对不确定度与不同实验室采用的测量方案有关，包括过滤器类型、操作员偏差、盐冲洗等差异[99,100]。例如，玻璃纤维过滤器中捕获的盐晶体会极大地影响 TSS 测量，应通过冲洗过滤装置去除盐[101,102]。然而，使用不同的盐冲洗技术会产生高达 30% 的误差，从而阻碍低于 1 mg 的 TSS 的准确测定[101]。因此，对于本研究，原位测量和 Himawari-8 衍生的 TSS 的检测限和相对不确定度是相当的。这一结果表明，Himawari-8 可以准确监测大堡礁沿海水质的昼夜变化，TSS 在 0.25 至 100 mg L-1 之间。
Himawari-8 卫星获得的 TSS 产品呈现出系统性的水平条纹，其大小通常与单个水平扫描（500 公里）相对应，正如 Murakami [22] 先前发现的那样。这种条纹是由于可见光波段太阳漫射器观测中探测器间校准斜率的差异造成的 [103,104]。尽管对 2017 年 1 月后的观测应用了校准系数，但在近海水域和 TSS < 1 mg L-10 的情况下，水平条纹图案仍然存在。此外，每 8 分钟获取一次的 TSS 产品中观察到严重的颗粒化，这可能与 Himawari-17,22 传感器对水体目标的低辐射性能有关 [XNUMX]。然而，通过将多个单独的观测数据在时间上聚合成一个整体，可以大大降低视觉噪声urly 衍生的 TSS 产品 [16]。幸运的是，无论是从 1 分钟还是从 hourly TSS 产品。该结果可能与悬浮颗粒后向散射增强有关，从而增加了水体离开辐射亮度并掩盖了光子噪声[105]。因此，与公海相比，在中度浑浊的沿海水域中，Himawari-8 衍生的 TSS 更有可能被准确反演，这证实了检测限分析。
由于 Himawari-0.25 传感器在 1 分钟分辨率下的灵敏度较低，因此公海区域（TSS < 8 mg L-10）的像素间变化可能与目视检查观察到的颗粒状模式有关。低于 0.25 mg L-1 的 TSS 的辐射噪声在聚合 TSS 中大大降低，证实了灵敏度和目视检查分析。相反，在沿海 GBR 横断面中观察到 TSS > 1 mg L-1 的空间相干性得到改善。因此，Himawari-8 10 分钟得出的 TSS 可以像从 ho 得出的 TSS 一样可信地使用urly 沿海地区的聚合观测数据。在沿海大堡礁每10分钟获取一次TSS数据，可以提高对一小时内快速变化的水质波动的辨别能力。然而，这种近乎实时的时间频率需要强大的处理和存储能力，这对于整个大堡礁来说可能并不可行。urly TSS 不仅可以提高处理速度和存储能力，而且还有助于消除异常值并提高 TSS 产品的准确性。

