Algoritma Pembelajaran Mesin

Maklumat Produk

Spesifikasi

• Nama Produk: Artikel Penderiaan Jauh
• Pengarang: Larissa Patricio-Valerio, Thomas
  Schroeder, Michelle J. Devlin, Yi Qin, Scott Smithers
• Tarikh Terbit: 21 Julai 2022
• Kata kunci: Himawari-8, warna lautan, tiruan
  rangkaian saraf, Great Barrier Reef, perairan pantai, jumlah
  pepejal terampai, pembelajaran mesin, kualiti air

Arahan Penggunaan Produk

1. Pengenalan

Artikel Penderiaan Jauh memberikan pandangan tentang penggunaan
algoritma pembelajaran mesin untuk mendapatkan semula jumlah pepejal terampai
di Great Barrier Reef menggunakan data dari Himawari-8. Artikel itu
membincangkan cabaran dan faedah menggunakan geopegun
Satelit orbit bumi untuk pemerhatian berterusan pantai
kawasan.

2. Proses Pencapaian

Artikel tersebut menyerlahkan kepentingan geostasioner
satelit seperti Himawari-8 dalam menangkap hampir data masa nyata pada
proses pesisir pantai. Ia menekankan batasan orbit Bumi yang rendah
satelit untuk menyelesaikan kebolehubahan jangka pendek berbanding dengan
satelit geostasioner.

3. Penderia Warna Lautan

Artikel tersebut menyebut kepentingan penderia warna lautan dihidupkan
satelit untuk memperoleh maklumat spatial yang berkaitan dengan air
kualiti. Ia membincangkan dinamik temporal yang diperhatikan oleh
satelit geostasioner dan kesannya terhadap pemantauan pantai
fenomena.

Soalan Lazim (FAQ)

S: Apakah fokus utama Artikel Penderiaan Jauh?

J: Fokus utama ialah menggunakan algoritma pembelajaran mesin dengan
Data Himawari-8 untuk mendapatkan jumlah pepejal terampai di Great
Terumbu Karang Penghalang.

S: Mengapakah satelit geopegun lebih disukai untuk pantai
pemantauan?

A: Satelit geostasioner menawarkan pemerhatian berterusan berhampiran
kawasan besar dengan kekerapan yang lebih tinggi, membolehkan pemantauan yang lebih baik
proses pesisir pantai yang cepat berubah.

penderiaan jauh

Artikel
Algoritma Pembelajaran Mesin untuk Jumlah Pepejal Terampai Diperoleh Himawari-8 di Great Barrier Reef
Larissa Patricio-Valerio 1,2,* , Thomas Schroeder 2, Michelle J. Devlin 3 , Yi Qin 4 dan Scott Smithers 1

1 Kolej Sains dan Kejuruteraan, Universiti James Cook, Townsville, QLD 4811, Australia; scott.smithers@jcu.edu.au
2 Pertubuhan Penyelidikan Saintifik dan Perindustrian Komanwel, Lautan dan Suasana, GPO Box 2583, Brisbane, QLD 4001, Australia; thomas.schroeder@csiro.au
3 Pusat Sains Perikanan dan Akuakultur Alam Sekitar, Jalan Parkfield, Lowestoft, Suffolk NR33 0HT, UK; michelle.devlin@cefas.co.uk
4 Pertubuhan Penyelidikan Saintifik dan Perindustrian Komanwel, Lautan dan Suasana, GPO Box 1700, Canberra, ACT 2601, Australia; yi.qin@csiro.au
* Surat-menyurat: larissa.patriciovalerio@my.jcu.edu.au

Petikan: Patricio-Valerio, L.; Schroeder, T.; Devlin, MJ; Qin, Y.; Smithers, S. Algoritma Pembelajaran Mesin untuk Jumlah Perolehan Pepejal Terampai Himawari-8 di Terumbu Hadang Besar. Sens Jauh 2022, 14, 3503. https://doi.org/ 10.3390/rs14143503
Editor Akademik: Chris Roelfsema
Diterima: 15 Mei 2022 Diterima: 19 Julai 2022 Diterbitkan: 21 Julai 2022
Nota Penerbit: MDPI kekal berkecuali berkenaan dengan tuntutan bidang kuasa dalam peta yang diterbitkan dan gabungan institusi.
Hak Cipta: © 2022 oleh pengarang. Pemegang Lesen MDPI, Basel, Switzerland. Artikel ini ialah artikel akses terbuka yang diedarkan di bawah terma dan syarat lesen Creative Commons Attribution (CC BY) (https:// creativecommons.org/licenses/by/ 4.0/).

Abstrak: Penderiaan jauh warna lautan telah menjadi asas kepada pemantauan skala sinoptik kualiti air marin di Great Barrier Reef (GBR). Walau bagaimanapun, penderia warna lautan di atas satelit orbit rendah, seperti buruj Sentinel-3, mempunyai keupayaan lawatan semula yang tidak mencukupi untuk menyelesaikan sepenuhnya kebolehubahan diurnal dalam persekitaran pantai yang sangat dinamik. Untuk mengatasi batasan ini, kerja ini mempersembahkan algoritma warna lautan pantai berasaskan fizik untuk Advanced Himawari Imager di atas satelit geopegun Himawari-8. Walaupun direka bentuk untuk aplikasi meteorologi, Himawari-8 menawarkan peluang untuk menganggarkan ciri warna lautan setiap 10 minit, dalam empat jalur spektrum boleh dilihat dan inframerah dekat yang luas, dan pada resolusi spatial 1 km2. Simulasi pemindahan sinaran atmosfera lautan yang digabungkan bagi jalur Himawari-8 telah dijalankan untuk julat realistik sifat optik dalam air dan atmosfera GBR dan untuk julat luas geometri suria dan pemerhatian. Data simulasi telah digunakan untuk membangunkan model songsang berdasarkan teknik rangkaian saraf tiruan untuk menganggar jumlah kepekatan pepejal terampai (TSS) terus daripada pemerhatian pemantulan spektrum atas atmosfera Himawari-8. Algoritma telah disahkan dengan data in situ serentak di seluruh GBR pantai dan had pengesanannya telah dinilai. Pengambilan semula TSS menunjukkan ralat relatif sehingga 75% dan ralat mutlak 2 mg L-1 dalam julat pengesahan 0.14 hingga 24 mg L-1, dengan had pengesanan 0.25 mg L-1. Kami membincangkan potensi aplikasi produk TSS harian Himawari-8 untuk pemantauan dan pengurusan kualiti air yang lebih baik di GBR.
Kata kunci: Himawari-8; warna lautan; rangkaian saraf tiruan; Terumbu Karang Penghalang Besar; perairan pantai; jumlah pepejal terampai; pembelajaran mesin; kualiti air
1. Pengenalan Penderia warna lautan di atas satelit orbit Bumi rendah (LEO), seperti MODIS/Aqua,
VIIRS/Suomi-NPP, dan OLCI/Sentinel-3, telah menyediakan rekod jangka panjang pemerhatian yang berharga dan kos efektif untuk diperiksa setiap hari kepada dinamik antara tahunan kualiti air di Great Barrier Reef (GBR) [1]. Satelit LEO mengimbas kawasan geografi yang sama dalam masa satu atau dua hari paling baik; walau bagaimanapun, selang masa antara dua orbit berturut-turut dan sama (iaitu, lawatan semula berkala) biasanya berbeza antara satu hingga empat minggu. Di samping itu, imejan warna lautan mungkin banyak dipengaruhi oleh kehadiran awan dan kilatan matahari, mengehadkan pengambilan pemerhatian berkualiti tinggi [5]. Ini boleh memerlukan set imej harian mingguan hingga bulanan dari kawasan yang sama untuk membangunkan komposit tanpa awan view lautan. Akibatnya, keupayaan temporal satelit LEO tidak mencukupi untuk membangunkan sistem pemerhatian yang komprehensif dan untuk memantau secara berkesan proses pantai dinamik jangka pendek, seperti kitaran diel fitoplankton, perkembangan harian banjir, dan

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

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

Sens Jauh 2022, 14, 3503

2 daripada 23

pasang surut dan resuspensi dipacu angin [7]. Penyelidik dan pengurus alam sekitar masih

bergantung pada produk warna lautan LEO untuk memperoleh maklumat spatial kos efektif- dalam

GBR pantai [10,11], tetapi mengiktiraf batasan teknik ini untuk menyelesaikan jangka pendek

kebolehubahan.

–

Satelit pada orbit Bumi g-eostasioner (GEO), jika tidak, membenarkan hampir berterusan

pemerhatian kawasan besar dunia pada frekuensi yang lebih tinggi (minit ke jam) berbanding

kepada kekerapan tinjauan semula hampir setiap hari platform LEO, terutamanya di kawasan tropika [9]. The

Geostationary Ocean Color Imager (GOCI-I) pertama di dunia, yang dilancarkan pada 2010, telah mendedahkan

dinamik temporal proses pesisir pantai yang berubah dengan pantas di Asia Timur Laut, seperti

gumpalan kekeruhan dan bunga alga yang berbahaya [12,13]. Kejayaannya memberikan kes yang berguna

untuk pembangunan masa depan misi warna lautan GEO global [14]; namun, tiada satu pun

misi yang dicadangkan untuk dilancarkan dalam dekad yang akan datang telah direka untuk pemerhatian

perairan Australia. Namun begitu, satelit GEO dikendalikan secara global untuk pemerhatian meteorologi.

perkhidmatan dan kemajuan teknologi terkini telah memanfaatkan keupayaan mereka untuk mengumpul data di lautan, membolehkan proses yang lebih dinamik diperhatikan dari angkasa lepas [-15].

Tofhbe annedxst-ignentheera-vtiiosinblGe EspOemctreutemor(o2loogri3cailnssetenasdorosfaorenleyq1uibpapnedd)

dengan bilangan yang meningkat digabungkan dengan bertambah baik

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 terletak pada 140.7E di atas khatulistiwa dan dengan kadar imbasan 10 minit, ia menangkap sekurang-kurangnya 48 cerapan cakera penuh dalam sehari (8 pagi hingga 4 petang waktu tempatan). Walaupun instrumen AHI direka untuk aplikasi meteorologi, ia boleh dilihat dan hampir dalam-fra merah

(VNIR) (Rajah 1 dan Jadual 1) membolehkan pengesanan ciri marin dengan kuat

isyarat optik, seperti yang berasal dari perairan yang sangat keruh [19]. Selain itu, Himawari-21

pemerhatian resolusi masa ultra-tinggi membolehkan pemantauan sifat lautan daripada

sub-hourly kepada s-kali masa antara tahun untuk keseluruhan lagun GBR dan lautan bersebelahan

basin without inter-orbital data g-aps.

wFiigthurtehe1.trHainmsmawisas-riio-n8

fungsi tindak balas spektrum jalur kelihatan dan inframerah (garis putih pepejal) gas atmosfera (garisan penuh kelabu) dan penghantaran melalui ozon (merah).

garis pepejal) antara 400 dan 1000 nm.

Pelbagai aplikasi untuk pemantauan dan pengurusan kawasan lautan berpotensi untuk diperoleh daripada Him-awari-8, termasuk untuk warna lautan -[22,23]. Kajian terkini telah menunjukkan kebolehlaksanaan pemerhatian Hima-wari-8 untuk pengesanan jumlah pepejal terampai (TSS) di perairan pantai [17,24] dan untuk kepekatan klorof-yll-a (CHL) di lautan terbuka [22]. Keputusan ini mencadangkan peluang yang menarik untuk memantau proses yang kerap dan dinamik dalam GBR pantai. Walau bagaimanapun, walaupun algoritma s-everal warna lautan mungkin tersedia untuk pengambilan satelit parameter kualiti air pantai, ia mungkin tidak sesuai untuk kerumitan optik GBR atau tidak terpakai untuk pemerhatian Himawari-8.

Sens Jauh 2022, 14, 3503

3 daripada 23
– –
Tleanbglteh1s.anHdimbaanwdawrii-d8-thA, dasvsaoncciaetdedHsipmaatiwalarreisIomluatgioenr.vSiisgibnlael-aton-dn- oni-esearr–aintiforsar(SeNd Rb)anfrdosmcpenertrfoarlmwaanvce [25–e].

Band # (Nama) #1 (biru) #2 (hijau) #3 (merah) #4 (NIR)

Pusat Jalur (Lebar) 470.64 (45.37) nm 510.00 (37.41) nm 639.15 (90.02) nm 856.69 (42.40) nm

Resolusi Spatial 1 km 1 km 0.5 km 1 km

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

Algoritma warna lautan model-b-ased yang menggunakan simulasi pemindahan sinaran telah menunjukkan prestasi unggul untuk aplikasi dalam kajian penderiaan jauh berbilang masa bagi perairan pantai berbanding dengan algoritma empirikal [26]. Secara khusus, rangkaian saraf ialah kaedah penyongsangan yang cekap dari segi pengiraan untuk aplikasi penderiaan jauh di perairan pantai yang kompleks secara optik kerana keupayaannya untuk menganggarkan hubungan fungsi bukan linear [27]. Makalah ini menerangkan pembangunan algoritma warna lautan rangkaian neural berasaskan model (Rajah 35) untuk Himawari-2-dan parameter untuk perairan pantai GBR. Algoritma penyongsangan satu langkah telah dibangunkan untuk menganggarkan TSS terus daripada pemerhatian Himawari–8 atas-atmosfera (TOA) dengan perceptron berbilang lapisan, kelas rangkaian saraf tiruan (ANN). Pertama, taburan sudut spektrum pantulan TOA RTOA() sr-8 telah disimulasikan pada jalur VNIR Himawari-1 dengan model pemindahan sinaran atmosfera (RT) berganding sedia ada (model hadapan). Simulasi RT termasuk variasi realistik dalam parameter kualiti air, dan keadaan atmosfera dan pencahayaan. Beberapa eksperimen ANN (model songsang) kemudiannya ditandatangani, dilatih dan diuji untuk mendapatkan TSS pada jalur Himawari-8 berdasarkan pancaran TOA simulasi. Akhirnya, output TSS yang diperoleh Himawari-8 telah dinilai secara statistik terhadap data kualiti air in situ serentak dalam GBR dan batasan algoritma yang dipilih telah disiasat.

