Comparative Evaluation of Semi-Empirical Approaches to Retrieve Satellite-Derived Chlorophyll-a Concentrations from Nearshore and Offshore Waters of a Large Lake (Lake Ontario)
Notice bibliographique
Résumé
Chlorophyll-a concentration (Chl-a) is commonly used as a proxy for phytoplankton abundance in surface waters of large lakes. Mapping spatial and temporal Chl-a distributions derived from multispectral satellite data is therefore increasingly popular for monitoring trends in trophic state of these important ecosystems. We evaluated products of eleven atmospheric correction processors (LEDAPS, LaSRC, Sen2Cor, ACOLITE, ATCOR, C2RCC, DOS 1, FLAASH, iCOR, Polymer, and QUAC) and 27 reflectance indexes (including band-ratio, three-band, and four-band algorithms) recommended for Chl-a concentration retrieval. These were applied to the western basin of Lake Ontario by pairing 236 satellite scenes from Landsat 5, 7, 8, and Sentinel-2 acquired between 2000 and 2022 to 600 near-synchronous and co-located in situ-measured Chl-a concentrations. The in situ data were categorized based on location, seasonality, and Carlson’s Trophic State Index (TSI). Linear regression Chl-a models were calibrated for each processing scheme plus data category. The models were compared using a range of performance metrics. Categorization of data based on trophic state yielded improved outcomes. Furthermore, Sentinel-2 and Landsat 8 data provided the best results, while Landsat 5 and 7 underperformed. A total of 28 Chl-a models were developed across the different data categorization schemes, with RMSEs ranging from 1.1 to 14.1 μg/L. ACOLITE-corrected images paired with the blue-to-green band ratio emerged as the generally best performing scheme. However, model performance was dependent on the data filtration practices and varied between satellites.
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 ».