Розробка алгоритмів дистанційної оцінки хлорофілу «а» у внутрішніх водах дельти річки Дністер з використанням даних Sentinel-2 MSI
DOI:
https://doi.org/10.26565/2410-7360-2026-64-12Ключові слова:
дельта річки Дністер, екологічний стан водойм, хлорофіл «а», дистанційне зондування, Sentinel-2 MSI, C2RCC, алгоритм атмосферної корекції, функціональні моделіАнотація
Господарська діяльність у басейні річки Дністер та зарегульованість водного стоку провокують евтрофікацію та погіршення якості води, що впливає на біорізноманіття екосистем та є загрозою для здоров’я населення. З метою стійкого управління якістю води пропонується дистанційне зондування Землі для оцінки концентрації хлорофілу «а». Для урахування оптичних властивостей вод та визначення функціональної залежності застосовано порівняння розрахункових концентрацій з результатами польових вимірів. Метою роботи є підбір та обґрунтування алгоритмів для дистанційної оцінки концентрації хлорофілу «а» у водоймах дельти річки Дністер за даними Multispectral Instrument (MSI) супутника Sentinel-2. Використані концентрації хлорофілу «а» у водоймах дельти річки Дністер, що отримані у 2017-2021 рр. Використані коефіцієнти відбиття радіації з MSI двох типів: TOA (Top-of-atmosphere reflectance) та атмосферно відкориговані SR (Surface Reflectance). При підборі алгоритмів проаналізовано літературу, на основі чого відібрані два типи комбінацій спектральних смуг MSI. Застосовувався розрахунок концентрації хлорофілу «а» процесором C2RCC на базі SNAP Sentinel Toolbox. Для відібраних двохканальної та триканальної моделей встановлено функціональні залежності експоненційного типу. Верифікація залежностей проводилася порівнянням розрахункових і отриманих C2RCC величин з польовими концентраціями хлорофілу «а». Порівняння показало перевагу використання даних TOA (порівняно з SR) як за двоканальною, так і за триканальною моделями: Rp<0,001=0.92, MAPE=28.5, RMSE=14.4 мг/м3 і Rp<0,001=0.93, MAPE=27.9, RMSE=14.3 мг/м3 відповідно. Встановлено заниження розрахованих C2RCC величин. Для розрахунків концентрацій хлорофілу «а» у водоймах дельти річки Дністер запропоновано двоканальні та триканальні TOA-моделі за спектральними смугами MSI Sentinel-2. Розрахунки концентрації хлорофілу «а» процесором C2RCC для вказаних вод пропонується оцінювати критично через наявні алгоритми атмосферної корекції. Тим не менш, аналіз підібраних залежностей у поєднанні з поліпшенням атмосферної корекції дає процесору C2RCC перспективи для автоматизації дистанційного моніторингу.
Посилання
1. Ansper, A., & Alikas, K. (2019). Retrieval of Chlorophyll a from Sentinel-2 MSI Data for the European Union Water Framework Directive Reporting Purposes. Remote Sensing, 11(1), 64. https://doi.org/10.3390/rs11010064
2. Moses, W.J., Gitelson, A.A., Nerdnikov, S., Povazhnyy, V. (2009). Satellite estimation of chlorophyll-a concentration using the Red and NIR bands of MERIS -The Azov Sea case study. IEEE Geosci. Remote Sens. Lett., 6, 845–849. https://doi.org/10.1109/LGRS.2009.2026657
3. Hu, C., Lee, Z., & Franz, B. (2012). Chlorophyll-a algorithms for oligotrophic oceans: A novel approach based on three-band reflectance difference. Journal of Geophysical Research: Oceans, 117(C1). https://doi.org/10.1029/2011JC007395
4. Boyer, J.N., Kelble, C.R., Ortner, P.B., Rudnick, D.T. (2009). Phytoplankton bloom status: Chlorophyll a biomass as an indicator of water quality condition in the southern estuaries of Florida, USA. Ecol. Indic., 9, 56–67. https://doi.org/10.1016/j.ecolind.2008.11.013
5. Matthews, M.W. (2017). Bio-optical modeling of phytoplankton chlorophyll-a. In Bio-Optical Modeling and Remote Sensing of Inland Waters; Editors: Deepak R. Mishra, Igor Ogashawara, Anatoly A. Gitelson, Elsevier: Cambridge, 157–188. ISBN 9780128046449, https://doi.org/10.1016/B978-0-12-804644-9.00006-9.
6. Medinets, V.I., Gazyetov, Ye.I., Kovalova, N.V., Khitrich, V.F., Konareva, O.P, Soltys, I.E., Snihirov, S.M., Medinets, S.V. (2023). Integrated assessment on chlorophyll concentration and eutrophication dynamics. Available at: https://pontos-eu.aua.am/wp-content/uploads/2023/02/UA-PONTOS-D.T1.2.5-final.pdf
7. Copernicus data space ecosystem browser server. Internet resource: https://browser.dataspace.copernicus.eu/ (accessed November 13, 2024).