Rajah 2. Gambar rajah alir algoritma warna lautan berasaskan model yang dibangunkan untuk Himawari–8.
2. Kaedah Parameterisasi simulasi pemindahan sinaran dan reka bentuk
Model songsang ANN dinyatakan dalam subseksyen berikut. Parameterisasi model hadapan dan songsang mengikuti pendekatan yang dibangunkan sebelum ini untuk perairan pantai Eropah [36] tetapi telah disesuaikan dalam kajian ini untuk-atau keadaan optik dalam air GBR [38]. Selain itu, prosedur pemerolehan, pemprosesan dan penyamaran H-imawari-39 serta pemproses warna lautan diterangkan untuk algoritma berasaskan model yang dibangunkan di sini. Protokol pengesahan dan kaedah untuk penilaian had algoritma dibentangkan, serta keputusan pertama untuk pemantauan TSS dalam GBR.

Sens Jauh 2022, 14, 3503

4 daripada 23
2.1. Model Hadapan
Dalam kerja ini, versi skalar Matrix-Operator MODel (MOMO) [40,41] telah digunakan untuk simulasi pemindahan sinaran atmosfera lautan bagi jalur VNIR Himawari-8 (Jadual 1). Mengabaikan polarisasi atmosfera boleh menyebabkan ralat sebanyak 1% pada TOA, yang boleh diterima untuk aplikasi air pantai [2]. Himawari-42 RTOA() telah disimulasikan untuk julat realistik sifat optik dalam air dan atmosfera GBR.
Sistem atmosfera lautan simulasi berstrata dalam beberapa lapisan selari satah homogen secara mendatar di mana jenis dan kepekatan konstituen optik akuatik dan atmosfera yang ditentukan dipertimbangkan. Ketinggian atmosfera simulasi (TOA) adalah 50 km tebal dan dibahagikan kepada 11 lapisan di mana pro menegakfiles tekanan, suhu dan kelembapan mengikut Suasana Standard AS [43]. Pengecilan oleh hamburan Rayleigh diambil kira dengan dua tekanan permukaan barometrik 980 hPa dan 1040 hPa. Atmosfera terbahagi kepada lapisan sempadan (0 km), troposfera bebas (2 km), dan stratosfera (2 km). Dalam setiap lapisan, simulasi dilakukan untuk lapan himpunan aerosol yang berbeza dengan kepekatan ketebalan optik aerosol yang berbeza-beza (a) pada 12 nm antara 12 dan 50. Setiap himpunan aerosol terdiri daripada tiga model aerosol utama, model maritim dalam lapisan sempadan, model benua dalam troposfera bebas, dan model asid sulfurik di stratosfera, pada kelembapan relatif antara 550% dan 0.015%. Julat ditentukan daripada pemerhatian fotometer matahari Tahap 1.0 berbilang tahunan di stesen AERONET [70] di Balai Cerap Pantai Jeti Lucinda (LJCO) yang terletak di tengah GBR [99S, 2E]. Analisis pekali Ångström yang sepadan [44,45] antara 18.52 dan 146.39 nm di stesen LJCO AERONET mengesahkan campuran jenis aerosol maritim dan benua yang sepadan dengan yang digunakan dalam simulasi RT.
Penghantaran gas atmosfera (kecuali O3) diperoleh daripada pangkalan data Penyerapan Molekul Transmisi Resolusi Tinggi (HITRAN) [47] dan dilaksanakan dalam simulasi pemindahan sinaran melalui model pengedaran k yang diubah suai Bennartz dan Fischer [48]. Simulasi pemindahan sinaran dilakukan dengan mengandaikan beban ozon berterusan sebanyak 344 Unit Dobson (DU) [43]. Jalur Himawari-8 telah disimulasikan untuk 17 sudut suria dan cerapan dan 25 sudut azimut relatif yang sama jaraknya. Simulasi telah dijalankan untuk turun naik kualiti air yang realistik, yang diwakili oleh kepekatan unik CHL, TSS, dan bahan kuning (YEL) yang dipilih secara rawak, selepas ini dirujuk sebagai triplet kepekatan. Julat triplet kepekatan simulasi telah ditakrifkan berdasarkan serakan kepekatan berkorelasi in situ yang terdapat dalam GBR, mengikut pendekatan oleh Zhang et al. [49]. Triplet kepekatan simulasi diagihkan sama rata dalam ruang logaritma, jadi setiap susunan magnitud diwakili sama sambil mengelakkan simulasi pendua.
Jumlah penyerapan spektrum air laut a() telah dimodelkan oleh model bio-optik empat komponen yang menyumbang kepada penyerapan air tulen (aw), penyerapan fitoplankton dan semua bahan organik mati (iaitu, detritus) ap1 sebagai fungsi CHL [0.01, 15], penyerapan zarah ap2, fungsi bukan asal [0.01. 100.0], dan penyerapan bahan kuning ay pada 443 nm [0.002, 2.5]. Pekali penyerapan air tulen (aw) telah dimodelkan mengikut Pope dan Fry [50] untuk jalur kelihatan Himawari-8 1 dan oleh Hale dan Querry [3] untuk jalur 51. Penyerapan spektrum fitoplankton dan detritus ap4 mengikuti parameterisasi Bricaud et al. [1], manakala penyerapan zarah bukan alga ap52 telah diparameterkan mengikut Babin et al. [2], dengan purata cerun Sp53 sebanyak 2 yang diperoleh daripada data bio-optik in situ sampdiketuai dalam GBR antara 2002 dan 2013. Pekali penyerapan spektrum bahan kuning telah dimodelkan mengikut Babin et al. [53], dengan min cerun Sy sebanyak 0.015 yang juga diperoleh daripada pemerhatian in situ daripada GBR [39].
Jumlah taburan spektrum air laut (b()) telah dimodelkan oleh model bio-optik dua komponen [53] yang menyumbang kepada serakan air tulen (bw) dan serakan atau zarah organik dan bukan organik bp sebagai fungsi TSS. Taburan air laut tulen

Sens Jauh 2022, 14, 3503

5 daripada 23

pekali dinyatakan sebagai undang-undang kuasa bergantung pada panjang gelombang berdasarkan Morel [54],

ditakrifkan untuk purata kemasinan global 35 PSU. Sumbangan taburan organik dan

zarah tak organik telah digabungkan untuk memperoleh jumlah pekali serakan zarah bp berikutan parameterisasi Babin et al. [55]. Pekali serakan spesifik jisim

zarah TSS bp 0.31 m2 g-1 telah dikira untuk perairan GBR, berikutan Babin et al. [55]. Model kebarangkalian hamburan belakang untuk perairan Kes 2 telah digunakan [49,56] untuk

kira dan pilih fungsi fasa serakan dalam air (, ) berdasarkan nisbah TSS dan YEL. Simulasi dilakukan untuk sejumlah besar kepekatan rawak

kembar tiga dan keadaan atmosfera, seperti yang digariskan sebelum ini, untuk membina komprehensif

pangkalan data Himawari-8 RTOA() yang diselesaikan secara azimut. Daripada pangkalan data ini, secara statistik

latihan perwakilan dan subset ujian telah diekstrak secara rawak untuk membangunkan songsang

model. Subset latihan dan ujian masing-masing terdiri daripada 100,000 vektor input

x

mengandungi

yang: RTOA simulasi pada jalur 470, 510, 640, dan 856 nm, tekanan atmosfera paras laut antara 980 dan 1040 hPa, sudut zenit suria (s), cerapan zenit (v), dan azimut relatif ().

2.2. Model Songsang

Dalam kajian ini, perceptron berbilang lapisan (MLP), kelas rangkaian neural buatan (ANN) suapan ke hadapan [57], telah dilaksanakan sebagai model songsang berdasarkan program C Simulator Rangkaian Neural yang dibangunkan oleh Malthouse [58], untuk menganggarkan hubungan fungsi antara Himawari-8 RTOA() dan kepekatan TSS. MLP sekarang terdiri daripada lapisan input, lapisan tersembunyi dan lapisan keluaran neuron. Setiap neuron disambungkan dengan setiap neuron lapisan seterusnya dengan berat. Pembelajaran mesin atau prosedur latihan yang diselia boleh diterangkan seperti berikut:

·

Neuron input (ni) menerima vektor input

x

, mengandungi pantulan simulasi

dan data sampingan yang diterangkan di atas, dan menyebarkannya ke neuron lapisan tersembunyi

(nh).

· Dalam lapisan tersembunyi, neuron buatan merumuskan isyarat input berwajaran dan menghantarnya melalui fungsi pemindahan bukan linear dan seterusnya memajukan outputnya

kepada neuron lapisan keluaran (tidak).

· Fungsi kos (iaitu, ralat kuasa dua min, MSE–Persamaan (1)) antara sim-

output sasaran yang dilaporkan yt dan output yang dikira ANN yc dikira untuk keseluruhan set data latihan (N = 100,000), dan pemberat dalaman (W1, W2) rangkaian dilaraskan.

· Latihan ANN diulang sehingga fungsi kos antara output dan nilai sasaran diminimumkan.

MSE = yc – yt /N

(1)

Fungsi kos diminimumkan dengan menyesuaikan matriks berat (W1, W2) secara berulang menggunakan algoritma pengoptimuman BroydenFletcherGoldfarbShanno Memori Terhad [59]. Untuk seni bina MLP tiga lapisan, fungsi analitik lengkap diberikan oleh Persamaan (2):

yc

=

S2

×

W2 × S1

W1 × x

(2)

di mana S1 dan S2 ialah fungsi bukan linear (Persamaan (3)) dan pemindahan linear yang digunakan dalam output dan lapisan tersembunyi, masing-masing.

S(x) = 1 + ex -1

(3)

Bilangan neuron dalam lapisan input dan output ditentukan oleh bilangan parameter input dan output masalah, manakala beberapa percubaan percubaan

Sens Jauh 2022, 14, 3503

6 daripada 23

diperlukan untuk menentukan bilangan neuron optimum dalam lapisan tersembunyi. The

eksperimen direka bentuk dengan mengubah bilangan neuron lapisan tersembunyi dari 10 hingga 100,

dalam kenaikan 10. Benih tetap rawak tetapi untuk semua eksperimen telah digunakan untuk memulakan –

konfigurasi berat rangkaian. Eksperimen termasuk komponen utama

analisis (PCA) sebagai langkah pra-pemprosesan untuk menghiasi hubungan input RTOA(). Selain itu, eksperimen telah direka bentuk dengan 0.8% bunyi yang bergantung kepada isyarat rando-m - bunyi yang tidak berkorelasi secara spektrum ditambah pada input RTOA dalam setiap jalur. Eksperimen ANN telah dilatih dan diuji dengan subset 100,000 vektor input yang diekstrak secara rawak daripada pemindahan sinaran

set data simulasi. Setiap vektor input dikaitkan dengan kepekatan TSS logaritma, - yang dipilih sebagai output sasaran untuk dianggarkan oleh pembelajaran yang diselia

prosedur. Semua eksperimen telah dilatih untuk 1000 lelaran dan meminimumkan kos

fungsi (Persamaan (1)) telah dikira ke atas keseluruhan set data latihan pada setiap lelaran. An

dataset ujian bebas N = 100,000 vektor telah digunakan untuk memantau latihan rangkaian

prestasi dan untuk mengelakkan keterlaluan.

–

2.3.

TBhaesHicipmraowceasrsi-in8- gOscteeapns

Pemprosesan Warna untuk Himawari-8 mentah

data

ke dalam

TSS

produk

adalah

ditunjukkan

in

Rajah

3.

Tahap 1 (L1) cakera penuh Himawari-8 VNIR band telah diperoleh, diekstrak di kawasan GBR –

(10 S, 29 S, 140 E, 157 E), geolokasi, dan navigasi dibetulkan. Data mentah geolokasi

telah diubah menjadi pancaran TOA Aras 1b (L1b) (LTOA() W m-2sr-1µm-1 ) melalui –

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

pancaragam. LTOA() yang ditentukur L1b telah dinormalkan oleh sinaran suria luar bumi F() W -m-2 untuk setiap jalur. F() dikira sebagai fungsi hari dalam setahun

dan menggunakan min sinaran suria luar daratan F nilai b-ased pada Kurucz [61] dan disesuaikan dengan jalur Himawari-8 [62]. TOA yang terhasil mencerminkan RTOA() sr-1 pada jalur VNIR Himawari-8 dijadikan sebagai input kepada kaedah penyongsangan. Di samping itu,

s, v, dan nilai telah dikira untuk setiap piksel imej satelit sebagai fungsi latitud, longitud dan waktu tempatan, mengikut prosedur sedia ada [63], dan ditukar kepada

koordinat cartesan (x, y, z).

