मशीन लर्निंग अल्गोरिथम
उत्पादन माहिती
तपशील
- उत्पादनाचे नाव: रिमोट सेन्सिंग लेख
- लेखक: लारिसा पॅट्रिसियो-व्हॅलेरियो, थॉमस
श्रोडर, मिशेल जे. डेव्हलिन, यी किन, स्कॉट स्मिथर्स - प्रकाशन तारीख: ३ जुलै २०२४
- कीवर्ड: हिमावरी-8, सागरी रंग, कृत्रिम
न्यूरल नेटवर्क्स, ग्रेट बॅरियर रीफ, किनारी पाणी, एकूण
निलंबित घन पदार्थ, मशीन लर्निंग, पाण्याची गुणवत्ता
उत्पादन वापर सूचना
1. परिचय
रिमोट सेन्सिंग लेख वापराबद्दल अंतर्दृष्टी प्रदान करतो
एकूण निलंबित घन पदार्थ पुनर्प्राप्त करण्यासाठी मशीन लर्निंग अल्गोरिदम
हिमावरी-८ मधील डेटा वापरून ग्रेट बॅरियर रीफमध्ये. लेख
भूस्थिरता वापरण्याच्या आव्हाने आणि फायद्यांची चर्चा करते
किनारपट्टीच्या सतत निरीक्षणासाठी पृथ्वी कक्षा उपग्रह
क्षेत्रे
२. पुनर्प्राप्ती प्रक्रिया
लेख भूस्थिरतेचे महत्त्व अधोरेखित करतो
हिमावरी-८ सारखे उपग्रह जवळजवळ रिअल-टाइम डेटा कॅप्चर करतात
किनारी प्रक्रिया. हे कमी पृथ्वी कक्षाच्या मर्यादांवर भर देते
तुलनेत अल्पकालीन परिवर्तनशीलता सोडवण्यासाठी उपग्रह
भूस्थिर उपग्रह.
३. महासागर रंग सेन्सर्स
लेखात समुद्रातील रंग सेन्सर्सचे महत्त्व नमूद केले आहे
पाण्याशी संबंधित अवकाशीय माहिती मिळविण्यासाठी उपग्रह
गुणवत्ता. हे द्वारे निरीक्षण केलेल्या ऐहिक गतिशीलतेची चर्चा करते
भूस्थिर उपग्रह आणि किनारपट्टीच्या देखरेखीवर त्यांचा परिणाम
घटना.
वारंवार विचारले जाणारे प्रश्न (FAQ)
प्रश्न: रिमोट सेन्सिंग लेखाचा मुख्य उद्देश काय आहे?
अ: मुख्य लक्ष मशीन लर्निंग अल्गोरिथम वापरण्यावर आहे
ग्रेटमधील एकूण निलंबित घन पदार्थ पुनर्प्राप्त करण्यासाठी हिमावरी-८ डेटा
बॅरियर रीफ.
प्रश्न: किनारी प्रदेशांसाठी भूस्थिर उपग्रहांना प्राधान्य का दिले जाते?
देखरेख?
अ: भूस्थिर उपग्रह जवळजवळ सतत निरीक्षण देतात
जास्त वारंवारतेसह मोठे क्षेत्र, ज्यामुळे चांगले निरीक्षण करता येते
वेगाने बदलणाऱ्या किनारी प्रक्रियांबद्दल.
