Estimation of Phytoplankton Chlorophyll-a Concentrations in the Western Basin of Lake Erie Using Sentinel-2 and Sentinel-3 Data
Notice bibliographique
Résumé
Algae blooms have been a serious problem in coastal and inland water bodies across Canada. The temporal and spatial variability of algae blooms makes it difficult to use in situ monitoring of the lakes. This study aimed to evaluate the potential of Sentinel-3 Ocean and Land Color Instrument (OLCI) and Sentinel-2 Multispectral Instrument (MSI) data for monitoring algal blooms in Lake Erie. Chlorophyll-a (Chl-a)-related products of these sensors were tested by using the Great Lakes Chl-a NOAA’s monitoring data over summer 2016 and 2017, respectively. Our results show that while fluorescent light height (FLH) algorithm and models are limited to lakes with Chl-a < 8 mg/m3, maximum chlorophyll index (MCI) has the potential to be used effectively to monitor Chl-a concentration over Eutrophic lakes. Sentinel-3’s MCI is suggested for Chl-a > 20 mg/m3 and Sentinel-2 MCI for Chla > 8 mg/m3. Top of atmosphere (TOA) radiances showed a significantly better correlation with in situ data compared to TOA reflectance, which may be related to the poor pixel identification during the process of pixel flagging affected by the complexity of Case-2 water. Sentinel-2 MCI achieves better performance for Chl-a retrieval (R2 = 0.92) than the existing methods. However, the FLH algorithms outperformed negative reflectance due to the shift of reflectance peak to longer wavelengths along with increasing Chl-a values.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».