Rajah 3. Himawari-8-Carta alir Pemprosesan Warna Laut. HSD merujuk kepada Data Stan-dard Himawari-8, GBR merujuk kepada Great Barrier Reef, VNIR merujuk kepada jalur inframerah kelihatan dan-d dekat Himawari-8 (470, 510, 640, dan 856 nm), dan ANN merujuk kepada Rangkaian Neural Buatan.

yang

ACulsoturadlimanasckoinntginoenf tHainmdaswuarrroi–u8nodbisnegrvwaatitoenrss.

adalah The

dibangunkan oleh Qin et al. [64] untuk topeng awan resolusi 2 km ialah

semulaampmembawa kepada habuk dan asap

1plkummHesimfraowmabrii-o8mg-raisd

dan termasuk menutupi piksel yang tercemar dengan pembakaran. Begitu juga, piksel yang dikenal pasti muncul

permukaan, seperti kawasan benua, pulau dan beting, bertopeng berdasarkan bentukfiles

boleh didapati daripada pangkalan data Pihak Berkuasa Taman Laut Great Barrier Reef [65]. Sinaran matahari

–

Sens Jauh 2022, 14, 3503

7 daripada 23
topeng dicipta dengan mengira koordinat titik utama kilauan matahari (PPS) sebagai fungsi hari dalam setahun (kecondongan suria), jam tempatan, latitud dan longitud [66], pada resolusi spatial 1 km. Kontur cakera matahari telah ditampan untuk jejari bulat 1300 km dari koordinat PPS. Saiz jejari dipilih selepas satu siri ujian visual digunakan untuk memastikan liputan maksimum bagi kawasan cakera matahari utama.
Pemerhatian Himawari-8 telah dinormalkan piksel demi piksel dan bagi setiap jalur dengan data satelit hampir serentak jumlah ozon lajur yang diekstrak daripada Jumlah Ozon daripada produk Analisis komponen Satelit Stratosfera dan Troposfera (TOAST) [67] sebelum penyongsangan. Produk TOAST, dengan resolusi spatial 1.25 kali 1 darjah dan resolusi temporal harian, ialah resampmembawa kepada 1 km untuk pematuhan dengan grid Himawari-8. Pemerhatian Himawari-8 telah dinormalkan pada setiap jalur dengan nisbah antara penghantaran ozon yang diperolehi TOAST kepada penghantaran ketumpatan lajur ozon simulasi sebanyak 344 DU. Di samping itu, data tekanan atmosfera paras laut purata dari NCEP/NCAR `Reanalysis 2′ PaRt2m [68] telah digunakan sebagai input untuk penyongsangan pemerhatian Himawari-70. Data `Reanalysis 8′ dipuratakan setiap 2 jam (6, 0, 6, 12 UTC) dan sampdiketuai pada grid global biasa dengan resolusi spatial 2.5 darjah [71]. Data PaRt2m serentak yang paling hampir diperolehi dan resampmembawa kepada grid Himawari-1 sejauh 8 km. TSS yang diambil, topeng yang berkaitan dan metadata telah disimpan dalam NetCDF file, termasuk bendera berkaitan dari segi piksel untuk input dan output di luar julat. Julat input dan output yang sah ditakrifkan berdasarkan set data simulasi RT. Contohnya, jika parameter input dan/atau output piksel tertentu melebihi julat simulasi, piksel itu diberikan bendera yang sepadan. Bendera input dan output telah dijumlahkan untuk setiap piksel grid Himawari-8. Bendera di luar julat telah digunakan pada produk kualiti air sebelum pengesahan dan analisis aplikasi seterusnya.
2.4. Great Barrier Reef in Data Situ
TSS in situ yang diukur antara 2015 dan 2018 oleh Australian Institute of Marine Sciences (AIMS) dan Commonwealth Scientific and Industrial Research Organization (CSIRO) diperoleh daripada Pangkalan Data Bio-optik IMOS [72] melalui portal Rangkaian Data Lautan Australia (AODN). Kedua-dua CSIRO dan AIMS menggunakan kaedah gravimetrik untuk menentukan kepekatan TSS dalam air laut. Kaedah ini terdiri daripada mengukur berat kering pepejal terampai daripada isipadu air laut yang diketahuiample selepas ia telah ditapis vakum pada penapis membran pra-wajaran. Butiran lanjut mengenai metodologi yang digunakan oleh AIMS dan CSIRO diterangkan dalam Great Barrier Reef Marine Park Authority [73] dan Soja-Woz´niak et al. [74], masing-masing. Walaupun makmal AIMS dan CSIRO menggunakan kaedah yang sedikit berbeza untuk menentukan TSS (iaitu, bilangan replika, pad penapis, bilas, dll.), set data ini telah digabungkan dalam latihan pengesahan ini. Sebanyak 347 titik data in situ dengan TSS antara 0.01 hingga 85 mg L-1 dan min 3.5 mg L-1 telah dipertimbangkan. Titik data in situ dalam jarak 1 km dari garis pantai atau terumbu telah dikecualikan daripada analisis untuk mengurangkan ketidakpastian akibat kesan bersebelahan [75]. Kami memasukkan semua air laut in situ sampyang diambil pada permukaan (<0.5 m kedalaman) stesen yang terletak pada kedalaman air berubah-ubah (1.5 m hingga 40 m), dengan titik data paling cetek menunjukkan TSS > 10 mg L-1.
2.5. Protokol Pengesahan
Protokol pengesahan yang digunakan dalam kajian ini mengikuti pengalaman latihan pengesahan sebelumnya untuk penderiaan jauh warna laut di Australia, termasuk di GBR pantai [27,76,77]. Kajian ini menerangkan langkah pemprosesan untuk pengekstrakan pemerhatian satelit serentak dengan pengukuran in situ di GBR pantai, serta metrik prestasi statistik yang berguna.
Berbilang pemerhatian Himawari-8 boleh digabungkan dalam jangka masa (iaitu, hourly) untuk menghapuskan outlier yang berpotensi dan mengurangkan bunyi sensor dan persekitaran, kemungkinan meningkatkan anggaran dan prestasi pengesahan [7,9,16]. Oleh itu, semua pemerhatian Himawari-8 tersedia yang diimbas dalam masa ± 30 minit dari masa in situ yang direkodkan telah diperoleh untuk latihan pengesahan ini. Dipilih dan diproses 10 minit pemerhatian Himawari-8 di VNIR

Sens Jauh 2022, 14, 3503

8 daripada 23

- -

jalur dengan matahari yang berkaitan dan geometri cerapan telah disubset kepada 3-by-3-piksel-l bo-x-es,

berpusat pada koordinat setiap titik data in situ serentak. Begitu juga, subset 3-kali-3-piksel topeng serentak (iaitu, awan, daratan, terumbu, dan kilatan matahari) dan data sampingan (iaitu, - ozon dan tekanan) telah diekstrak. Komposit warna hampir benar bagi Himawari-8 terpilih –

pemerhatian telah diperiksa secara visual untuk menghapuskan perlawanan di perairan dengan mendatar tajam

kecerunan dalam sifat optik (iaitu, bahagian hadapan kekeruhan) atau awan berdekatan.

–

Hourly komposit subset yang sah dikira dengan purata temporal, tanpa mengambil kira –

piksel bertopeng. The hourly agregat- su-bset telah diproses dengan penyongsangan ANN

algoritma dan bertopeng untuk nilai di luar julat. Akhir sekali, median dan sisihan piawai

daripada hourly Subset TSS telah dikira, tidak termasuk piksel yang ditanya m. Hanya subset dengan dua atau kurang piksel bertopeng setiap kotak piksel dianggap sah untuk perlawanan. ANN

output telah dikira dalam skala logaritma (log10) dan TSS in situ serentak telah logtransformed untuk analisis statistik. Berakhirview prosedur pengesahan digambarkan

dalam Rajah 4. Persembahan telah dinilai berkenaan dengan ralat purata kuasa dua punca mereka

(RMSE–atau ralat mutlak), berat sebelah, min peratusan mutlaktage ralat (MAPE–atau ralat relatif), dan pekali penentuan (R2). Bias, R2, dan RMSE dikira dalam log10

–

ruang dan MAPE dikira dalam ukuran linear dan p terbitan satelit

psproadceu,cftowlloitwhi-nNgtEhqeunautimonbser(4o)f(v7a)l,iwd hmearetcmhuispsth. e

RMSE = 1/N (m -p)2

(4)

MAPE = 100/N |(m -p)|/p 2

(5)

R2 =

N

N(mp)- ( m)( p) m2 – ( m)2 N p2 – (

p)2

(6)

Bias = 1/N (m -p)

(7)

Percubaan padanan ANN telah disenaraikan berdasarkan metrik statistik yang diterangkan – di atas. Keutamaan diberikan kepada eksperimen dengan RMSE terendah kerana parameter statistik ini ialah fungsi kos yang diminimumkan semasa latihan ANN. Eksperimen berprestasi terbaik dengan bilangan neuron terendah dalam lapisan tersembunyi telah dipilih, untuk mengurangkan usaha pengiraan bagi penyongsangan pemerhatian Himawari-8 - ke atas keseluruhan GBR.

Rajah 4. A dipermudahkan atasview prosedur pengesahan algoritma.

2.6. Penilaian Had

Nisbah isyarat-ton-oise (SNR) telah dikira untuk kelihatan dan hampir-inf-jarang.

HEaimstearwnaSrti-a-8ndLTaOrdA

(Tim) oeb–seArvEaStTio)nast

diimbas dipilih

antara 08:00 hingga 16:00 tarikh tempatan dan kawasan bebas awan

masa (Australia Laut Karang

–

Sens Jauh 2022, 14, 3503

9 daripada 23

(16.25S, 151E dan pada 20.60S, 153.53E). Hanya pemerhatian selepas Julai 2017 yang dipertimbangkan untuk analisis ini, memandangkan pekali penentukuran mereka telah diperbetulkan untuk bunyi jaluran yang koheren dan mendatar [63,78]. Syot kilat warna sebenar yang tersedia melalui Sistem P-Tree Monitor Himawari-8 [79] telah dilayari untuk pemilihan kawasan sasaran dan untuk memastikan ini adalah seragam dari segi ruang dan tidak mungkin dipengaruhi oleh awan, kilatan matahari, ciri bio-optik, dan kepulan asap daripada pembakaran darat [80,81]. Pemerhatian Himawari-8 yang dipilih telah ditukar daripada kiraan mentah kepada unit fizikal dengan menggunakan pekali penentukuran [60], dengan subset 51-kali-51-piksel diekstrak dan berpusat pada koordinat kawasan yang diminati. Selain itu, subset, topeng berkaitan dan parameter geometri ialah hourly diagregatkan. 10 minit dan hourly subset agregat telah ditutup untuk awan, daratan, terumbu dan kilatan matahari, dan komposit warna yang hampir benar telah diperiksa untuk ciri yang tidak dapat dikesan seperti terumbu karang, terumbu, bayang awan dan artifak penderia.
SNR dikira untuk setiap jalur Himawari-8 mengikut Persamaan (8) [80]. Purata LTOA() untuk semua piksel yang sah dalam kawasan sasaran memberikan Ltypical(), dan mengambil sisihan piawai () dalam kawasan yang sama memberikan sinaran setara hingar (Lnoise()). SNR dikira sebagai nisbah antara Ltipikal dan Lnoise pada setiap jalur:

SNR() = Ltipikal ()/Lnoise() = LTOA()/(LTOA())

(8)

Kebolehubahan diurnal dan perbezaan magnitud antara SNR dikira dengan 10 min dan hourly agregat pemerhatian Himawari-8 (SNRSING() dan SNRAGG(), masing-masing) telah diperiksa pada setiap jalur. Di samping itu, ciri spektrum mereka dinilai untuk julat s kerana tahap hingar diketahui berbeza dengan ketinggian suria [80]. Akhir sekali, peratusan yang berkaitantage tahap hingar (%Bunyi) telah dikira untuk s = 45 ± 1 dan digunakan untuk menilai kepekaan algoritma kepada tahap hingar biasa Himawari-8.
Algoritma TSS yang dibangunkan dalam kajian ini telah dilatih dengan hingar foton spektrum rata (tidak berkorelasi) (0.8%) yang ditambahkan pada set data latihan, dengan mengandaikan pengetahuan terhad tentang ciri prestasi sensor berbanding sasaran lautan. Untuk menilai kestabilan penyongsangan dan untuk menyediakan analisis kepekaan garis dasar bagi algoritma TSS, hingar foton spektrum rata sebanyak 0.1, 1.0, dan 10 dan 50% telah ditambahkan pada dataset ujian dan disongsangkan. Selain itu, %Noise yang dikaitkan dengan jalur Himawari-8 telah ditambahkan pada set data ujian untuk mengukur kesan tahap hingar yang bergantung kepada spektrum pada ketepatan pengambilan TSS. Kestabilan perolehan semula telah ditafsirkan dari segi kenaikan berterusan RMSE merentasi julat luas TSS (0.01 hingga 100 mg L-1) yang sama jaraknya dalam kepekatan logaritma. Di samping itu, transek membujur produk TSS yang diambil dalam perairan homogen dan bebas awan GBR pantai dan di Laut Karang dinilai pada skala piksel untuk penilaian kualitatif tahap hingar Himawari-8.

3. Keputusan
3.1. Pengesahan Algoritma
Pelbagai rangkaian telah dilatih dengan konfigurasi seni bina yang berbeza-beza dan rangkaian prestasi terbaik dengan RMSE yang paling rendah dan bilangan neuron terendah dalam lapisan tersembunyi telah dipilih untuk penyongsangan. Eksperimen yang dipilih, dengan 50 neuron dalam lapisan tersembunyi, mendapatkan TSS antara 0.14 hingga 24 mg L-1, dengan R2 positif dan berat sebelah 0.014 mg L-1, MAPE sebanyak 75.5%, dan 10RMSE sebanyak 2.08 mg L-1, seperti ditunjukkan dalam Rajah 5.