रिमोट सेन्सिंग
लेख
ग्रेट बॅरियर रीफमधील हिमावरी-८ एकूण निलंबित घन पदार्थांच्या पुनर्प्राप्तीसाठी मशीन लर्निंग अल्गोरिथम
लॅरिसा पॅट्रिसियो-व्हॅलेरियो १,२,*, थॉमस श्रोडर २, मिशेल जे. डेव्हलिन ३, यी किन ४ आणि स्कॉट स्मिथर्स १
१ कॉलेज ऑफ सायन्स अँड इंजिनिअरिंग, जेम्स कुक युनिव्हर्सिटी, टाउन्सविले, क्यूएलडी ४८११, ऑस्ट्रेलिया; scott.smithers@jcu.edu.au
२ कॉमनवेल्थ सायंटिफिक अँड इंडस्ट्रियल रिसर्च ऑर्गनायझेशन, ओशन्स अँड अॅटमॉस्फीअर, जीपीओ बॉक्स २५८३, ब्रिस्बेन, क्यूएलडी ४००१, ऑस्ट्रेलिया; thomas.schroeder@csiro.au
३ पर्यावरण मत्स्यपालन आणि जलचर विज्ञान केंद्र, पार्कफील्ड रोड, लोवेस्टॉफ्ट, सफोक एनआर३३ ०एचटी, यूके; michelle.devlin@cefas.co.uk
४ कॉमनवेल्थ सायंटिफिक अँड इंडस्ट्रियल रिसर्च ऑर्गनायझेशन, ओशन्स अँड अॅटमॉस्फीअर, जीपीओ बॉक्स १७००, कॅनबेरा, एक्ट २६०१, ऑस्ट्रेलिया; yi.qin@csiro.au
* पत्रव्यवहार: larissa.patriciovalerio@my.jcu.edu.au
उद्धरण: पॅट्रिसियो-व्हॅलेरियो, एल.; श्रोडर, टी.; डेव्हलिन, एमजे; किन, वाय.; स्मिथर्स, एस. ग्रेट बॅरियर रीफमधील हिमावरी-८ एकूण निलंबित घन पदार्थ पुनर्प्राप्तीसाठी एक मशीन लर्निंग अल्गोरिथम. रिमोट सेन्स. २०२२, १४, ३५०३. https://doi.org/ १०.३३९०/rs१४१४३५०३
शैक्षणिक संपादक: ख्रिस रोएल्फसेमा
मिळाले: १५ मे २०२२ स्वीकारले: १९ जुलै २०२२ प्रकाशित: २१ जुलै २०२२
प्रकाशकाची टीप: प्रकाशित नकाशे आणि संस्थात्मक संलग्नतेमधील अधिकारक्षेत्रातील दाव्यांबद्दल MDPI तटस्थ राहते.
कॉपीराइट: © २०२२ लेखकांकडून. परवानाधारक एमडीपीआय, बासेल, स्वित्झर्लंड. हा लेख क्रिएटिव्ह कॉमन्स अॅट्रिब्युशन (सीसी बाय) परवान्या (https://creativecommons.org/licenses/by/ 2022/) च्या अटी आणि शर्तींनुसार वितरित केलेला एक मुक्त प्रवेश लेख आहे.
सारांश: ग्रेट बॅरियर रीफ (GBR) मधील सागरी पाण्याच्या गुणवत्तेच्या सिनोप्टिक-स्केल मॉनिटरिंगसाठी समुद्राच्या रंगाचे रिमोट सेन्सिंग मूलभूत राहिले आहे. तथापि, सेंटिनेल-3 नक्षत्र सारख्या कमी कक्षा उपग्रहांवर असलेल्या सागरी रंग सेन्सर्समध्ये अत्यंत गतिमान किनारी वातावरणात दैनंदिन परिवर्तनशीलतेचे पूर्णपणे निराकरण करण्यासाठी अपुरी पुनर्विचार क्षमता आहे. या मर्यादेवर मात करण्यासाठी, हे काम हिमावरी-8 भूस्थिर उपग्रहावर असलेल्या प्रगत हिमावरी इमेजरसाठी भौतिकशास्त्र-आधारित किनारी समुद्र रंग अल्गोरिदम सादर करते. हवामानशास्त्रीय अनुप्रयोगांसाठी डिझाइन केलेले असूनही, हिमावरी-8 दर 10 मिनिटांनी चार विस्तृत दृश्यमान आणि जवळ-अवरक्त वर्णक्रमीय बँडमध्ये आणि 1 