遥感2022，14，3503

18 中的 23
5. 结论和未来展望
现场监测和低地球轨道卫星数据为我们提供了大量关于进入大堡礁的洪水羽流的知识 [4,106-108]。然而，观测频率低且空间有限，阻碍了我们全面了解短时间尺度上的羽流发展和演变。这项研究证明了向日葵-8号卫星适用于可靠地反演大堡礁沿海地区的总悬浮颗粒物（TSS），以及洪水羽流的测绘、追踪和监测。这是第一次，我们能够可靠地量化整个大堡礁的沿海TSS特征，其速率只有生物地球化学和水动力学模型才能实现 [109]。向日葵-8号卫星TSS产品能够以前所未有的时空分辨率表征和解析周期性和短暂性现象。这些产品将对研究人员、建模人员和利益相关者非常有用，他们目前仅使用低地球轨道海洋水色产品来评估大堡礁生态系统水质的影响 [109]。应利用向日葵-8号（Himawari-9）的TSS产品以及潮汐、风和淡水排放等沿海过程数据，进一步研究大堡礁（GBR）水质波动的昼夜变化及其驱动因素。此外，本研究中提出的算法可直接应用于相同的向日葵-8号（Himawari-2029）AHI传感器，该传感器计划于10年接替向日葵-2号。下一代向日葵任务（向日葵-2）正处于规划阶段，有可能在可见光范围内增加通道，并提高灵敏度和空间分辨率。这些特性将极大地提升地球静止卫星传感器海洋水色算法的能力，从而能够在昼夜尺度上更准确地反演沿海水域的水色。同样，GEOKOMPSAT-XNUMXA卫星上的先进气象成像仪（AMI）以及GOCI-II卫星（GEOKOMPSAT-XNUMXB）目前正在对澳大利亚和东亚进行观测，可以开发类似的机器学习算法，以近乎实时地利用这些海量丰富的数据集。在此背景下，本研究提供了一种先进的算法，并展望了当地球静止平台上的海洋颜色传感器在澳大利亚成为现实时将要开发的潜在应用。
补充材料：以下内容可在线获取，网址为 https://www.mdpi.com/article/10.3390/rs14143503/s1，图 S1：根据 2019 分钟 Himawari-10 观测数据，8 年 2 月伯德金河口总悬浮固体的昼夜变化，图 S2016：根据 10 分钟 Himawari-8 观测数据，XNUMX 年 XNUMX 月先驱礁附近的南大堡礁总悬浮固体的昼夜变化。
作者贡献：概念化，LP-V. 和 TS；方法论，LP-V. 和 TS；软件，LP-V.、TS 和 YQ；验证，LP-V.；形式分析，LP-V.；数据管理，LP-V.、TS 和 YQ；写作——初稿准备，LP-V.；写作——重新view 和编辑，TS、MJD、SS 和 YQ；监督，TS、MJD 和 SS；资金获取，LP-V。所有作者均已阅读并同意稿件的出版版本。
资金：本研究由巴西联邦政府国家科学技术发展委员会 (CNPq) 基金会通过无国界科学计划资助，资助编号为 206339/2014-3。
数据可用性声明：本研究中提供的数据可根据相应作者的要求提供。
致谢：我们感谢 Juergen Fischer 和 Michael Schaale（柏林自由大学地球科学系空间科学研究所）提供 MOMO 辐射传输代码和逆向建模工具。感谢 Britta Schaffelke、Michele Skuza 和 Renee Gruber（AIMS）提供宝贵的现场数据，这些数据是海洋近岸水质监测计划的一部分，该计划由大堡礁海洋公园管理局、澳大利亚海洋科学研究所、詹姆斯库克大学和约克角水监测伙伴关系合作开展。感谢日本气象厅运行向日葵 8 号并通过澳大利亚气象局分发数据。感谢澳大利亚气象局提供潮汐预报数据。现场数据来源于澳大利亚综合海洋观测系统 (IMOS)——IMOS 由国家合作研究基础设施战略 (NCRIS) 提供支持。 NCRIS（IMOS）和CSIRO