Sens Jauh 2022, 14, 3503

10 daripada 23

Rajah 5. In situ dan Himawari-8-de- r-ived TSS dengan eksperimen ANN berprestasi b-est, dengan nilai TSS in situ colour-code-d dalam skala logaritma. Bar ralat mewakili sisihan piawai intra-pix-el TSS dalam kotak 3-by-3-pi-xe-l. Simbol yang berbeza menunjukkan data in situ yang dikumpul oleh AIMS
dan oleh CSIRO di LJCO.
–
3.2. Himawari-8 Jumlah S-olid yang Digantung untuk Great Barrier Ree-f
Rajah 6 menunjukkan komposit warna hampir benar bagi Himawari-8 (panel kiri) yang diambil pada 27 Oktober 2017 di kawasan GBR, dan produk TSS yang sepadan pada resolusi temporal 10 minit (panel kanan). Perairan di dalam lagun GBR mempunyai TSS secara amnya pada atau melebihi 1 mg L-1, manakala perairan luar pesisir GBR mempunyai nilai di bawah 1 mg L-1. Produk TSS mendedahkan butiran yang teruk dan bunyi jaluran di kawasan lautan terbuka di Laut Karang.

Rajah 6. Imejan Himaw-ari-8 warna hampir benar bagi GBR yang diperoleh pada 27 Oktober 2017 pada 15:00 AEST (panel kiri) dan produk TSS yang berkaitan [mg L-1] (panel kanan). Piksel bertopeng dalam warna hitam disebabkan oleh nilai awan dan luar julat.

Turun naik TSS Himawari–8 telah disiasat di muara Sungai Burdekin dan ke atas GBR selatan

untuk matriks terumbu perairan pantai (Rajah 7

saunrdroaunn-imdinatgiothnes

dalam pautan). Peristiwa banjir Burdekin pada 12 Februari 2019 menjana sedimen yang

mencapai terumbu luar (50 km dari mulut) antara 3 hingga 4 petang, dengan TSS > 20 mg L-1.

–

–

–

–

–

—

Sens Jauh 2022, 14, 3503

- -
–

–
–

11 daripada 23
–

Bulu sedimen Sungai Burdekin berkembang semasa air pasang dengan julat 0.3 m antara air surut dan air pasang. Perairan pantai berhampiran terumbu mengalami peningkatan magnitud tertib dalam TSS (3.6, 26.4 mg-L-1) dalam kitaran pasang surut s-emi-diurnal (tanda silang dalam Rajah 7 (panel kiri) dan Rajah 8a). Terumbu karang yang dilitupi oleh air banjir telah terdedah kepada TSS ~40 kali lebih tinggi daripada ambang garis panduan 0.7- mg L-1 [82]. Kawasan di mana-e TSS melebihi 100 mg- L-1, berhampiran mulut, telah bertopeng (kawasan hitam) sebagai-nilai-nilai-daripada-julat (bendera ANN). Animasi turun naik TSS berikutan peristiwa pelepasan utama tersedia dalam Rajah S1.

Rajah 7. Kepulan banjir keluar dari Sungai Burdekin, Februari 2019 (panel kiri). Pancutan pasang surut TSS dalam matriks terumbu GBR pada November 2016 (panel kanan). Perhatikan julat yang berbeza dalam setiap plot. Piksel bertopeng dalam warna hitam adalah disebabkan oleh nilai TSS yang luar biasa.
Walaupun kejadian banjir besar memaparkan ciri-ciri TSS yang jelas di GBR pantai, jet pasang surut sub-meso-skala diperhatikan mengelilingi matriks terumbu cetek dan tenggelam di GBR selatan (Rajah 7 (panel kanan)), menunjukkan bagaimana keadaan berbeza ini mempengaruhi kebolehubahan TSS jangka pendek. Animasi yang disediakan dalam Rajah S2 menggambarkan dinamik turun naik TSS teraruh pasang surut, di mana pasang surut tinggi (4 m) dan rendah (0.2 m) berlaku pada jam 10 pagi dan 6 petang, masing-masing (Rajah 8b). Kepekatan TSS berhampiran Heralds Reef (bertanda silang) turun naik kira-kira satu susunan dalam magnitud dalam sehari (0.3, 2.0 mg L-1), dengan nilai melebihi ambang garis panduan kualiti air yang disyorkan untuk GBR pantai terbuka (0.7 mg L-1). –

Rajah 8. Siri masa TSS terbitan Himawa-ri–10 8 min di muara Sungai Burdekin semasa banjir Februari 2019 (a) dan dalam matriks terumbu GBR selatan pada November 2016 (b), seperti ditunjukkan dalam Rajah 7. Bar ralat mewakili sisihan piawai intr-a-piksel. Ambang garis panduan untuk perairan dalam pantai (2.0 mg L– 1) dan pertengahan rak (0.7 mg-L-1) ditandakan dengan warna merah. Perhatikan julat masa yang berbeza dalam setiap rajah.
– –
–

Sens Jauh 2022, 14, 3503

12 daripada 23
3.3. Had Pengesanan SNR yang dikira daripada dua set pemerhatian Himawari-8 ditunjukkan dalam
grafik Rajah 9. Beberapa pemerhatian tunggal telah terlepas kerana liputan awan yang intensif, terutamanya pada 06 September 2017, dan mengakibatkan jurang data dalam siri masa. SNRSING dan SNRAGG mempersembahkan turun naik diurnal yang jelas, dengan SNR tertinggi berlaku pada s terendah (<30), antara 11 pagi dan 12 tengah hari Kebolehubahan magnitud dan diurnal adalah lebih tinggi untuk SNRAGG dan pada jalur biru dan hijau (470 dan 510 nm), jika dibandingkan dengan nilai yang dikira untuk SNRSING. SNR yang dikira untuk jalur 640 nm dan 856 nm adalah sekurang-kurangnya tiga kali lebih rendah daripada SNR yang dikira untuk jalur biru dan hijau, dengan variasi diurnal yang halus. Turun naik harian SNR antara hari dan lokasi adalah berbeza-beza, terutamanya untuk jalur biru dan dari SNRAGG. Pada 06 September 2017 (min v~22), SNRAGG dalam jalur biru dan hijau adalah sama dalam magnitud (Rajah 9b). Pada 25 September 2017 (di lokasi berbeza dengan min v~28), jalur biru mempersembahkan SNRSING hampir dua kali lebih tinggi daripada jalur hijau (Rajah 9d).

Rajah 9. Siri masa nisbah sig-na-l-kepada-bunyi (SNR, paksi kanan) dikira untuk pemerhatian tunggal (SNRSING) (a, c) dan untuk agregat (SNRAGG) (b,d) dengan s (paksi kiri). S-NR ialah
berkod warna mengikut jalur.

Kumpulan-kumpulan daripada

kebolehubahan spektrum s, di mana piawai

SNRSING dan SNRAGG ditunjukkan sisihan dalam setiap kumpulan

dalam Rajah diplotkan sebagai

10 untuk dihadkan

tiga kesilapan

bar. Pemerhatian tunggal biasanya menghasilkan SNR yang lebih rendah daripada pemerhatian agregat

dalam semua jalur, dan SNR adalah yang tertinggi untuk Rajah 9. Sisihan piawai SNR

s < 30, dalam persetujuan dengan data yang dikira untuk tunggal dan agregat

dibentangkan dalam pemerhatian

wfoerresm>o4r0epartotnhoeubnlcueedbfoanr dsp>re4s0enatendd

pada jalur biru dan hijau. Sisihan piawai bagi 27 dan daripada

SNR mengira 51 untuk SNRSING

dan sisihan SNRAGG daripada

, masing-masing, manakala 13 dan 26, masing-masing.

SNR dikira untuk jalur hijau yang dipersembahkan piawai Penyimpangan ini mungkin dikaitkan dengan pembolehubah

keadaan atmosfera setiap lokasi, yang dipergiatkan pada jalur biru dan hijau

dan pada panjang laluan atmosfera yang tinggi.

Sens Jauh 2022, 14, 3503

13 daripada 23

Rajah 10. Taburan spektrum nisbah si-gn-al-bunyi yang dikira untuk tunggal (SNRSING) (-a) dan

pemerhatian agregat (SNRAGG) (b), dan dikumpulkan sebagai sisihan piawai SNR dalam setiap kumpulan

untuk s.

tiga

julat

of

s.

ralat

bar

adalah

dikira

TgcorhemegpaSTtNuehtdReedASoGNbfGsoRerrvAvaaGallGluti,seoitsnnhsgceolwLemtioytphpbiicslaeesldr,=vaiann4t5diToaLn±bnsol e1iwse2iawtwhnederersaec=saosob4m5copiuaitlt±eetddw1ipinceweTrcaaeebsrnelhetiai2ngg.chelLunaikdsoeeitswdheeifs(oc%eor, NtrchrooeeimssSpepN)oaf–nRordiSrsIiNaongnGg-. SNRSING, kecuali dalam jalur merah. Namun begitu, paras hingar yang besar dalam warna merah (~3%) dan dalam tshigenNalIRdebsapnidtest(h~e5%eff)oinrtdsiicnataevtohiadtinthgeeSnNviRroAnGmG emnataylbceonmdoistitolynsafifnecitmedagbeystehleecattimono.smG emnataylbceonmdoistitolynsafifnecitmedagbeystehleecattimono.sriics di mana NIR, terutamanya di mana kumpulan NIR mengenal pasti air. meninggalkan pancaran dianggap boleh diabaikan di perairan lautan terbuka yang jernih.

–

–

–

Jadual 2. Kelihatan dan inframerah dekat Himawari-8 Ltipikal dan Lnoise W m-2sr-1µm-1 dan berkaitan

perciktage hingar (%Bunyi) untuk SNRAGG pada s = 45 ± 1. SNRSING dikira pada s = 45 ± 1 nilai

telah ditambah untuk perbandingan.

Band 470 510 640 865

Ltipikal 59.5 38.3 13.8 3.4

Lbunyi 0.26 0.29 0.41 0.18

Bunyi bising
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

apabila 50% hingar foton rata spektrum ditambah Sementara itu, ralat besar (>300%) diperolehi

ke Himawari-8 untuk mendapatkan semula TSS

band di bawah

(Rajah-e 0.1 mg

11a). L-1,

tanpa mengira jenis dan tahap hingar. Pada senario realistik yang lebih realistik, apabila bergantung secara spektrum

hingar foton (iaitu, %Bunyi daripada Jadual 2)-ditambah pada jalur Himawari-8, ralatnya

kebanyakannya di bawah 100%- untuk TSS > ~0.25 mg L-1 (Rajah 11 (panel kanan)). Oleh itu, untuk mendapatkan

dapatan semula dipercayai dari Himawari-8 dengan algoritma TSS semasa, had pengesanan 0.25 mg L-1 telah dipilih. Sebagai perbandingan, had pengesanan TSS dikira

daripada Himawari-8 yang diperbetulkan secara atmosfera, seperti dalam Dorji dan Fearns [17], diwakili sebagai

garis putus-putus menegak pada 0.15 mg L-1.

Sens Jauh 2022, 14, 3503

14 daripada 23

Rajah 11. Mendapatkan semula ralat RMSE (dalam mg- L-1) untuk aras hingar foton spektrum rata (panel kiri) dan bergantung kepada spektrum (panel kanan). Pemindahan sinaran (RT) TSS dan nilai RMSE yang berkaitan dibentangkan dalam skala logaritma. Garis putus-putus menegak pada 0.15 m- g L-1 ialah had pengesanan disesuaikan-d daripada Dorji dan Fearns [17], 2018. Garis putus-putus menegak pada 0.25 m- -g L– 1 ialah had pengesanan kaedah sekarang.
Pemeriksaan visual tahap hingar mendedahkan butiran yang teruk dan jalur mendatar iogttitnnruhbraeraHstnbhneTsiierumdeSvlcCSaaactAtostwoiiGroaooaaGnsnfrl-tiTsaSw-(-h8lSeTaoaSaTSswSrS(SIesmNSSeeaIGdNvaspgeGra(iroenT)nendcSdlatruySnaeTcrad>at Sdei~r(nAdouF1GwicomgmeGpsu-da,egtrsaFnei-knLki1goie-an2ucn1g)ger,)geba.parne1raIetno2rgwwt)uaiaeacantd-eeutrdeenddlarciis1T-rtllill5oS(oyu1TuSnswSd

–

–

Rajah 12. Lokasi transek (anak panah magenta) yang diekstrak untuk TSSSING(a) dan TSSAGG(b). Perhatikan

penutupan awan kumulatif dalam pemerhatian TSSAGG.Himawari-8 yang diambil pada 9 September 2017 antara-n

10:00 dan 10:50 waktu tempatan (AEST).

–

Transek sampdiketuai antara 19S dan 20Sin the Coral Sea (Rajah 13a) pra-hantar

Nilai TSSSING dan TSSAGG kebanyakannya di bawah had pengesanan kaedah (0.25 mg L–1), yang mungkin menunjukkan ralat perolehan melebihi 100%. TSSSING mempersembahkan pancang atau susunan nilai magnitud berbeza yang berlaku berturut-turut pada skala piksel (atau dalam jarak 1 km). Sebagai

Hasilnya, perbezaan sehingga 0.3 mg L-1 telah diperhatikan antara piksel-s jiran,

seperti yang ditunjukkan oleh sented smoother

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

Sens Jauh 2022, 14, 3503

15 daripada 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.