किमी2 स्थानिक रिझोल्यूशनवर समुद्राच्या रंग वैशिष्ट्यांचा अंदाज घेण्याची संधी देते. GBR च्या पाण्यातील आणि वातावरणातील ऑप्टिकल गुणधर्मांच्या वास्तववादी श्रेणीसाठी आणि सौर आणि निरीक्षण भूमितींच्या विस्तृत श्रेणीसाठी हिमावरी-8 बँडचे जोडलेले महासागर वातावरण रेडिएटिव्ह ट्रान्सफर सिम्युलेशन केले गेले. हिमावरी-८ टॉप-ऑफ-अॅटमोस्फीअर स्पेक्ट्रल रिफ्लेक्टन्स निरीक्षणांमधून थेट एकूण निलंबित घन पदार्थ (TSS) सांद्रतेचा अंदाज घेण्यासाठी कृत्रिम न्यूरल नेटवर्क तंत्रांवर आधारित एक व्यस्त मॉडेल विकसित करण्यासाठी सिम्युलेटेड डेटा वापरण्यात आला. किनारी GBR मधील समवर्ती इन सिटू डेटासह अल्गोरिथम प्रमाणित करण्यात आला आणि त्याच्या शोध मर्यादांचे मूल्यांकन करण्यात आले. TSS पुनर्प्राप्तीमध्ये 8 ते 75 mg L-2 च्या प्रमाणीकरण श्रेणीमध्ये 1% पर्यंत सापेक्ष त्रुटी आणि 0.14 mg L-24 च्या परिपूर्ण त्रुटी सादर केल्या गेल्या, ज्याची शोध मर्यादा 1 mg L-0.25 आहे. GBR मधील पाण्याच्या गुणवत्तेचे सुधारित निरीक्षण आणि व्यवस्थापनासाठी आम्ही हिमावरी-८ दैनिक TSS उत्पादनांच्या संभाव्य अनुप्रयोगांवर चर्चा करतो.
कीवर्ड: हिमावरी-८; समुद्राचा रंग; कृत्रिम मज्जातंतू नेटवर्क; ग्रेट बॅरियर रीफ; किनारी पाणी; एकूण निलंबित घन पदार्थ; मशीन लर्निंग; पाण्याची गुणवत्ता
१. परिचय MODIS/Aqua सारख्या लो अर्थ ऑर्बिट (LEO) उपग्रहांवर समुद्री रंग सेन्सर्स,
VIIRS/Suomi-NPP, आणि OLCI/Sentinel-3 ने ग्रेट बॅरियर रीफ (GBR) मधील पाण्याच्या गुणवत्तेच्या दैनंदिन ते वार्षिक गतिशीलतेचे परीक्षण करण्यासाठी मौल्यवान आणि किफायतशीर निरीक्षणांचे दीर्घकालीन रेकॉर्ड प्रदान केले आहेत [1]. LEO उपग्रह जास्तीत जास्त एक किंवा दोन दिवसांत त्याच भौगोलिक क्षेत्राचे स्कॅन करतात; तथापि, दोन सलग आणि समान कक्षांमधील वेळ-अंतर (म्हणजेच, आवर्तनाची पुनरावृत्ती) सामान्यतः एक ते चार आठवड्यांपर्यंत बदलते. याव्यतिरिक्त, ढगांच्या उपस्थितीमुळे आणि सूर्यप्रकाशामुळे समुद्राच्या रंगाच्या प्रतिमा मोठ्या प्रमाणात प्रभावित होऊ शकतात, ज्यामुळे उच्च दर्जाच्या निरीक्षणांची पुनर्प्राप्ती मर्यादित होते [5]. यासाठी त्याच क्षेत्रातील दैनिक प्रतिमांचा साप्ताहिक ते मासिक संच आवश्यक असू शकतो जेणेकरून एक संयुक्त ढगविरहित विकसित होईल. view समुद्राचे. परिणामी, LEO उपग्रहांची तात्पुरती क्षमता व्यापक निरीक्षण प्रणाली विकसित करण्यासाठी आणि फायटोप्लँक्टन डायल सायकल, पूर प्लम्सची दैनिक प्रगती आणि यासारख्या अल्पकालीन गतिमान किनारी प्रक्रियांचे प्रभावीपणे निरीक्षण करण्यासाठी अपुरी आहे.