遥感2022，14，3503

19 中的 23

感谢资助露辛达码头海岸观测站。本研究得到了澳大利亚国家计算基础设施（NCI Australia）的资源协助，该基础设施是由澳大利亚政府支持的NCRIS平台。
利益冲突：作者声明没有利益冲突。
参考
1. Schroeder, T.；Devlin, MJ；Brando, VE；Dekker, AG；Brodie, JE；Clementson, LA；McKinna, L. 基于卫星沿海海洋颜色观测数据，分析大堡礁泻湖雨季淡水羽流范围的年际变化。《Mar. Pollut. Bull.》2012，65，210-223。[CrossRef] 2. Devlin, M.；Petus, C.；da Silva, ET；Tracey, D.；Wolff, N.；Waterhouse, J.；Brodie, J. 大堡礁水质与河流羽流监测：一项关于view 基于海洋水色卫星数据的方法。遥感。2015，7，12909。[CrossRef] 12941. Blondeau-Patissier，D.；Brando，VE；Lønborg，C.；Leahy，SM；Dekker，AG 来自 ESA-MERIS 十年任务的澳大利亚大堡礁泻湖 Trichodesmium spp. 水华物候学。PLoS ONE 3，10，e2018。[CrossRef] [PubMed] 13. Petus，C.；Waterhouse，J.；Lewis，S.；Vacher，M.；Tracey，D.；Devlin，M。大量信息：使用 Sentinel-0208010 水色产品确保持续监测大堡礁（澳大利亚）的水质趋势。环境杂志。 Manag. 4, 3, 2019。[CrossRef] 248. Brodie, J.；Schroeder, T.；Rohde, K.；Faithful, J.；Masters, B.；Dekker, A.；Brando, V.；Maughan, M. 河流排放事件期间大堡礁泻湖中悬浮沉积物和营养物的扩散：从卫星遥感和同时发生的洪水柱流得出的结论ampling. Mar. Freshw. Res. 2010, 61, 651-664。[交叉引用] 6. Sirjacobs, D.；Alvera-Azcárate, A.；Barth, A.；Lacroix, G.；Park, Y.；Nechad, B.；Ruddick, K.；Beckers, J.-M. 通过数据插值经验正交函数方法对北海南部海洋颜色和海面温度遥感产品进行云填充。J. Sea Res. 2011, 65, 114-130。[交叉引用] 7. Ruddick, K.；Neukermans, G.；Vanhellemont, Q.；Jolivet, D. 区域海洋静止海洋颜色遥感面临的挑战和机遇：view 近期成果。遥感环境。2014，146，63。[交叉引用] 76. Ruddick, K.；Vanhellemont, Q.；Yan, J.；Neukermans, G.；Wei, G.；Shang, S. 利用地球静止轨道海洋彩色成像仪（GOCI）观测到的渤海悬浮颗粒物的变化。海洋科学杂志。8，2012，47-331。[交叉引用] 345. IOCCG. 从地球静止轨道进行的海洋颜色观测；国际海洋颜色协调小组 (IOCCG) 报告第 9 号；Antoine, D. 编辑；IOCCG：加拿大新斯科舍省达特茅斯，12 年。在线获取：http://ioccg.org/wpcontent/uploads/2015/10/ioccg-report-12.pdf（18 年 2016 月 XNUMX 日访问）。
10. Gruber, R.；Waterhouse, J.；Logan, M.；Petus, C.；Howley, C.；Lewis, S.；Tracey, D.；Langlois, L.；Tonin, H.；Skuza, M.；等人。海洋监测计划：2018-2019 年近海水质监测年度报告；大堡礁海洋公园管理局报告 2208；大堡礁海洋公园管理局：澳大利亚汤斯维尔，4096 年。可在线访问：https://elibrary.gbrmpa.gov.au/jspui/handle/2020/11017（3665 年 14 月 2022 日访问）。
11. Waterhouse, J.；Schaffelke, B.；Bartley, R.；Eberhard, R.；Brodie, J.；Thorburn, P.；Rolfe, J.；Ronan, M.；Taylor, B.；Star, M.；等。《科学共识声明摘要：土地利用对大堡礁水质和生态系统状况的影响》；昆士兰州：澳大利亚汤斯维尔，2017 年。在线访问：https://www.reefplan.qld.gov.au/science-and-research/thescientific-consensus-statement（25 年 2017 月 XNUMX 日访问）。
12. 冯建军；陈华；张华；李哲；余英；张勇；Bilal M；邱哲。利用 GOCI 卫星数据估算中国沿海浑浊河口的浊度。遥感。2020，12，3770。[CrossRef] 13. 楼晓玲；胡晨。东海有害藻华的昼夜变化：来自 GOCI 的观测。遥感环境。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.；等。卫星海洋颜色：现状与未来展望。前沿。三月。科学。14，2019，6。[交叉引用] 485. Park，J.-E.；Park，K.-A.；Kang，C.-K.；Park，Y.-J。叶绿素a浓度对中尺度涡旋海面风场变化的短期响应。河口海岸15，2019，43。[交叉引用] 646. Lavigne，H.；Ruddick，K。地球静止MTG/FCI在高时间分辨率检索公海叶绿素a浓度的潜在用途。国际遥感杂志660，16，2018。[交叉引用] 39. Dorji，P.； Fearns, P. 对静止卫星 Himawari-2399 数据的大气校正用于总悬浮泥沙测绘：以西澳大利亚沿海水域为例。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. 赏心悦目：地球静止卫星回归真彩色。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. 利用 MODIS、MERIS 和 GOCI 卫星数据反演东海海水反射率以监测悬浮固体。遥感环境。97，1803，1816。[CrossRef] 19. Doxaran, D.；Cherukuru, RCN；Lavender, SJ 利用反射波段比率估算河口水域悬浮物和溶解物浓度。国际遥感杂志。2014，146，36-48。[CrossRef]