Rajah 13. Transek TSS terbitan Himawari–8 (mg L– 1) yang diambil di Laut Karang (a) dan di dalam
perairan GBR pantai (b) daripada TSSSING (titik biru) dan TSSAGG (titik merah). Jurang data mewakili piksel bertopeng untuk awan, darat, kilatan matahari atau bendera ANN, jika sesuai. TSS beranotasi (dalam anak panah hitam) menunjukkan nilai piksel-atas-ixel dan garisan mendatar hijau menandakan had pengesanan
kaedah.

4. Perbincangan
Pemantauan sinoptik kualiti air dalam GBR yang luas dan kompleks optik adalah keutamaan, memberikan cabaran kepada pengurus dan penyelidik alam sekitar [2,83]-. Walaupun penderiaan jauh warna lautan mempunyai keperluan radiometrik dan spektrum yang ketat, Himawari–8 menawarkan bilangan pemerhatian yang belum pernah berlaku sebelum ini untuk pemantauan kualiti air lanjutan GBR. Makalah ini membentangkan algoritma penderiaan jauh termaju pertama yang ditala secara tempatan dan disahkan untuk pemantauan sinoptik kualiti air pada skala harian dalam GBR.

4.1. Pembangunan dan Pengesahan Algoritma

Simulasi pemindahan sinaran atmosfera lautan yang digabungkan menyediakan besar dan

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

keteguhan untuk input memenuhi minimum

rnaodisioemweatsriecsrpeeqcuiairlelymaednvtsanotfaogceeoaunsccoolnosuirdseerninsgo-rHs iamnadweanrvii-r8odnomeesnntoatl

bunyi bising, terutamanya dari atmosfera, sebahagian besarnya boleh memberi kesan kepada pengambilan semula. Keputusan ini

Sens Jauh 2022, 14, 3503

16 daripada 23
menggalakkan penggunaan lanjut pemerhatian Himawari-8 untuk pengesahan terhadap data kualiti air in situ dalam GBR.
Ralat pemadanan Himawari-8 TSS yang diperolehi dibandingkan dengan baik dengan sasaran misi yang ditakrifkan untuk penderia warna lautan lain, seperti Sentinel-3 dalam perairan Case 2 [85], terutamanya untuk TSS melebihi 0.1 mg L-1. Prestasi algoritma ini berbanding baik dengan yang menggunakan pemerhatian Himawari-8 yang diperbetulkan secara atmosfera [17,24], menunjukkan kesesuaian memperoleh TSS pantai dengan penyongsangan satu langkah berasaskan model. Prosedur pembetulan atmosfera yang eksplisit boleh meningkatkan perolehan semula untuk julat TSS yang lebih rendah (<~1 mg L-1), yang mungkin dipengaruhi oleh sinaran laluan atmosfera yang mendominasi dan prestasi radiometrik rendah Himawari-8.
Penambahbaikan prestasi memerlukan pangkalan data yang lebih besar dan lebih komprehensif bagi pengukuran bio-optik in situ yang meliputi skala kebolehubahan spatial dan temporal yang berkaitan. Selain itu, protokol pengukuran yang ketat perlu diikuti untuk mengurangkan ketidakpastian yang berkaitan dengan parameterisasi algoritma dan pengesahan di perairan pantai. Sebagai contoh, rangkap tiga samples disyorkan untuk penentuan TSS dengan kaedah gravimetrik. Selain itu, pengesahan samples harus diambil dalam perairan optik homogen [86], yang amat sukar dalam persekitaran pantai yang sangat dinamik. Namun begitu, pengukuran in situ telah disediakan oleh pelbagai agensi penyelidikan dengan keutamaan saintifik yang pelbagai menggunakanampling dan kaedah analisis. Di samping itu, proses fizikal dan alam sekitar, seperti pemantulan bawah, pendarfluor, pemantulan dua arah, polarisasi, dan bunga alga yang berbahaya, tidak diambil kira tetapi mungkin juga menyumbang kepada ralat perolehan semula perlawanan.
4.2. Himawari-8 Jumlah Pepejal Terampai untuk Great Barrier Reef
Himawari-8 membenarkan pemantauan hampir masa nyata kejadian banjir episod di GBR, mendedahkan magnitud pesanan peningkatan TSS dalam masa sehari. Peristiwa ini diperhatikan semasa musim hujan di mana Burdekin dilepaskan antara 0.5 dan 1.5 juta ML/hari selama 10 hari berturut-turut (Sungai Burdekin di stesen Clare [87]). Turun naik TSS daripada kepulan banjir Burdekin adalah jauh di atas nilai ambang garis panduan kualiti air 2 mg L-1 untuk perairan pantai terbuka dan pertengahan paras, serta 0.7 mg L-1 untuk perairan luar pesisir GBR [82]. Banjir menjangkau 50 km ke terumbu luar, dan perkembangan hariannya diikuti langkah demi langkah dengan TSS terbitan Himawari-10 selama 8 minit. Oleh itu, Himawari-8 menyediakan bilangan pemerhatian yang tidak pernah berlaku sebelum ini untuk pemantauan kualitatif dan kuantitatif lengkap kejadian banjir di GBR. Piksel bertopeng dalam air banjir menunjukkan nilai melebihi 100 mg L-1, membayangkan bahawa julat simulasi perlu dikembangkan untuk nilai melebihi had ini untuk pengambilan semasa banjir di GBR.
Ciri-ciri TSS dalam matriks terumbu selatan berkemungkinan terhasil daripada pusaran suspensi sub-mesoscale jangka pendek (diameter 1 km), sering dirujuk sebagai jet pasang surut. Di GBR selatan, julat pasang surut yang besar (10 m) mendorong arus yang kuat [5], menolak air melalui saluran yang sempit dan agak cetek [10]. Hidrodinamik kompleks ini menggalakkan penggantungan semula dan suntikan TSS dari pecahan rak ke dalam matriks terumbu, dan kepekatan TSS di kawasan ini berkemungkinan bebas daripada sumber daratan [88,89]. Pancutan pasang surut telah dikaitkan dengan upwelling setempat dan pertukaran nutrien antara Laut Karang dan lagun GBR [90], sebagai mekanisme penting pengangkutan dan pencampuran sedimen, nutrien, dan pengeluaran fitoplankton [91]. Walau bagaimanapun, lokasi dan kejadian jet pasang surut jarang diterangkan kerana kekurangan pemerhatian resolusi spatial dan temporal yang sesuai [92,93]. Himawari-94 membenarkan pengenalpastian dan penjejakan ciri sedemikian dalam GBR, pada resolusi temporal yang diperlukan untuk menyelesaikan proses pesisir pantai yang berumur pendek.
4.3. Had
Himawari-8 menyediakan SNR yang lebih rendah berbanding dengan penderia warna lautan yang lalu dan kini beroperasi [80], dan kepekaannya jauh di bawah keperluan minimum untuk aplikasi warna laut, terutamanya di perairan lautan terbuka [9,97]. Bagaimanapun, Himawari-

Sens Jauh 2022, 14, 3503

17 daripada 23
Resolusi radiometrik sederhana 8 11 bit tidak mungkin tepu pada sasaran terang, seperti awan [80], dan di atas perairan pantai yang sangat keruh (TSS ~100 mg L-1), sambil menghasilkan kepekaan yang mencukupi untuk memberikan tahap pendiskrisian yang munasabah ke atas perairan jernih (>0.25 mg L-1). Tahap hingar yang dikira daripada pemerhatian agregat secara amnya lebih rendah daripada pemerhatian tunggal dalam semua jalur, mengesahkan kesesuaian merendahkan resolusi temporal untuk meningkatkan kualiti imej [7,16]. Walaupun turun naik SNR diurnal sebahagian besarnya dimodulasi oleh sudut ketinggian suria, pergantungan spektrum membayangkan bahawa sumber bunyi input yang besar (3% dalam jalur merah dan NIR) di perairan lautan terbuka mungkin berasal dari atmosfera [5]. Walau bagaimanapun, had pengesanan kaedah sekarang (80 mg L-0.25) adalah setanding dengan yang menggunakan pembetulan atmosfera eksplisit kepada penyongsangan data meteorologi [1].
Had pengesanan 0.25 mg L-1 adalah hampir dengan had pengesanan TSS in situ yang diukur dengan kaedah gravimetrik ~ 0.4 mg L-1, untuk AIMS dan CSIRO. Ketidakpastian relatif kaedah gravimetrik dikaitkan dengan protokol pengukuran yang digunakan oleh makmal yang berbeza, yang termasuk perbezaan dalam jenis penapis, bias operator, pembilasan garam, dll. [99,100]. Sebagai contoh, kristal garam yang terperangkap dalam penapis gentian kaca sebahagian besarnya mempengaruhi pengukuran TSS dan garam harus dikeluarkan dengan membilas radas penapisan [101,102]. Namun, ralat sebanyak 30% telah diperolehi menggunakan teknik pembilasan garam yang berbeza, menghalang penentuan tepat TSS lebih rendah daripada 1 mg [101]. Oleh itu, had pengesanan dan ketidakpastian relatif pengukuran in situ dan TSS terbitan Himawari-8 adalah setanding untuk kajian ini. Keputusan ini menunjukkan bahawa Himawari-8 menawarkan peluang untuk memantau dengan tepat kebolehubahan diurnal kualiti air di GBR pantai, untuk TSS antara 0.25 dan 100 mg L-1.
Produk TSS terbitan Himawari-8 mempersembahkan jalur mendatar yang sistematik, dengan saiz umumnya sepadan dengan imbasan mendatar individu (500 km), seperti yang dikenal pasti sebelum ini oleh Murakami [22]. Jaluran itu terhasil daripada perbezaan cerun penentukuran pengesan-ke-pengesan daripada pemerhatian peresap suria bagi jalur yang kelihatan [103,104]. Walaupun pekali penentukuran digunakan untuk pemerhatian pasca Julai 2017, corak jalur mendatar masih terdapat di perairan luar pesisir dan dengan TSS < 1 mg L-1. Di samping itu, granulasi teruk diperhatikan dalam produk TSS yang diperoleh setiap 10 minit, berpotensi dikaitkan dengan prestasi radiometrik rendah sensor Himawari-8 ke atas sasaran air [17,22]. Walau bagaimanapun, bunyi visual telah dikurangkan sebahagian besarnya oleh pengagregatan temporal beberapa pemerhatian individu ke dalam hourlproduk TSS terbitan y [16]. Mujurlah, bunyi berbutir dapat diabaikan di perairan pantai dan sederhana keruh (TSS > 1 mg L-1), sama ada dari 10 minit atau dari hourly Produk TSS. Keputusan ini mungkin dikaitkan dengan peningkatan penyerakan belakang zarah terampai, yang meningkatkan sinaran meninggalkan air dan mengatasi hingar foton [105]. Akibatnya, TSS terbitan Himawari-8 lebih berkemungkinan diambil dengan tepat di atas perairan pantai yang sederhana keruh berbanding di lautan terbuka, menyokong analisis had pengesanan.
Variasi piksel-ke-piksel di kawasan lautan terbuka (TSS <0.25 mg L-1) berkemungkinan berkaitan dengan corak berbutir yang diperhatikan dengan pemeriksaan visual, disebabkan oleh kepekaan rendah sensor Himawari-8 pada resolusi 10 minit. Bunyi radiometrik untuk TSS di bawah 0.25 mg L-1 sebahagian besarnya dikurangkan dalam TSS teragregat, menguatkan sensitiviti dan analisis pemeriksaan visual. Sebaliknya, koheren ruang yang lebih baik telah diperhatikan dalam transek GBR pantai untuk TSS> 1 mg L-1. Akibatnya, TSS terbitan 8 minit Himawari-10 boleh digunakan dengan keyakinan yang sama seperti TSS yang diperoleh daripada hourly pemerhatian agregat di kawasan pantai. Mendapatkan TSS pada setiap 10 minit di GBR pantai meningkatkan diskriminasi turun naik kualiti air yang berubah-ubah secara pantas dalam masa sejam. Walau bagaimanapun, kekerapan temporal masa hampir nyata ini memerlukan keupayaan pemprosesan dan penyimpanan yang besar yang mungkin tidak dapat dilaksanakan untuk keseluruhan GBR. Menghasilkan hourly TSS, sebaliknya, bukan sahaja meningkatkan kadar pemprosesan dan keupayaan penyimpanan tetapi juga membantu menghapuskan outlier dan meningkatkan ketepatan produk TSS.