रिमोट सेन्सर २०२२, १४, ३५०३. https://doi.org/2022/rs14
https://www.mdpi.com/journal/remotesensing
रिमोट सेन्सर २०२२, १४, ३५०३
2 पैकी 23
भरती-ओहोटी आणि वाऱ्यामुळे होणारे पुनरुज्जीवन [7]. संशोधक आणि पर्यावरण व्यवस्थापक अजूनही
किफायतशीर अवकाशीय माहिती मिळविण्यासाठी LEO महासागर रंग उत्पादनांवर अवलंबून राहा - मध्ये
किनारी GBR [10,11], परंतु अल्पकालीन समस्या सोडवण्यासाठी या तंत्रांच्या मर्यादा ओळखा.
परिवर्तनशीलता.
–
अन्यथा, जी-इओस्टेशनरी अर्थ ऑर्बिट (GEO) वरील उपग्रह जवळजवळ सतत
तुलनेत जास्त वारंवारतेवर (मिनिटे ते तास) जगाच्या मोठ्या भागांचे निरीक्षण
विशेषतः उष्णकटिबंधीय प्रदेशांवर [9], LEO प्लॅटफॉर्मच्या जवळजवळ दैनिक पुनरावृत्ती वारंवारतेपर्यंत.
२०१० मध्ये लाँच झालेल्या जगातील पहिल्या जिओस्टेशनरी ओशन कलर इमेजर (GOCI-I) ने उघड केले आहे
ईशान्य आशियातील वेगाने बदलणाऱ्या किनारी प्रक्रियांची तात्पुरती गतिशीलता, जसे की
गढूळपणाचे प्लम्स आणि हानिकारक शैवाल फुलांचे [12,13]. त्याच्या यशाने एक उपयुक्त उदाहरण दिले
जागतिक GEO महासागर रंग मोहिमांच्या भविष्यातील विकासासाठी [14]; तथापि, यापैकी काहीही नाही
पुढील दशकात प्रक्षेपित करण्यासाठी प्रस्तावित मोहिमा निरीक्षण करण्यासाठी डिझाइन केल्या होत्या
ऑस्ट्रेलियन पाणी. तरीही, GEO उपग्रह जागतिक स्तरावर हवामानशास्त्रीय निरीक्षणासाठी वापरले जातात-
सेवा आणि अलीकडील तांत्रिक प्रगतीमुळे महासागरांवरून डेटा गोळा करण्याच्या त्यांच्या क्षमतांचा फायदा झाला आहे, ज्यामुळे अवकाशातून अधिक गतिमान प्रक्रियांचे निरीक्षण करणे शक्य झाले आहे [-15].
टोफहबे अॅनेडएक्सस्ट-इग्नेंथीरा-व्हिटीओसिनब्लजी एस्पओएमक्ट्र्यूटेमोर(o2loogri3cailnssetenasdorosfaorenleyq1uibpapnedd)
वाढलेल्या संख्येसह सुधारित
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-.
हिमावा-री-८ हे विषुववृत्ताच्या वर १४०.७E वर स्थित आहे आणि १० मिनिटांच्या स्कॅन रेटसह, ते एका दिवसात (स्थानिक वेळेनुसार सकाळी ८ ते दुपारी ४) किमान ४८ फ्यु-एल-डिस्क निरीक्षणे कॅप्चर करते. AHI उपकरण हवामानशास्त्रीय अनुप्रयोगांसाठी डिझाइन केले असले तरी, ते दृश्यमान आणि जवळ-इन-इन्फ्रारेड आहे.