遥感2022，14，3503

20 中的 23

21. Kwiatkowska，EJ；拉迪克，K.；拉蒙，D.；范赫勒蒙，Q.；布罗克曼，C.；莱布雷顿，C.；博内克amp, HG 来自地球静止平台的海洋颜色产品，第二代和第三代气象卫星带来的机遇。海洋科学讨论。2015，12，3143。[CrossRef] 3167. Murakami, H. 通过 Himawari-22/AHI 估计海洋颜色。在《海洋和内陆水域遥感会议纪要：技术、应用和挑战》中，印度新德里，8 年 7 月 2016 日。[CrossRef] 23. Chen, X.；Shang, S.；Lee, Z.；Qi, L.；Yan, J.；Li, Y. 通过 Himawari-8 上的 AHI 对浮游藻类进行高频观测。遥感环境。2019，227，151。[CrossRef] 161. Hafeez, S.；Wong, MS；Abbas, S.； Jiang, G. 评估地球静止卫星向日葵-24号用于测绘地表总悬浮固体及其日变化的潜力。遥感。8，2021，13。[CrossRef] 336. 日本气象厅。事件日志：向日葵-25号性能测试结果；气象卫星中心：日本清濑，8年。在线获取：https://www.data.jma.go.jp/mscweb/en/himawari89/space_segment/fig/AHI8_performance_test_en.pdf（20 年 2021 月 XNUMX 日访问）。
26. IOCCG。沿海及其他光学复杂水域海洋颜色遥感；国际海洋颜色协调小组 (IOCCG) 报告第 3 号；Sathyendrath，S.，编辑；IOCCG：加拿大新斯科舍省达特茅斯，2000 年。可在线访问：http://ioccg.org/wp-content/uploads/2015/10/ioccg-report-03.pdf（20 年 2015 月 XNUMX 日访问）。
27. Schroeder, T.；Schaale, M.；Lovell, J.；Blondeau-Patissier, D. 一种用于沿海水域 Sentinel-3 OLCI 的集合神经网络大气校正，可提供固有模型不确定性估计和传感器噪声传播。遥感环境。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：一种基于机器学习的卫星海洋颜色传感器数据分析平台。遥感环境。2021，253，112236。[CrossRef] 29. Brockmann, C.；Doerffer, R.； Peters, M.；Stelzer, K.；Embacher, S.；Ruescas, A. 哨兵2号和2号C3RCC神经网络的演进，用于在正常和极端光学复杂水域中检索海洋颜色产品。载于《欧洲航天局会议纪要》，捷克共和国布拉格，9年13月2016日至XNUMX日。
30. Schroeder, T.；Fischer, J.；Schaale, M.；Fell, F. 基于人工神经网络的大气校正算法：应用于 MERIS 数据。载于 SPIE 4892 会议论文集《海洋遥感与应用》，中国杭州，8 年 2003 月 124 日；第 132-31 页。[CrossRef] 2005. Jamet, C.；Thira, S.；Moulin, C.；Crepon, M. 使用神经变分反演从海洋彩色图像中检索海洋和大气成分：一项可行性研究。《大气海洋技术杂志》，22 年，第 460 卷，第 475-32 页。[CrossRef] 2006. Brajard, J.；Jamet, C.；Moulin, C.； Thiria, S. 利用神经变分反演从卫星海洋颜色传感器检索海洋和大气成分：应用于吸收性气溶胶。《神经网络与海洋科学学报》。《国际神经网络学会杂志》。19，178，185-33。[CrossRef] 2. Doerffer, R. 算法理论基础文档 (ATBD) MERIS 区域沿海和湖泊案例 1 水项目大气校正 ATBD；水版本 2008；GKSS 研究中心：德国格斯塔赫特，1 年；第 42 页。
34.帕勒文，N.；史密斯，B.；沙勒斯，J.；绑定，C.；曹，Z。马，R。阿利卡斯，K.；康格罗，K.； Gurlin, D.；Hà, N.；等人。利用 Sentinel-2 (MSI) 和 Sentinel-3 (OLCI) 在内陆和沿海水域无缝反演叶绿素-a：一种机器学习方法。遥感环境。2020，240，111604。[交叉引用] 35. Gross, L.；Thiria, S.；Frouin, R.；Mitchell, BG。用于模拟海洋反射率和浮游植物色素浓度之间传递函数的人工神经网络。地球物理研究与海洋杂志。2000，105，3483。[交叉引用] 3495. Schroeder, T.；Behnert, I.；Schaale, M.；Fischer, J.；Doerffer, R. 用于案例 36 水域 MERIS 大气校正算法。国际。 J. 遥感. 2, 2007, 28. [交叉引用] 1469. Schroeder, T.；沙勒，M.； Fischer, J. 从 MERIS 测量中检索大气和海洋特性：BEAM 的新型 Case-1486 水处理器。国际。 J. Remote Sens. 37, 2, 2007. [交叉引用] 28. Schroeder, T. Fernerkundung von Wasserinhaltsstoffen in Küstengewässern mit MERIS unter Anwendung expliziter und impliziter Atmosphärenkorrekturverfahren（沿海水域遥感MERIS 基于显式和隐式大气校正算法）。博士论文，柏林自由大学，德语，5627 年。[CrossRef] 5632. Patricio-Valerio, L. 探索向日葵-38 号观测数据以用于大堡礁的高级海岸监测。博士论文，詹姆斯库克大学，汤斯维尔，澳大利亚，2005 年。[CrossRef] 39. Fell, F.；Fischer, J. 使用矩阵算子方法对大气-海洋系统中的光场进行数值模拟。定量光谱辐射传输杂志，8，2021，40-2001。[CrossRef] 69. Fischer, J.；Grassl, H. 大气-海洋系统中的辐射传输：一种依赖于方位角的矩阵算子方法。应用光学。 351, 388, 41。[CrossRef] 1984. Santer, R.；Zagolski, F.；Dilligeard, E. MERIS 替代校准的辐射传输代码比较。载于 ENVISAT 验证研讨会论文集，ESRIN，意大利弗拉斯卡蒂，23 年 1032 月 1039-42 日。
43. 标准大气扩展委员会。美国标准大气；NASA：美国华盛顿特区，1976 年。44. Holben, BN；Eck, TF；Slutsker, I.；Tanré, D.；Buis, JP；Setzer, A.；Vermote, E.；Reagan, JA；Kaufman, YJ；Nakajima, T.；等。
AERONET——用于气溶胶表征的联合仪器网络和数据档案库。遥感环境。1998，66，1。[CrossRef] 16. AERONET。气溶胶机器人网络。在线获取：https://aeronet.gsfc.nasa.gov/cgi-bin/data_display_aod_v45?site=Lucinda&nachal=3&level=2&place_code=3（10年3月2017日访问）。