Sens Jauh 2022, 14, 3503

18 daripada 23
5. Kesimpulan dan Perspektif Masa Depan
Pemantauan in-situ dan data satelit LEO telah memberikan banyak pengetahuan kami tentang kepulan banjir yang memasuki GBR [4,106]. Walau bagaimanapun, pemerhatian yang jarang dan kurang dari segi ruang menghalang pemahaman penuh tentang perkembangan dan evolusi bulu dalam skala masa yang singkat. Kajian ini menunjukkan kesesuaian Himawari-108 untuk mendapatkan semula TSS yang boleh dipercayai di GBR pantai dan untuk pemetaan, pengesanan dan pemantauan banjir. Buat pertama kalinya, ciri-ciri TSS pantai dikira dengan pasti untuk keseluruhan GBR, pada kadar yang hanya mungkin dengan model biogeokimia dan hidrodinamik [8]. Produk Himawari-109 TSS menghasilkan keupayaan untuk mencirikan dan menyelesaikan fenomena berkala dan jangka pendek pada resolusi spatiotemporal yang tidak pernah berlaku sebelum ini. Produk ini akan berguna untuk penyelidik, pemodel dan pihak berkepentingan yang menilai kesan kualiti air dalam ekosistem GBR pada masa ini hanya menggunakan produk warna lautan orbit LEO [8]. Perubahan harian dan pemacu turun naik kualiti air harus disiasat lebih lanjut dalam GBR menggunakan produk Himawari-109 TSS dan data proses pantai seperti pasang surut, angin, dan luahan air tawar. Selain itu, algoritma yang dibentangkan dalam kajian ini boleh digunakan secara langsung kepada sensor Himawari-8 AHI yang serupa, yang dirancang untuk menggantikan Himawari-9 menjelang 8. Misi Himawari generasi akan datang (Himawari-2029) berada dalam fasa perancangan dan saluran tambahan dalam julat yang boleh dilihat, serta kepekaan dan resolusi spatial yang dipertingkatkan. Ciri-ciri ini sebahagian besarnya akan memajukan keupayaan algoritma warna laut untuk penderia geostasioner, membolehkan pengambilan semula yang lebih tepat di perairan pantai pada skala harian. Begitu juga, Advanced Meteorological Imager (AMI) di atas GEOKOMPSAT-10A, serta GOCI-II (GEOKOMPSAT-2B), sedang memerhatikan Australia dan Asia Timur, dan algoritma pembelajaran mesin yang serupa boleh dibangunkan untuk memanfaatkan set data yang besar dan banyak ini dalam masa hampir nyata. Dalam konteks ini, kajian ini menyediakan algoritma lanjutan dan prospek aplikasi yang berpotensi untuk dibangunkan apabila penderia warna lautan di atas platform geopegun menjadi realiti untuk Australia.
Bahan Tambahan: Perkara berikut boleh didapati dalam talian di https://www.mdpi.com/article/ 10.3390/rs14143503/s1, Rajah S1: Kebolehubahan harian Jumlah Pepejal Terampai di muara Sungai Burdekin pada Februari 2019 daripada 10 min pemerhatian Himawari-8, Jumlah Pepejal Terampai S2; Terumbu berhampiran Heralds Reef pada November 2016 daripada 10 minit pemerhatian Himawari-8.
Sumbangan Pengarang: Pengkonsepan, LP-V. dan TS; metodologi, LP-V. dan TS; perisian, LP-V., TS dan YQ; pengesahan, LP-V.; analisis formal, LP-V.; penyusunan data, LP-V., TS dan YQ; penulisan–penyediaan draf asal, LP-V.; menulis–semulaview dan penyuntingan, TS, MJD, SS dan YQ; penyeliaan, TS, MJD dan SS; pemerolehan pembiayaan, LP-V. Semua pengarang telah membaca dan bersetuju dengan versi manuskrip yang diterbitkan.
Pembiayaan: Penyelidikan ini dibiayai oleh Yayasan Majlis Kebangsaan untuk Pembangunan Saintifik dan Teknologi (CNPq) Kerajaan Persekutuan Brazil melalui Program Sains tanpa Sempadan, nombor geran 206339/2014-3.
Pernyataan Ketersediaan Data: Data yang dibentangkan dalam kajian ini tersedia atas permintaan daripada pengarang yang berkaitan.
Penghargaan: Kami menghargai Juergen Fischer dan Michael Schaale (Institut Sains Angkasa Lepas, Jabatan Sains Bumi, Freie Universität Berlin) kerana menyediakan akses kepada kod pemindahan sinaran MOMO dan untuk alat pemodelan songsang. Britta Schaffelke, Michele Skuza dan Renee Gruber (AIMS) diakui kerana menyediakan data in situ yang berharga yang dikumpul sebagai sebahagian daripada Program Pemantauan Marin untuk Kualiti Air Dalam Pesisir, kerjasama antara Pihak Berkuasa Taman Laut Great Barrier Reef, Institut Sains Marin Australia, Universiti James Cook dan Perkongsian Pemantauan Air Cape York. Agensi Meteorologi Jepun diiktiraf atas operasi Himawari-8 dan pengedaran data melalui Biro Meteorologi Australia. Biro Meteorologi Australia diiktiraf kerana menyediakan data ramalan pasang surut. Data in situ diperoleh daripada Sistem Pemerhatian Marin Bersepadu (IMOS) Australia –IMOS didayakan oleh Strategi Infrastruktur Penyelidikan Kolaboratif Kebangsaan (NCRIS). NCRIS (IMOS) dan CSIRO

Sens Jauh 2022, 14, 3503

19 daripada 23

diiktiraf kerana membiayai Balai Cerap Pantai Jeti Lucinda. Penyelidikan ini dijalankan dengan bantuan sumber daripada Infrastruktur Pengiraan Nasional (NCI Australia), keupayaan yang didayakan NCRIS yang disokong oleh Kerajaan Australia.
Konflik Kepentingan: Pengarang mengisytiharkan tiada konflik kepentingan.
Rujukan
1. Schroeder, T.; Devlin, MJ; Brando, VE; Dekker, AG; Brodie, JE; Clementson, LA; McKinna, L. Kebolehubahan antara tahunan bagi kepulan air tawar musim hujan ke dalam lagun Great Barrier Reef berdasarkan pemerhatian warna lautan pantai satelit. Mar. Pollut. lembu jantan. 2012, 65, 210. [CrossRef] 223. Devlin, M.; Petus, C.; da Silva, ET; Tracey, D.; Wolff, N.; Waterhouse, J.; Brodie, J. Kualiti Air dan Pemantauan Plume Sungai di Great Barrier Reef: An Overview Kaedah Berdasarkan Data Satelit Warna Lautan. Remote Sens. 2015, 7, 12909. [CrossRef] 12941. Blondeau-Patissier, D.; Brando, VE; Lønborg, C.; Leahy, SM; Dekker, AG Fenologi Trichodesmium spp. mekar di lagun Great Barrier Reef, Australia, dari misi 3 tahun ESA-MERIS. PLoS ONE 10, 2018, e13. [CrossRef] [PubMed] 0208010. Petus, C.; Waterhouse, J.; Lewis, S.; Vacher, M.; Tracey, D.; Devlin, M. Banjir maklumat: Menggunakan produk warna air Sentinel-4 untuk memastikan kesinambungan dalam pemantauan arah aliran kualiti air di Great Barrier Reef (Australia). J. Alam Sekitar. Manag. 3, 2019, 248. [CrossRef] 109255. Brodie, J.; Schroeder, T.; Rohde, K.; Setia, J.; Sarjana, B.; Dekker, A.; Brando, V.; Maughan, M. Penyerakan sedimen terampai dan nutrien di lagun Great Barrier Reef semasa peristiwa pelepasan sungai: Kesimpulan daripada penderiaan jauh satelit dan banjir-banjir serentakampling. 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. Pengisian awan warna lautan dan produk penderiaan jauh suhu permukaan laut di atas Laut Utara Selatan oleh metodologi Fungsi Ortogonal Empirikal Interpolasi Data. J. Sea Res. 6, 2011, 65. [CrossRef] 114. Ruddick, K.; Neukermans, G.; Vanhellemont, Q.; Jolivet, D. Cabaran dan peluang untuk penderiaan jauh warna lautan geopegun bagi laut serantau: A semulaview keputusan terkini. Persekitaran Sens Jauh. 2014, 146, 63. [CrossRef] 76. Ruddick, K.; Vanhellemont, Q.; Yan, J.; Neukermans, G.; Wei, G.; Shang, S. Kebolehubahan zarah terampai di Laut Bohai daripada Geostationary Ocean Color Imager (GOCI). Lautan. Sci. J. 8, 2012, 47. [CrossRef] 331. IOCCG. Pemerhatian Warna Lautan dari Orbit Geostasioner; Laporan Laporan Kumpulan Penyelaras Warna Lautan Antarabangsa (IOCCG) Nombor 345; Antoine, D., Ed.; IOCCG: Dartmouth, NS, Kanada, 9. Tersedia dalam talian: http://ioccg.org/wpcontent/uploads/2015/10/ioccg-report-12.pdf (diakses pada 18 April 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 Pemantauan Marin: Laporan Tahunan untuk Pemantauan Kualiti Air Pesisir 2018; Laporan untuk Pihak Berkuasa Taman Laut Great Barrier Reef 2019; Pihak Berkuasa Taman Laut Great Barrier Reef: Townsville, Australia, 2208. Tersedia dalam talian: https://elibrary.gbrmpa.gov.au/jspui/handle/4096/2020 (diakses pada 11017 Mei 3665).
11. Waterhouse, J.; Schafelke, B.; Bartley, R.; Eberhard, R.; Brodie, J.; Thorburn, P.; Rolfe, J.; Ronan, M.; Taylor, B.; Bintang, M.; et al. Ringkasan Kenyataan Konsensus Saintifik: Kesan Guna Tanah terhadap Kualiti Air Terumbu Karang Besar dan Keadaan Ekosistem; State of Queensland: Townsville, Australia, 2017. Tersedia dalam talian: https://www.reefplan.qld.gov.au/science-and-research/thescientific-consensus-statement (diakses pada 25 November 2017).
12. Feng, J.; Chen, H.; Zhang, H.; Li, Z.; Yu, Y.; Zhang, Y.; Bilal, M.; Qiu, Z. Anggaran kekeruhan daripada data satelit GOCI di muara keruh di pantai China. Remote Sens. 2020, 12, 3770. [CrossRef] 13. Lou, X.; Hu, C. Perubahan harian bunga alga yang berbahaya di Laut China Timur: Pemerhatian daripada GOCI. Persekitaran Sens Jauh. 2014, 140, 562. [CrossRef] 572. Pengantin Lelaki, S.; Sathyendranath, S.; Ban, Y.; Bernard, S.; Brewin, R.; Brotas, V.; Brockmann, C.; Chauhan, P.; Choi, J.-K.; Chuprin, A.; et al. Warna Lautan Satelit: Status Semasa dan Perspektif Masa Depan. Depan. Mar. Sci. 14, 2019, 6. [CrossRef] 485. Park, J.-E.; Park, K.-A.; Kang, C.-K.; Park, Y.-J. Tindak Balas Jangka Pendek Kepekatan Klorofil-a kepada Perubahan dalam Medan Angin Permukaan Laut di atas Mesoscale Eddy. Estuaries Coasts 15, 2019, 43. [CrossRef] 646. Lavigne, H.; Ruddick, K. Potensi penggunaan MTG/FCI geopegun untuk mendapatkan semula kepekatan klorofil-a pada resolusi temporal yang tinggi untuk lautan terbuka. Int. J. Remote Sens. 660, 16, 2018. [CrossRef] 39. Dorji, P.; Fearns, P. Pembetulan atmosfera data satelit Himawari-2399 geopegun untuk pemetaan Jumlah Sedimen Terampai: Kajian kes di Perairan Pantai Australia Barat. ISPRS J. Photogramm. Sens Jauh 2420, 17, 8. [CrossRef] 2018. Miller, SD; Schmit, TL; Pelaut, CJ; Lindsey, DT; Gunshor, MM; Kohrs, RA; Sumida, Y.; Hillger, D. A Sight for Sore Eyes: The Return of True Color to Geostationary Satellites. lembu jantan. Am. Meteorol. Soc. 144, 81, 93. [CrossRef] 18. Doxaran, D.; Lamquin, N.; Park, Y.-J.; Mazeran, C.; Ryu, J.-H.; Wang, M.; Poteau, A. Pengambilan semula pantulan air laut untuk pemantauan pepejal terampai di Laut China Timur menggunakan data satelit MODIS, MERIS dan GOCI. Persekitaran Sens Jauh. 2016, 97, 1803. [CrossRef] 1816. Doxaran, D.; Cherukuru, RCN; Lavender, SJ Penggunaan nisbah jalur pemantulan untuk menganggarkan kepekatan bahan terampai dan terlarut dalam perairan muara. Int. J. Remote Sens. 19, 2014, 146. [CrossRef]