8. Morel, A., Prieur, L. (1977). Analysis of variations in ocean color, Limnology and Oceanography, 22, 709−722. https://doi.org/10.4319/lo.1977.22.4.0709
9. O’Reilly, J.E., Werdell, P.J. (2019). Chlorophyll algorithms for ocean color sensors - OC4, OC5 and OC6. Remote Sensing of Environment, 229, 32–47. https://doi.org/10.1016/j.rse.2019.04.021
10. Wang, G., Moisan, J. (2021). Remote Sensing of Phytoplankton Pigments. IntechOpen. https://doi.org/10.5772/intechopen.95381
11. O’Reilly, J.E. and 24 co-authors (2000). Ocean Colour Chlorophyll-a Algorithms for SeaWiFS, OC2 and OC4: V. 4. In: S.B. Hooker and E.R. Firestone, Eds., SeaWiFS Postlaunch Calibration and Validation Analyses, 11, 9-23.
12. Lee, Z.P., Carder, K.L. and Arnone, R.A. (2002). Deriving Inherent Optical Properties from Water Color: A Multiband Quasi-Analytical Algorithm for Optically Deep Waters. Applied Optics, 41, 5755-5772. https://doi.org/10.1364/AO.41.005755
13. Gilerson, A., Gitelson, A., Zhou, J., Gulrin, D., Moses, W., Ioannou, I., Ahmed, S. (2010). Algorithms for remote estimation of chlorophyll-a in coastal and inland waters using red and near infrared bands. Opt. Express., 18, 23, 24109–24125. https://doi.org/10.1364/OE.18.024109
14. Dall'Olmo, G., Gitelson, A.A., Rundquist, D.C. (2003). Towards a unified approach for remote estimation of chlorophyll-a in both terrestrial vegetation and turbid productive waters. Geophys. Res. Lett., 30, 1938. https://doi.org/10.1029/2003GL018065
15. Dall’Olmo, G., Gitelson, A. (2005). Effect of bio-optical parameter variability on the remote estimation of chlorophyll-a concentration in turbid productive waters: experimental results. Applied Optics, 44, 3, 412-422. https://doi.org/10.1364/AO.44.000412
16. Kallio, K., Koponen, S., and Pulliainen, J. (2003). Feasibility of airborne imaging spectrometry for lake monitoring - a case study of spatial chlorophylla distribution in two mesoeutrophic lakes. International Journal of Remote Sensing, 24, 19, 3771- 3790. https://doi.org/10.1080/0143116021000023899
17. Gitelson, A., Schalles, J., Hladik, Ch. (2007). Remote chlorophyll-a retrieval in turbid, productive estuaries: Chesapeake Bay case study. Remote Sensing of Environment, 109, 464-472. https://www.sciencedirect.com/science/article/pii/S0034425707000545
18. Brockmann, C., Doerffer, R., Peters, M., Kerstin, S., Embacher, S., Ruescas, A. (2016). Evolution of the C2RCC Neural Network for Sentinel 2 and 3 for the Retrieval of Ocean Colour Products in Normal and Extreme Optically Complex Waters. Living Planet Symposium, 740, 54.
19. Schiller, H., Doerffer, R. (1999). Neural network for emulation of an inverse model operational derivation of Case II water properties from MERIS data. Int. Journal of Remote Sensing, 20:9, 1735-1746. https://doi.org/10.1080/014311699212443
20. Soriano-González, J. et al. (2022). Towards the Combination of C2RCC Processors for Improving Water Quality Retrieval in Inland and Coastal Areas. Remote Sensing, 14, 1124. https://doi.org/10.3390/rs14051124
21. NOMAD: NASA bio-Optical Marine Algorithm Dataset. Internet resource: https://seabass.gsfc.nasa.gov/wiki/NOMAD (accessed November 13, 2024).
22. SNAP. Internet resource: http://step.esa.int/main/toolboxes/snap/ (accessed November 13, 2024).
23. Main-Knorn, M., Pflug, B., Louis, J., Debaecker, V., Müller-Wilm, U., Gascon, F. (2017). Sen2Cor for Sentinel-2. Proc. Volume 10427, Image and Signal Processing for Remote Sensing XXIII, 1042704. https://doi.org/10.1117/12.2278218
24. S2 MPC: Level-2A Algorithm Theoretical Basis Document. (2021). Available at: https://step.esa.int/thirdparties/sen2cor/2.10.0/docs/S2-PDGS-MPC-L2A-ATBD-V2.10.0.pdf
25. Emde, C., Buras-Schnell, R., Kylling, A., Mayer, B., Gasteiger, J., Hamann, U., Kylling, J., Richter, B., Pause, C., Dowling, T., and Bugliaro, L. (2016). The libRadtran software package for radiative transfer calculations (version 2.0.1), Geosci. Model Dev., 9, 1647–1672. https://doi.org/10.5194/gmd-9-1647-2016
26. Kaufman, Y., Sendra, C. (1988). Algorithm for automatic atmospheric corrections to visible and near-IR satellite imagery. International Journal of Remote Sensing, 9, 8, 1357-1381. https://doi.org/10.1080/01431168808954942