遥感2022，14，3503

21 中的 23

46. Ångström, A. 大气浊度参数。Tellus 1964, 16, 64-75。[交叉引用] 47. Rothman, LS；Barbe, A.；Chris Benner, D.；Brown, LR；Camy-Peyret, C.；Carleer, MR；Chance, K.；Clerbaux, C.；Dana, V.；Devi,
VM；等人。HITRAN 分子光谱数据库：2000 年版，包括截至 2001 年的更新。定量光谱辐射学报。2003，82，5。[CrossRef] 44. Bennartz, R.；Fischer, J. 一种改进的 k 分布方法，应用于近红外窄带水蒸气和氧气吸收估计。定量光谱辐射学报。48，2000，66-539。[CrossRef] 553. Zhang, T.；Fell, F.；Liu, ZS；Preusker, R.；Fischer, J.；He, MX 评估人工神经网络技术在案例 I 水域海洋颜色色素检索中的性能。地球物理研究海洋学杂志。 49，2003，108。[交叉引用] 3286. Pope, RM；Fry, ES，纯水的吸收光谱（50~380 nm）。II. 积分腔测量。Appl. Opt. 700，1997，36~8710。[交叉引用] 8723. Hale, GM；Querry, MR，51 nm 至 200 µm 波长范围内水的光学常数。Appl. Opt. 200，1973，12~555。[交叉引用] 563. Bricaud, A.；Morel, A.；Babin, M.；Allali, K.；Claustre, H. 海水（案例 52）中悬浮颗粒光吸收随叶绿素浓度的变化：对生物光学模型的分析和启示。J. Geophys.海洋研究。1，1998，103。[交叉引用] 31033. Babin, M.；Stramski, D.；Ferrari, GM；Claustre, H.；Bricaud, A.；Obolensky, G.；Hoepffner, N. 欧洲沿海水域浮游植物、非藻类颗粒和溶解有机物的光吸收系数变化。地球物理海洋研究杂志。31044，53，2003。[交叉引用] 108. Morel, A. 纯水和纯海水的光学特性。《海洋学光学方面》；Nielsen, JS 编辑；Academic Press：美国马萨诸塞州剑桥，3211 年；第 54 页。1974. Babin, M.；Morel, A.；Fournier-Sicre, V.； Fell, F.；Stramski, D. 沿海和公海水域海洋颗粒物光散射特性与颗粒物质量浓度的关系。《海洋学与海洋化学》1, 24, 55-2003。[交叉引用] 48. Zhang, T.；Fell, F.；Fischer, J. 模拟二类水域海洋颗粒物的后向散射比。《海洋光学第十六届会议论文集》，美国明尼苏达州圣达菲，843 年 859 月 56 日至 2 日。18. Minsky, M.；Papert, SA. 感知器：计算几何导论；麻省理工学院出版社：美国马萨诸塞州剑桥，22 年。2002. Malthouse, EC. 使用通用神经网络执行非线性 PCA 的局限性。《IEEE 神经网络汇刊》。 57, 1969, 58。[CrossRef] [PubMed] 1998. Liu, DC；Nocedal, J. 论用于大规模优化的有限内存 BFGS 方法。数学程序。9, 165, 173。[CrossRef] 59. 日本气象厅。事件日志：用于校正向日葵-1989 号 AHI 灵敏度趋势的校准信息更新；日本清濑气象卫星中心，45 年。在线获取：https://www.data.jma.go.jp/mscweb/en/oper/eventlog/Update_of_Calibration_Information_2019.pdf（20年2021月61日访问）。29. Kurucz, R. 太阳光谱：图集和谱线识别。载于《实验室和天文高分辨率光谱论文集》，比利时布鲁塞尔，2年1995月17日至62月8日；第XNUMX页。XNUMX. 气象卫星中心。GSICS Himawari-XNUMX可见光和近红外替代校准指南。在线获取：https://www.data.jma.go.jp/mscweb/data/monitoring/gsics/vis/techinfo_visvical.html（10 年 2022 月 63 日访问）。8. 日本气象厅。事件日志：向日葵 2017 号观测数据质量的提高；事件日志气象卫星中心：日本清濑，XNUMX 年。在线访问：https://www.data.jma.go.jp/mscweb/en/oper/eventlog/Improvement_of_Himawari-8_data_quality.pdf（20 年 2021 月 64 日访问）。2019. Qin, Y.；Steven, ADL；Schroeder, T.；McVicar, TR；Huang, J.；Cope, M.；Zhou, S. 澳大利亚地区的云量：针对高级向日葵成像仪的云层掩蔽、分类和光学深度检索算法的开发和验证。前沿环境科学，7，20，65。[CrossRef] 1.4. 大堡礁海洋公园管理局。大堡礁 (GBR) 特征（礁边界、昆士兰大陆、岛屿、沙洲、岩石和干礁）（GBRMPA）（版本 2164）[数据集] 88DB79-FD449-920E-61F-37C634ADE1998B。7 年。在线提供：http://www.gbrmpa.gov.au/geoportal/catalog/search/resource/details.page?uuid=%41B3629AB41-B4746B-9-753822667B5E3AF7%14D（2022 年 66 月 2006 日访问）。17. Emecen, E.；Kara, G.；Erdogmus, F.；Gardashov, R. 通过地球静止卫星观测确定海洋表面的太阳反射位置。TAO Terr. 大气. 海洋. 科学。 253，67，2。[CrossRef] 1. 美国国家海洋和大气管理局。使用 SBUV/2020 和 TOVS (TOAST) 进行臭氧总量分析。在线获取：https://www.ospo.noaa.gov/Products/atmosphere/toast/index.html（68 年 50 月 2001 日访问）。82. Kistler, R.；Kalnay, E.；Collins, W.；Saha, S.；White, G.；Woollen, J.；Chelliah, M.；Ebisuzaki, W.；Kanamitsu, M.；Kousky, V. NCEPNCAR 247 年再分析：每月均值 CD-ROM 和文档。美国气象学会通报，268，69，2-2002。[CrossRef] 83. Kanamitsu, M.；Ebisuzaki, W.； Woollen, J.；Yang, S.-K.；Hnilo, JJ；Fiorino, M.；Potter, GL NCEPDOE AMIP-II 再分析 (R-1631)。美国气象学会通报 1644，70，40。[CrossRef] 1996. Kalnay, E.；Kanamitsu, M.；Kistler, R.；Collins, W.；Deaven, D.；Gandin, L.；Iredell, M.；Saha, S.；White, G.；Woollen, J. NCEP/NCAR 77 年再分析项目。美国气象学会通报 437，472，71。[CrossRef] 2. 美国国家海洋和大气管理局。NCEP 再分析 2 气象数据。在线获取：https://psl.noaa.gov/data/gridded/data.ncep.reanalysis1.html（2020 年 XNUMX 月 XNUMX 日访问）。