Sens Jauh 2022, 14, 3503

20 daripada 23

21. Kwiatkowska, EJ; Ruddick, K.; Ramon, D.; Vanhellemont, Q.; Brockmann, C.; Lebreton, C.; Bonekamp, produk warna HG Ocean daripada platform geostasioner, peluang dengan Meteosat Generasi Kedua dan Ketiga. Lautan. Sci. Bincangkan. 2015, 12, 3143. [CrossRef] 3167. Murakami, H. Anggaran warna lautan oleh Himawari-22/AHI. Dalam Prosiding Penderiaan Jauh Lautan dan Perairan Pedalaman: Teknik, Aplikasi dan Cabaran, New Delhi, India, 8 Mei 7. [CrossRef] 2016. Chen, X.; Shang, S.; Lee, Z.; Qi, L.; Yan, J.; Li, Y. Pemerhatian frekuensi tinggi alga terapung dari AHI pada Himawari-23. Persekitaran Sens Jauh. 8, 2019, 227. [CrossRef] 151. Hafeez, S.; Wong, MS; Abbas, S.; Jiang, G. Menilai Potensi Geostasioner Himawari-161 untuk Memetakan Jumlah Pepejal Terampai Permukaan dan Perubahan Diurnalnya. Remote Sens. 24, 8, 2021. [CrossRef] 13. Agensi Meteorologi Jepun. Log Peristiwa: Keputusan Ujian Prestasi Himawari-336; Pusat Satelit Meteorologi: Kiyose, Jepun, 25. Tersedia dalam talian: https://www.data.jma.go.jp/mscweb/en/himawari89/space_segment/fig/AHI8_performance_test_en.pdf (diakses pada 20 September 2021).
26. IOCCG. Penderiaan Jauh Warna Lautan di Pantai dan Perairan Kompleks Optik Lain; Laporan International Ocean-Colour Coordinating Group (IOCCG) Laporan Nombor 3; Sathyendrath, S., Ed.; IOCCG: Dartmouth, NS, Kanada, 2000. Tersedia dalam talian: http://ioccg.org/wp-content/uploads/2015/10/ioccg-report-03.pdf (diakses pada 20 September 2015).
27. Schroeder, T.; Schaale, M.; Lovell, J.; Blondeau-Patissier, D. Pembetulan atmosfera rangkaian saraf ensemble untuk Sentinel-3 OLCI di atas perairan pantai yang menyediakan anggaran ketidakpastian model yang wujud dan perambatan hingar sensor. Persekitaran Sens Jauh. 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: Platform analisis data berasaskan pembelajaran mesin untuk penderia warna lautan satelit. Persekitaran Sens Jauh. 2021, 253, 112236. [CrossRef] 29. Brockmann, C.; Doerffer, R.; Peters, M.; Stelzer, K.; Embacher, S.; Ruescas, A. Evolusi rangkaian saraf C2RCC untuk Sentinel 2 dan 3 untuk mendapatkan semula produk warna laut di perairan kompleks optik biasa dan ekstrem. Dalam Prosiding Agensi Angkasa Eropah, Prague, Republik Czech, 9 Mei 13.
30. Schroeder, T.; Fischer, J.; Schaale, M.; Fell, F. Algoritma pembetulan atmosfera berasaskan saraf tiruan: Aplikasi untuk data MERIS. Dalam Prosiding SPIE 4892, Ocean Remote Sensing and Applications, Hangzhou, China, 8 Mei 2003; ms 124. [CrossRef] 132. Jamet, C.; Thira, S.; Moulin, C.; Crepon, M. Penggunaan Penyongsangan Neurovariasi untuk Mendapatkan Konstituen Lautan dan Atmosfera daripada Imejan Warna Lautan: Kajian Kebolehlaksanaan. J. Atmos. Lautan. Technol. 31, 2005, 22. [CrossRef] 460. Brajard, J.; Jamet, C.; Moulin, C.; Thiria, S. Penggunaan penyongsangan neuro-variasi untuk mendapatkan semula juzuk lautan dan atmosfera daripada penderia warna lautan satelit: Aplikasi untuk menyerap aerosol. Jaringan Neural. Mati. J. Int. Jaringan Neural. Soc. 475, 32, 2006. [CrossRef] 19. Doerffer, R. Dokumen Asas Teori Algoritma (ATBD) MERIS Wilayah Pantai dan Tasik Kes 178 Projek Air Pembetulan Atmosfera ATBD; Air Versi 185; Pusat Penyelidikan GKSS: Geesthacht, Jerman, 33; ms 2.
34. Pahlevan, N.; Smith, B.; Schalles, J.; Mengikat, C.; Cao, Z.; Ma, R.; Alikas, K.; Kangro, K.; Gurldalam, D.; Hà, N.; et al. Pendapatan lancar klorofil-a daripada Sentinel-2 (MSI) dan Sentinel-3 (OLCI) di perairan pedalaman dan pantai: Pendekatan pembelajaran mesin. Persekitaran Sens Jauh. 2020, 240, 111604. [Rujuk Silang] 35. Kasar, L.; Thiria, S.; Frouin, R.; Mitchell, BG Rangkaian saraf tiruan untuk memodelkan fungsi pemindahan antara pemantulan marin dan kepekatan pigmen fitoplankton. J. Geophys. Res. Lautan. 2000, 105, 3483. [CrossRef] 3495. Schroeder, T.; Behnert, I.; Schaale, M.; Fischer, J.; Doerffer, R. Algoritma pembetulan atmosfera untuk MERIS di atas perairan kes-36. Int. J. Remote Sens. 2, 2007, 28. ​​[CrossRef] 1469. Schroeder, T.; Schaale, M.; Fischer, J. Pengambilan semula sifat atmosfera dan lautan daripada pengukuran MERIS: Pemproses air Case-1486 baharu untuk BEAM. Int. J. Remote Sens. 37, 2, 2007. [CrossRef] 28. Schroeder, T. Fernerkundung von Wasserinhaltsstoffen di Küstengewässern mit MERIS unter Anwendung expliziter und impliziter Atmosphärenkorrekturte Sensasi Pantai dengan MERIS Algoritma Pembetulan Atmosfera Tersirat). Ph.D. Tesis, Freie Universität, Berlin, Jerman, 5627. [CrossRef] 5632. Patricio-Valerio, L. Meneroka Pemerhatian Himawari-38 untuk Pemantauan Pesisir Lanjutan Terumbu Hadang Besar. Ph.D. Tesis, Universiti James Cook, Townsville, Australia, 2005. [CrossRef] 39. Fell, F.; Fischer, J. Simulasi berangka medan cahaya dalam sistem atmosfera-lautan menggunakan kaedah pengendali matriks. J. Quant. Spectrosc. Sinaran. Transf. 8, 2021, 40. [CrossRef] 2001. Fischer, J.; Grassl, H. Pemindahan sinaran dalam sistem lautan atmosfera: Pendekatan pengendali matriks yang bergantung secara azimut. Appl. opt. 69, 351, 388. [CrossRef] 41. Santer, R.; Zagolski, F.; Dilligeard, E. Perbandingan Kod Pemindahan Radiatif untuk Penentukuran Vicarious MERIS. Dalam Prosiding Bengkel Pengesahan ENVISAT, ESRIN, Frascati, Itali, 1984 Disember 23.
43. Jawatankuasa Lanjutan kepada Suasana Standard. Suasana Standard AS; NASA: Washington, DC, Amerika Syarikat, 1976. 44. Holben, BN; Eck, TF; Slutsker, I.; Tanré, D.; Buis, JP; Setzer, A.; Vermote, E.; Reagan, JA; Kaufman, YJ; Nakajima, T.; et al.
AERONET–Rangkaian Instrumen Bersekutu dan Arkib Data untuk Pencirian Aerosol. Persekitaran Sens Jauh. 1998, 66, 1. [CrossRef] 16. AERONET. Rangkaian Robotik Aerosol. Tersedia dalam talian: https://aeronet.gsfc.nasa.gov/cgi-bin/data_display_aod_v45?site= Lucinda&nachal=3&level=2&place_code=3 (diakses pada 10 Oktober 3).

Sens Jauh 2022, 14, 3503

21 daripada 23

46. ​​Ångström, A. Parameter kekeruhan atmosfera. Tellus 1964, 16, 64. [CrossRef] 75. Rothman, LS; Barbe, A.; Chris Benner, D.; Brown, LR; Camy-Peyret, C.; Carleer, MR; Peluang, K.; Clerbaux, C.; Dana, V.; Devi,
VM; et al. Pangkalan data spektroskopi molekul HITRAN: Edisi 2000 termasuk kemas kini sehingga 2001. J. Quant. Spectrosc. Sinaran. Transf. 2003, 82, 5. [CrossRef] 44. Bennartz, R.; Fischer, J. Pendekatan pengagihan k yang diubah suai digunakan untuk wap air jalur sempit dan anggaran penyerapan oksigen dalam inframerah dekat. J. Quant. Spectrosc. Sinaran. Transf. 48, 2000, 66. [CrossRef] 539. Zhang, T.; Jatuh, F.; Liu, ZS; Preusker, R.; Fischer, J.; Beliau, MX Menilai prestasi teknik rangkaian saraf tiruan untuk pengambilan pigmen daripada warna lautan di perairan Case I. J. Geophys. Res. Lautan. 553, 49, 2003. [CrossRef] 108. Pope, RM; Goreng, ES Spektrum penyerapan (3286 nm) air tulen. II. Mengintegrasikan ukuran rongga. Appl. opt. 50, 380, 700. [CrossRef] 1997. Hale, GM; Query, MR Pemalar optik air dalam rantau panjang gelombang 36-nm hingga 8710-µm. Appl. opt. 8723, 51, 200. [CrossRef] 200. Bricaud, A.; Morel, A.; Babin, M.; Allali, K.; Claustre, H. Variasi penyerapan cahaya oleh zarah terampai dengan kepekatan klorofil dalam perairan lautan (kes 1973): Analisis dan implikasi untuk model bio-optik. J. Geophys. Res. Lautan. 12, 555, 563. [CrossRef] 52. Babin, M.; Stramski, D.; Ferrari, GM; Claustre, H.; Bricaud, A.; Obolensky, G.; Hoepffner, N. Variasi dalam pekali penyerapan cahaya fitoplankton, zarah bukan organik dan bahan organik terlarut di perairan pantai di sekitar Eropah. J. Geophys. Res. Lautan. 1, 1998, 103. [CrossRef] 31033. Morel, A. Sifat optik air tulen dan air laut tulen. Dalam Aspek Optik Oseanografi; Nielsen, JS, Ed.; Akhbar Akademik: Cambridge, MA, Amerika Syarikat, 31044; hlm 53. 2003. Babin, M.; Morel, A.; Fournier-Sicre, V.; Jatuh, F.; Stramski, D. Sifat penyerakan cahaya zarah laut di perairan pantai dan lautan terbuka yang berkaitan dengan kepekatan jisim zarah. Limnol. Oceanogr. 108, 3211, 54. [CrossRef] 1974. Zhang, T.; Jatuh, F.; Fischer, J. Memodelkan nisbah penyerakan belakang zarah marin di perairan Case-1. Dalam Prosiding Optik Lautan XVI, Santa Fe, MN, Amerika Syarikat, 24 November 55. 2003. Minsky, M.; Papert, SA Perceptrons: Pengenalan kepada Geometri Pengiraan; MIT Press: Cambridge, MA, USA, 48. 843. Malthouse, EC Had PCA tak linear seperti yang dilakukan dengan rangkaian neural generik. IEEE Trans. Jaringan Neural. 859, 56, 2. [CrossRef] [PubMed] 18. Liu, DC; Nocedal, J. Mengenai kaedah BFGS memori terhad untuk pengoptimuman skala besar. Matematik. Program. 22, 2002, 57. [CrossRef] 1969. Agensi Meteorologi Jepun. Log Peristiwa: Kemas Kini Maklumat Penentukuran Digunakan untuk Membetulkan Trend Kepekaan AHI Himawari-58; Pusat Satelit Meteorologi: Kiyose, Jepun, 1998. Tersedia dalam talian: https://www.data.jma.go.jp/mscweb/en/oper/eventlog/ Update_of_Calibration_Information_2019.pdf (diakses pada 20 September 2021). 61. Kurucz, R. Spektrum suria: Atlas dan pengenalan garis. Dalam Prosiding Spektrum Resolusi Tinggi Makmal dan Astronomi, Brussels, Belgium, 29 Ogos2 September 1995; hlm. 17. 62. Pusat Satelit Meteorologi. Panduan Penentukuran Vicarious GSICS Himawari-8 Nampak dan Inframerah Dekat. Tersedia dalam talian: https://www.data.jma.go.jp/mscweb/data/monitoring/gsics/vis/techinfo_visvical.html (diakses pada 10 Mei 2022). 63. Agensi Meteorologi Jepun. Log Peristiwa: Penambahbaikan Kualiti Data Pemerhatian Himawari-8; Log peristiwa Pusat Satelit Meteorologi: Kiyose, Jepun, 2017. Tersedia dalam talian: https://www.data.jma.go.jp/mscweb/en/oper/eventlog/Improvement_of_ Himawari-8_data_quality.pdf (diakses pada 20 September 2021). 64. Qin, Y.; Steven, ADL; Schroeder, T.; McVicar, TR; Huang, J.; Cope, M.; Zhou, S. Cloud Cover in the Australian Region: Development and Validation of Cloud Masking, Classification and Optical Depth Retrieval Algorithm for the Advanced Himawari Imager. Depan. alam sekitar. Sci. 2019, 7, 20. [CrossRef] 65. Pihak Berkuasa Taman Laut Great Barrier Reef. Ciri Terumbu Penghalang Besar (GBR) (Sempadan terumbu, QLD Tanah Besar, Kepulauan, Cays, Batu dan Terumbu Kering) (GBRMPA) (Versi 1.4) [Set Data] 2164DB88-FD79-449E-920F-61C37ADE634B. 1998. Boleh didapati dalam talian: http://www.gbrmpa.gov.au/geoportal/catalog/search/resource/details.page?uuid=%7B41AB3629-B41B-4746-9B753822667E5AF3%7D (diakses pada 14 Mei 2022). 66. Emecen, E.; Kara, G.; Erdogmus, F.; Gardashov, R. Penentuan lokasi sunglint di permukaan lautan dengan pemerhatian daripada satelit geostasioner. TAO Terr. Atmos. Lautan. Sci. 2006, 17, 253. [CrossRef] 67. Pentadbiran Lautan dan Atmosfera Negara. Analisis Jumlah Ozon menggunakan SBUV/2 dan TOVS (TOAST). Tersedia dalam talian: https://www.ospo.noaa.gov/Products/atmosphere/toast/index.html (diakses pada 1 Disember 2020). 68. Kistler, R.; Kalnay, E.; Collins, W.; Saha, S.; Putih, G.; Woollen, J.; Chelliah, M.; Ebisuzaki, W.; Kanamitsu, M.; Kousky, V. Analisis semula NCEPNCAR 50 tahun: Bulanan bermaksud CD-ROM dan dokumentasi. lembu jantan. 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 Analisis Semula (R-69). lembu jantan. Am. Meteorol. Soc. 2, 2002, 83. [CrossRef] 1631. Kalnay, E.; Kanamitsu, M.; Kistler, R.; Collins, W.; Deaven, D.; Gandin, L.; Iredell, M.; Saha, S.; Putih, G.; Woollen, J. Projek analisis semula NCEP/NCAR 1644 tahun. lembu jantan. Am. Meteorol. Soc. 70, 40, 1996. [CrossRef] 77. Pentadbiran Lautan dan Atmosfera Negara. Analisis Semula NCEP 437 Data Meteorologi. Tersedia dalam talian: https://psl.noaa. gov/data/gridded/data.ncep.reanalysis472.html (diakses pada 71 Disember 2).