(VNIR) बँड (आकृती १ आणि तक्ता १) मजबूत सागरी वैशिष्ट्यांचा शोध घेण्यास सक्षम करतात
अत्यंत गढूळ पाण्यातील प्रकाशीय सिग्नल [१९२१]. याव्यतिरिक्त, हिमावरी-८
अति-उच्च-तात्पुरत्या रिझोल्यूशन निरीक्षणांमुळे समुद्राच्या गुणधर्मांचे निरीक्षण करणे शक्य होते
सब-होurlसंपूर्ण GBR सरोवर आणि लगतच्या महासागरासाठी y ते inte-r-वार्षिक वेळेचे s-स्केल
इंटर-ऑर्बिटल डेटा जी-एपीएसशिवाय बेसिन.
wFiigthurtehe1.trहैनम्समाविसास-रिओ-एन8
वातावरणातील वायूंच्या दृश्यमान आणि अवरक्त पट्ट्यांचे (घन पांढऱ्या रेषा) वर्णक्रमीय प्रतिसाद कार्ये (राखाडी भरलेली रेषा) आणि ओझोन (लाल) द्वारे प्रसारण
घन रेषा) 400 आणि 1000 nm दरम्यान.
महासागरीय क्षेत्रांचे निरीक्षण आणि व्यवस्थापन करण्यासाठी विस्तृत श्रेणीतील अनुप्रयोग हिम-आवारी-८ पासून मिळवण्याची क्षमता आहे, ज्यामध्ये महासागरीय रंग -[8] यांचा समावेश आहे. अलिकडच्या अभ्यासांनी किनारी पाण्यात एकूण निलंबित घन पदार्थ (TSS) शोधण्यासाठी हिमा-वारी-८ निरीक्षणांची व्यवहार्यता दर्शविली आहे [22,23] आणि खुल्या महासागरात क्लोरोफ-यिल-ए सांद्रता (CHL) साठी [8]. हे निकाल किनारी GBR मध्ये उच्च-वारंवारता आणि गतिमान प्रक्रियांचे निरीक्षण करण्यासाठी एक रोमांचक संधी सूचित करतात. तथापि, किनारी पाण्याच्या गुणवत्तेच्या पॅरामीटर्सच्या उपग्रह पुनर्प्राप्तीसाठी अनेक महासागरीय रंग अल्गोरिदम उपलब्ध असले तरी, ते GBR च्या ऑप्टिकल जटिलतेसाठी अनुपयुक्त असू शकतात किंवा हिमवारी-17,24 निरीक्षणांना लागू नसू शकतात.
रिमोट सेन्सर २०२२, १४, ३५०३
3 पैकी 23
– –
Tleanbglteh1s.anHdimbaanwdawrii-d8-thA, dasvsaoncciaetdedHsipmaatiwalarreisIomluatgioenr.vSiisgibnlael-aton-dn- oni-esearr–aintiforsar(SeNd Rb)anfrdosmcr25 परिणाम.