遥感2022，14，3503

22 中的 23

72. 综合海洋观测系统。IMOS 澳大利亚水域海洋颜色生物光学数据库 (SRS-OC-BODBAW)。2011 年。可在线访问：https://researchdata.edu.au/imos-srs-ocean-australian-waters（20 年 2017 月 XNUMX 日访问）。
73. 大堡礁海洋公园管理局。《海洋监测计划质量保证和质量控制手册 2017-2018 年》；大堡礁海洋公园管理局：澳大利亚汤斯维尔，2019 年。在线访问：http://elibrary.gbrmpa.gov.au/jspui/handle/11017/3487（15 年 2018 月 XNUMX 日访问）。
74. Soja-Woz´niak, M.；Baird, M.；Schroeder, T.；Qin, Y.；Clementson, L.；Baker, B.；Boadle, D.；Brando, V.；Steven, ADL，《颗粒后向散射比作为沿海水域颗粒成分变化指标：大堡礁水域观测结果》。《地球物理研究与海洋》2019 年第 124 期，第 5485 页。[CrossRef] 5502. Bulgarelli, B.；Zibordi, G. 关于使用 SeaWiFS、MODIS-A、MERIS、OLCI、OLI 和 MSI 对中纬度沿海环境海洋颜色遥感检测邻近效应的可检测性。《遥感与环境》 75, 2018, 209。 [交叉引用] 423. 施罗德，T.；洛弗尔，J.；金，E。克莱门森，L.； Scott, R. IMOS 海洋颜色验证报告 438-76，向综合海洋观测系统 (IMOS) 提交的报告； CSIRO 海洋和大气：澳大利亚布里斯班，2017 年； p。 18.
77. King, E.；Schroeder, T.；Brando, V.；Suber, K. 大堡礁海洋水质卫星监测预运行系统。载于《海洋财富旗舰报告》；CSIRO 海洋财富旗舰项目：澳大利亚霍巴特，2014 年。[CrossRef] 78. 日本气象厅。事件日志：向日葵-8 号观测数据质量改进；气象卫星中心：日本清濑，2016 年。在线访问：https://www.data.jma.go.jp/mscweb/en/oper/eventlog/20161117_Quality_improvement_of_Himawari-8_observation_data.pdf（20 年 2021 月 XNUMX 日访问）。
79. 日本宇宙航空研究开发机构。JAXA Himawari 监测 P-Tree 系统。可在线访问：https://www.eorc.jaxa.jp/ptree/index.html（14 年 2022 月 XNUMX 日访问）。
80. Hu, C.；Feng, L.；Lee, Z.；Davis, CO；Mannino, A.；McClain, CR；Franz, BA，卫星海洋颜色传感器的动态范围和灵敏度要求：从过去的经验中学习。Appl. Opt. 2012, 51, 6045-6062。[CrossRef] 81. Tang, W.；Llort, J.；Weis, J.；Perron, MMG；Basart, S.；Li, Z.；Sathyendranath, S.；Jackson, T.；Sanz Rodriguez, E.；Proemse, BC；等人。2019-2020 年澳大利亚野火引发大规模浮游植物大量繁殖。Nature 2021, 597, 370-375。[CrossRef] [PubMed] 82. 大堡礁海洋公园管理局。大堡礁海洋公园水质指南；1921682299；大堡礁海洋公园管理局：澳大利亚汤斯维尔，2010 年。可在线获取：https://elibrary.gbrmpa.gov.au/jspui/handle/11017/432（20 年 2019 月 XNUMX 日访问）。