Sens Jauh 2022, 14, 3503

22 daripada 23

72. Sistem Pemerhatian Marin Bersepadu. Pangkalan Data Bio Optik Warna Lautan IMOS Perairan Australia (SRS-OC-BODBAW). 2011. Tersedia dalam talian: https://researchdata.edu.au/imos-srs-ocean-australian-waters (diakses pada 20 Februari 2017).
73. Pihak Berkuasa Taman Laut Great Barrier Reef. Manual Jaminan Kualiti dan Kawalan Kualiti Program Pemantauan Laut 2017; Pihak Berkuasa Taman Laut Great Barrier Reef: Townsville, Australia, 2018. Tersedia dalam talian: http://elibrary.gbrmpa.gov.au/jspui/ handle/2019/11017 (diakses pada 3487 Mei 15).
74. Soja-Woz´niak, M.; Baird, M.; Schroeder, T.; Qin, Y.; Clementson, L.; Baker, B.; Boadle, D.; Brando, V.; Steven, Nisbah Penyerakan Belakang Zarah ADL sebagai Penunjuk Komposisi Zarah Berubah di Perairan Pantai: Pemerhatian Dari Perairan Terumbu Karang Besar. J. Geophys. Res. Lautan. 2019, 124, 5485. [CrossRef] 5502. Bulgarelli, B.; Zibordi, G. Mengenai pengesanan kesan bersebelahan dalam penderiaan jauh warna lautan bagi persekitaran pantai latitud pertengahan oleh SeaWiFS, MODIS-A, MERIS, OLCI, OLI dan MSI. Persekitaran Sens Jauh. 75, 2018, 209. [CrossRef] 423. Schroeder, T.; Lovell, J.; Raja, E.; Clementson, L.; Scott, R. Laporan Pengesahan Warna Lautan IMOS 438-76, Laporan kepada Sistem Pemerhatian Marin Bersepadu (IMOS); Lautan dan Suasana CSIRO: Brisbane, Australia, 2017; hlm. 18.
77. Raja, E.; Schroeder, T.; Brando, V.; Suber, K. Sistem Pra-operasi untuk Pemantauan Satelit Kualiti Air Marin Great Barrier Reef. In Wealth from Oceans Flagship Report; CSIRO Wealth from Oceans Flagship: Hobart, Australia, 2014. [CrossRef] 78. Agensi Meteorologi Jepun. Log Peristiwa: Peningkatan Kualiti Data Pemerhatian Himawari-8; Pusat Satelit Meteorologi: Kiyose, Jepun, 2016. Tersedia dalam talian: https://www.data.jma.go.jp/mscweb/en/oper/eventlog/20161117_Quality_ improvement_of_Himawari-8_observation_data.pdf (diakses pada 20 September 2021).
79. Agensi Penerokaan Aeroangkasa Jepun. Sistem P-Tree Monitor JAXA Himawari. Tersedia dalam talian: https://www.eorc.jaxa.jp/ ptree/index.html (diakses pada 14 Mei 2022).
80. Hu, C.; Feng, L.; Lee, Z.; Davis, CO; Mannino, A.; McClain, CR; Franz, BA Keperluan julat dinamik dan sensitiviti penderia warna lautan satelit: Belajar dari masa lalu. 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. Pembungaan fitoplankton yang meluas dicetuskan oleh kebakaran hutan Australia 81. Alam Semula Jadi 2019, 2020, 2021. [CrossRef] [PubMed] 597. Pihak Berkuasa Taman Laut Great Barrier Reef. Garis Panduan Kualiti Air untuk Taman Laut Great Barrier Reef; 370; Pihak Berkuasa Taman Laut Great Barrier Reef: Townsville, Australia, 375. Tersedia dalam talian: https://elibrary.gbrmpa.gov.au/jspui/handle/82/ 1921682299 (diakses pada 2010 Ogos 11017).
83. Brodie, J.; Grech, A.; Pressey, B.; Hari, J.; Dale, A.; Morrison, T.; Wenger, A. Masa depan Great Barrier Reef: Kualiti air yang penting. Di Pantai dan Muara; Wolanski, E., Day, JW, Elliott, M., Ramachandran, R., Eds.; Elsevier: Amsterdam, Belanda, 2019; ms 477. [CrossRef] 499. Hieronymi, M.; Müller, D.; Doerffer, R. Swarm Rangkaian Neural OLCI (ONNS): Algoritma Bio-Geo-Optik untuk Lautan Terbuka dan Perairan Pantai. Depan. Mar. Sci. 84, 2017, 4. [CrossRef] 140. Donlon, C. Sentinel-85 Mission Requirements Traceability Document (MRTD); Agensi Angkasa Eropah (ESA)–ESTEC: Noordwijk, Belanda, 3; hlm. 2011. Tersedia dalam talian: https://sentinels.copernicus.eu/documents/234/247904/Sentinel-1848151-MissionRequirements-Traceability (diakses pada 3 Oktober 11).
86. Doerffer, R. Protokol untuk Pengesahan Produk Air MERIS; Penerbitan ESA PO-TN-MEL-GS-0043 GKSS; Forschungszentrum: Geesthacht, Jerman, 2002; ms 1.
87. Kerajaan Queensland. Portal Maklumat Pemantauan Air (WMIP). Tersedia dalam talian: https://water-monitoring.information. qld.gov.au/ (diakses pada 30 Mac 2021).
88. Wolanski, E.; Spagnol, S. Sticky Waters in the Great Barrier Reef. Estuar. Pantai. Rak Sci. 2000, 50, 27. [CrossRef] 32. Pickard, GL; Donguy, J.-R.; Hénin, C.; Rougerie, F. A Review Oseanografi Fizikal Terumbu Karang Besar dan Karang Barat
Laut; Perkhidmatan Penerbitan Kerajaan Australia: Canberra, Australia, 1977. 90. Feng, D.; Hodges, BR; Socolofsky, SA; Thyng, pusaran pasang surut KM di saluran masuk sempit dalam model tumpahan minyak operasi. Mac.
mencemarkan. lembu jantan. 2019, 140, 374. [CrossRef] [PubMed] 387. De'ath, GA; Fabricius, Kualiti Air KK Great Barrier Reef: Taburan, Kesan ke atas Biota Terumbu dan Nilai Pencetus untuk
Perlindungan Kesihatan Ekosistem; Pihak Berkuasa Taman Laut Great Barrier Reef Komanwel Australia dan Institut Sains Marin Australia: Townsville, Australia, 2008; hlm. 104. 92. Thomson, RE; Wolanski, EJ Tidal period upwelling dalam kawasan masuk pulau Raine terumbu penghalang besar. J. Mar. Res. 1984, 42, 787. [CrossRef] 808. Wolanski, E.; Drew, E.; Abel, KM; O'Brien, J. Pancutan pasang surut, peningkatan nutrien dan pengaruhnya terhadap produktiviti alga Halimeda di Terumbu Ribbon, Great Barrier Reef. Estuar. Pantai. Rak Sci. 93, 1988, 26. [CrossRef] 169. Marmorino, GO; Smith, GB; Miller, WD Ciri-ciri Turbulence disimpulkan daripada imejan satelit alga permukaan yang ketinggalan masa dalam laut pasang surut cetek. Samb. Permulaan Rak. 201, 94, 2017. [CrossRef] 148. Delandmeter, P.; Lambrechts, J.; Marmorino, PERGI; Legat, V.; Wolanski, E.; Remacle, J.-F.; Chen, W.; Deleersnijder, E. Pusaran pasang surut submesoscale selepas pulau karang dan terumbu karang: Data satelit dan pemodelan berangka. Lautan. Dyn. 178, 184, 95. [CrossRef] 2017. Li, G.; Dia, Y.; Liu, G.; Zhang, Y.; Hu, C.; Perrie, W. Pemerhatian Pelbagai Penderia Eddie Submesoscale di Kawasan Pantai. Sens Jauh 67, 897, 913. [CrossRef]

Sens Jauh 2022, 14, 3503

23 daripada 23

97. IOCCG. Keperluan Misi untuk Penderia Warna Lautan Masa Depan; Laporan International Ocean-Colour Coordinating Group (IOCCG) Laporan Nombor 13; McClain, C., Meister, G., Eds.; IOCCG: Dartmouth, NS, Kanada, 2012. Tersedia dalam talian: http: //ioccg.org/wp-content/uploads/2015/10/ioccg-report-13.pdf (diakses pada 30 September 2017).
98. Neukermans, G.; Ruddick, K.; Bernard, E.; Ramon, D.; Nechad, B.; Deschamps, P.-Y. Memetakan jumlah bahan terampai daripada satelit geopegun: Kajian kebolehlaksanaan dengan SEVIRI di Laut Utara Selatan. opt. Ekspres 2009, 17, 14029. [CrossRef] 14052. Neukermans, G.; Ruddick, K.; Loisel, H.; Roose, P. Pengoptimuman dan kawalan kualiti pengukuran kepekatan bahan zarahan terampai menggunakan ukuran kekeruhan. Limnol. Oceanogr. Kaedah 99, 2012, 10. [CrossRef] 1011. Röttgers, R.; Heymann, K.; Krasemann, H. Kepekatan bahan terampai di perairan pantai: Penambahbaikan metodologi untuk mengukur ketidakpastian pengukuran individu. Estuar. Pantai. Rak Sci. 1023, 100, 2014. [CrossRef] 151. Tilstone, G.; Moore, G.; Sørensen, K.; Doerffer, R.; Røttgers, R.; Ruddick, K.; Pasterkamp, R.; Jørgensen, P. Pengesahan serantau bagi produk klorofil MERIS di perairan pantai Laut Utara. Dalam Prosiding mesyuarat Kerja mengenai Penentukuran dan Pengesahan Geofizik MERIS dan AATSR (ENVISAT MAVT-2003), Frascati, Itali, 20 Oktober 24.
102. Stavn, RH; Rick, HJ; Falster, AV Membetulkan ralat daripada pengekalan garam laut berubah-ubah dan air penghidratan dalam kehilangan pada analisis pencucuhan: Implikasi untuk kajian muara dan perairan pantai. Estuar. Pantai. Rak Sci. 2009, 81, 575. [CrossRef] 582. Okuyama, A.; Takahashi, M.; Tarikh, K.; Hosaka, K.; Murata, H.; Tabata, T.; Yoshino, R. Pengesahan penentukuran radiometrik Himawari-103/AHI berdasarkan dua tahun data dalam orbit. J. Meteorol. Soc. Jepun. Ser. II 8, 2018, 96. [CrossRef] 91. Agensi Meteorologi Jepun. Log peristiwa: Kesan Peristiwa dan Penentukuran Kapal Angkasa pada Himawari-109 Imej: Striping; Pusat Satelit Meteorologi: Kiyose, Jepun, 104. Tersedia dalam talian: http://www.data.jma.go.jp/mscweb/en/oper/image_info.html#005 (diakses pada 20 September 2021).
105. Musa, WJ; Bowles, JH; Lucke, RL; Corson, MR Kesan nisbah isyarat kepada hingar dalam penderia hiperspektral pada ketepatan anggaran parameter biofizik dalam kes II perairan. opt. Ekspres 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. Pendekatan Novel untuk Pendedahan Model Ekosistem Laut Pesisir Pantai kepada Plum Banjir Sungai Berdasarkan Teknik Penderiaan Jauh. J. Alam Sekitar. Manag. 106, 2013, 119. [CrossRef] 194. Petus, C.; Devlin, M.; Thompson, A.; McKenzie, L.; Teixeira da Silva, E.; Collier, C.; Tracey, D.; Martin, K. Menganggarkan Pendedahan Terumbu Karang dan Padang Rumput Laut kepada Bahan cemar Bersumberkan Darat dalam Plum Banjir Sungai Great Barrier Reef: Mengesahkan Rangka Kerja Risiko Satelit Mudah dengan Data Alam Sekitar. Remote Sens. 207, 107, 2016. [CrossRef] 8. Devlin, M.; Schroeder, T.; McKinna, L.; Brodie, J.; Brando, V.; Dekker, A. Pemantauan dan Pemetaan Plum Banjir di Terumbu Penghalang Besar Berdasarkan Pemerhatian In Situ dan Penderiaan Jauh. Secara Terdahulu dalam Penderiaan Jauh Persekitaran untuk Memantau Perubahan Global; Chang, N.-B., Ed.; Penderiaan Jauh Persekitaran dan Analisis Sistem; CRC Press: Boca Raton, FL, USA, 210; ms 108. [CrossRef] 2012. Steven, AD; Baird, SAYA; Brinkman, R.; Kereta, NJ; Cox, SJ; Herzfeld, M.; Hodge, J.; Jones, E.; Raja, E.; Margvelashvili, N.; et al. eReefs: Sistem maklumat operasi untuk menguruskan Great Barrier Reef. J. Oper. Oceanogr. 147, 191, S109S2019. [CrossRef]

Dokumen / Sumber

Algoritma Pembelajaran Mesin MDPI [pdf] Panduan Pengguna Algoritma Pembelajaran Mesin, Algoritma Pembelajaran, Algoritma

Rujukan

• Manual Pengguna