Consistent Multi-Mission Measures of Inland Water Algal Bloom Spatial Extent Using MERIS, MODIS and OLCI
Notice bibliographique
Résumé
Envisat’s MERIS and its successor Sentinel OLCI have proven invaluable for documenting algal bloom conditions in coastal and inland waters. Observations over turbid eutrophic waters, in particular, have benefited from the band at 708 nm, which captures the reflectance peak associated with intense algal blooms and is key to line-height algorithms such as the Maximum Chlorophyll Index (MCI). With the MERIS mission ending in early 2012 and OLCI launched in 2016, however, time-series studies relying on these two sensors have to contend with an observation gap spanning four years. Alternate sensors, such as MODIS Aqua, offering neither the same spectral band configuration nor consistent spatial resolution, present challenges in ensuring continuity in derived bloom products. This study explores a neural network (NN) solution to fill the observation gap between MERIS and OLCI with MODIS Aqua data, delivering consistent algal bloom spatial extent products from 2002 to 2020 using these three sensors. With 14 bands of MODIS level 2 partially atmospherically corrected spectral reflectance as the NN input, the missing MERIS/OLCI band at 708 nm required for the MCI is simulated. The resulting NN-derived MODIS MCI (NNMCI) is shown to be in good agreement with MERIS and OLCI MCI in 2011 and 2017 respectively over the western basin of Lake Erie (R2 = 0.84, RMSE = 0.0032). To overcome the impact of MODIS sensor saturation over bright water targets, which otherwise renders pixels unusable for bloom detection using R-NIR wavebands, a variant NN model is employed which uses the 9 MODIS bands with the lowest probability of saturation to simulate the MCI. This variant NN predicts MCI with only a small increase in uncertainty (R2 = 0.73, RMSE = 0.005) allowing reliable estimates of bloom conditions in those previously unreported pixels. The NNMCI is shown to be robust when applied beyond the initial training dataset on Lake Erie, and when re-trained on different geographic areas (Lake Winnipeg and Lake of the Woods). Despite differences in spatial, temporal, and spectral resolution, MODIS algal bloom presence/absence was correctly classified in >92% of cases and bloom spatial extent derived within 25% uncertainty, allowing the application to the 2012–2015 time period to form a continuous and consistent multi-mission monitoring dataset from 2002 to 2020.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».