83. Brodie, J.；Grech, A.；Pressey, B.；Day, J.；Dale, A.；Morrison, T.；Wenger, A. 大堡礁的未来：水质至关重要。载于《海岸与河口》；Wolanski, E.、Day, JW、Elliott, M. 和 Ramachandran, R. 编；爱思唯尔：荷兰阿姆斯特丹，2019 年；第 477-499 页。[CrossRef] 84. Hieronymi, M.；Müller, D.；Doerffer, R. OLCI 神经网络群 (ONNS)：一种适用于公海和沿海水域的生物地理光学算法。《前沿》2017 年 4 月科学，第 140 卷，第 85 页。[CrossRef] 3. Donlon, C. Sentinel-2011 任务需求可追溯性文档 (MRTD)；欧洲航天局 (ESA)–ESTEC：荷兰诺德维克，234 年；第 247904 页。在线访问：https://sentinels.copernicus.eu/documents/1848151/3/Sentinel-11-MissionRequirements-Traceability（2018 年 XNUMX 月 XNUMX 日访问）。
86. Doerffer, R. MERIS 水产品验证协议； ESA 出版物 PO-TN-MEL-GS-0043 GKSS；研究中心：Geesthacht，德国，2002 年；第 1 页。
87. 昆士兰州政府。水监测信息门户（WMIP）。在线访问：https://water-monitoring.information. qld.gov.au/（30年2021月XNUMX日访问）。
88. Wolanski, E.；Spagnol, S. 大堡礁的粘性水域。《河口海岸陆架科学》，2000，50，27。[交叉引用] 32. Pickard, GL；Donguy, J.-R.；Hénin, C.；Rougerie, F. A Review 大堡礁和西部珊瑚的物理海洋学
海；澳大利亚政府出版服务：堪培拉，澳大利亚，1977 年。90. Feng, D.；Hodges, BR；Socolofsky, SA；Thyng, KM 在实际石油泄漏模型中狭窄水道入口处的潮汐涡流。XNUMX 月
污染。公报。2019，140，374。[CrossRef] [PubMed] 387. De'ath, GA；Fabricius, KK 大堡礁的水质：分布、对礁生物群的影响以及触发值
保护生态系统健康；大堡礁海洋公园管理局澳大利亚联邦和澳大利亚海洋科学研究所：澳大利亚汤斯维尔，2008 年；第 104 页。92. Thomson, RE；Wolanski, EJ 雷恩岛入口大堡礁的潮汐期上升流。J. Mar. Res. 1984，42，787-808。[交叉引用] 93. Wolanski, E.；Drew, E.；Abel, KM；O'Brien, J. 潮汐喷射、营养物上升流及其对大堡礁带状礁藻类 Halimeda 生产力的影响。河口海岸架科学。1988，26，169-201。[交叉引用] 94. Marmorino, GO；Smith, GB； Miller, WD. 从浅潮汐海表层藻类的时间滞后卫星图像推断出的湍流特性。Cont. Shelf Res. 2017, 148, 178。[交叉引用] 184. Delandmeter, P.；Lambrechts, J.；Marmorino, GO；Legat, V.；Wolanski, E.；Remacle, J.-F.；Chen, W.；Deleersnijder, E. 珊瑚岛和礁后形成的亚中尺度潮汐涡流：卫星数据和数值模拟。Ocean. Dyn. 95, 2017, 67。[交叉引用] 897. Li, G.；He, Y.；Liu, G.；Zhang, Y.；Hu, C.；Perrie, W. 沿海地区亚中尺度涡流的多传感器观测。 Remote Sens. 913, 96, 2020. [CrossRef]

遥感2022，14，3503

23 中的 23

97. IOCCG. 未来海洋颜色传感器的任务要求；国际海洋颜色协调小组（IOCCG）报告第13号；McClain, C.、Meister, G. 编；IOCCG：加拿大新斯科舍省达特茅斯，2012年。在线访问：http://ioccg.org/wp-content/uploads/2015/10/ioccg-report-13.pdf（30 年 2017 月 XNUMX 日访问）。
98.诺伊克曼斯，G.；拉迪克，K.；伯纳德，E.；拉蒙，D.；内查德，B.；德施amps, P.-Y. 利用地球静止卫星绘制总悬浮物图：与 SEVIRI 在北海南部开展的可行性研究。Opt. Express 2009, 17, 14029。[交叉引用] 14052. Neukermans, G.；Ruddick, K.；Loisel, H.；Roose, P. 使用浊度测量对悬浮颗粒物浓度测量进行优化和质量控制。Limnol. Oceanogr. 方法 99, 2012, 10。[交叉引用] 1011. Röttgers, R.；Heymann, K.；Krasemann, H. 沿海水域悬浮物浓度：量化单个测量不确定度的改进方法。河口海岸陆架科学。 1023, 100, 2014。 [交叉引用] 151. Tilstone, G.；摩尔，G.；索伦森，K.；杜弗，R.；罗特格斯，R.；拉迪克，K.；帕斯特克amp，R.；Jørgensen，P. MERIS叶绿素产品在北海沿岸水域的区域验证。载于2003年20月24日至2002日在意大利弗拉斯卡蒂举行的MERIS和AATSR校准与地球物理验证工作会议（ENVISAT MAVT-XNUMX）论文集。
102. Stavn, RH；Rick, HJ；Falster, AV 校正烧失量分析中海盐保留量和水合物含量变化造成的误差：对河口和沿海水域研究的启示。河口。海岸。陆架科学。2009，81，575-582。[CrossRef] 103. Okuyama, A.；Takahashi, M.；Date, K.；Hosaka, K.；Murata, H.；Tabata, T.；Yoshino, R. 基于两年在轨数据验证 Himawari-8/AHI 辐射校准。J. Meteorol. Soc. Japan. Ser. II 2018，96，91-109。[CrossRef] 104. 日本气象厅。事件日志：航天器事件和校准对 Himawari-8 图像的影响：条纹；气象卫星中心：日本清濑，2020 年。在线提供：http://www.data.jma.go.jp/mscweb/en/oper/image_info.html#005（20 年 2021 月 XNUMX 日访问）。
105. Moses, WJ; Bowles, JH; Lucke, RL; Corson, MR 高光谱传感器信噪比对 II 类水域生物物理参数估计精度的影响。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; 等人。一种基于遥感技术模拟沿海海洋生态系统受河流洪水羽流影响的新方法。J. Environ. Manag. 106，2013，119。[交叉引用] 194. Petus，C.；Devlin，M.；Thompson，A.；McKenzie，L.；Teixeira da Silva，E.；Collier，C.；Tracey，D.；Martin，K. 估计大堡礁河流洪水羽流中珊瑚礁和海草草甸对陆源污染物的暴露程度：使用环境数据验证简单的卫星风险框架。遥感。207，107，2016。[交叉引用] 8. Devlin，M.；Schroeder，T.；McKinna，L.；Brodie，J.；Brando，V.； Dekker, A. 基于现场和遥感观测的大堡礁洪流监测与制图。载于《环境遥感监测全球变化的进展》；Chang, N.-B. 编辑；《环境遥感与系统分析》；CRC 出版社：美国佛罗里达州博卡拉顿，210 年；第 108-2012 页。[交叉引用] 147. Steven, AD；Baird, ME；Brinkman, R.；Car, NJ；Cox, SJ；Herzfeld, M.；Hodge, J.；Jones, E.；King, E.；Margvelashvili, N.；等人。《eReefs：大堡礁管理的运营信息系统》。《海洋学与海洋学杂志》，191 年，第 109 卷，S2019S12 页。[交叉引用]

文件/资源

MDPI机器学习算法 [pdf] 用户指南
机器学习算法，学习算法，算法

参考

用户手册

MDPI 机器学习算法用户指南

机器学习算法

产品信息

规格

产品使用说明

1. 简介

2. 检索过程

3. 海洋颜色传感器

常见问题 (FAQ)

问：遥感文章主要关注什么？

问：为什么沿海地区更青睐地球静止卫星？
监控？

文件/资源

参考

发表评论

取消回复

机器学习算法

产品信息

规格

产品使用说明

1. 简介

2. 检索过程

3. 海洋颜色传感器

常见问题 (FAQ)

问：遥感文章主要关注什么？

问：为什么沿海地区更青睐地球静止卫星？ 监控？

文件/资源

参考

发表评论

取消回复

问：为什么沿海地区更青睐地球静止卫星？
监控？