बँड # (नाव) #१ (निळा) #२ (हिरवा) #३ (लाल) #४ (एनआयआर)
बँड सेंटर (रुंदी) ४७०.६४ (४५.३७) एनएम ५१०.०० (३७.४१) एनएम ६३९.१५ (९०.०२) एनएम ८५६.६९ (४२.४०) एनएम
अवकाशीय रिझोल्यूशन १ किमी १ किमी ०.५ किमी १ किमी
SNR @100% अल्बेडो ५८५ (६४१.५) ६४५ (६०१.९) ४५९ (५१९.३) ४२० (३०९.३)
रेडिएटिव्ह ट्रान्सफर सिम्युलेशनचा वापर करणारे मॉडेल-ब-एस्ड ओशन कलर अल्गोरिदमने एम्पिरिकल अल्गोरिदमच्या तुलनेत किनारी पाण्याच्या मल्टी-टेम्पोरल रिमोट सेन्सिंग अभ्यासांमध्ये अनुप्रयोगासाठी उत्कृष्ट कामगिरी दर्शविली आहे [26]. विशेषतः, न्यूरल नेटवर्क्स हे ऑप्टिकली कॉम्प्लेक्स कोस्टल वॉटरमध्ये रिमोट सेन्सिंग अनुप्रयोगांसाठी एक संगणकीयदृष्ट्या कार्यक्षम इन्व्हर्जन पद्धत आहे कारण त्यांची अंदाजे नॉन-लिनियर फंक्शनल रिलेशनशिपची क्षमता आहे [27]. हा पेपर हिमावरी-35-साठी मॉडेल-आधारित न्यूरल नेटवर्क ओशन कलर अल्गोरिदम (आकृती 2) च्या विकासाचे वर्णन करतो आणि GBR च्या कोस्टल वॉटर-एससाठी पॅरामीटराइज्ड आहे. एक-चरण-उलट अल्गोरिदम हे हिमावरी-8 टॉप-ऑफ-अॅटमॉस्फीअर (TOA) निरीक्षणांमधून थेट TSS चा अंदाज घेण्यासाठी विकसित केले गेले, जे मल्टीलेयर पर्सेप्ट्रॉन, आर्टिफिशियल न्यूरल नेटवर्क्स (ANN) चा एक वर्ग आहे. प्रथम, TOA रिफ्लेक्टन्स RTOA() sr-8 चे स्पेक्ट्रल अँगुलर डिस्ट्रिब्युशन VNIR हिमावरी-1 बँडवर विद्यमान जोडलेल्या ओशनअॅटमॉस्फीअर रेडिएटिव्ह ट्रान्सफर (RT) मॉडेल (फॉरवर्ड मॉडेल) सह सिम्युलेट केले गेले. आरटी सिम्युलेशनमध्ये पाण्याच्या गुणवत्तेच्या पॅरामीटर्समध्ये वास्तववादी फरक, वातावरण आणि प्रकाश परिस्थिती समाविष्ट होती. त्यानंतर सिम्युलेटेड TOA रेडिएन्सेसवर आधारित हिमावरी-8 बँडवर TSS पुनर्प्राप्त करण्यासाठी अनेक ANN प्रयोग (व्यस्त मॉडेल) डी-साइन केले गेले, प्रशिक्षित केले गेले आणि चाचणी केली गेली. शेवटी, हिमावरी-8 पुनर्प्राप्त केलेल्या TSS आउटपुटचे GBR मधील समवर्ती इन-सिटू वॉटर क्वालिटी डेटाच्या विरूद्ध सांख्यिकीय मूल्यांकन केले गेले आणि निवडलेल्या अल्गोरिथमच्या मर्यादा तपासल्या गेल्या.
आकृती २. हिमावरी-८ साठी विकसित केलेल्या मॉडेल-आधारित महासागर रंग अल्गोरिथमचा प्रवाह आकृती.
२. पद्धती रेडिएटिव्ह ट्रान्सफर सिम्युलेशनचे पॅरामीटरायझेशन आणि डिझाइन
ANN इनव्हर्स मॉडेल खालील उपविभागांमध्ये निर्दिष्ट केले आहे. फॉरवर्ड आणि इनव्हर्स मॉडेल पॅरामीटरायझेशन युरोपियन किनारी पाण्यासाठी पूर्वी विकसित केलेल्या दृष्टिकोनाचे अनुसरण करतात [36] परंतु या अभ्यासात GBR च्या इन-वॉटर ऑप्टिकल परिस्थितीसाठी [38] स्वीकारले गेले होते. याव्यतिरिक्त, येथे विकसित केलेल्या मॉडेल-आधारित अल्गोरिथमसाठी H-imawari-39 संपादन, प्रक्रिया आणि मास्किंग प्रक्रिया आणि महासागर रंग प्रोसेसरचे वर्णन केले आहे. अल्गोरिथम मर्यादांच्या मूल्यांकनासाठी प्रमाणीकरण प्रोटोकॉल आणि पद्धती सादर केल्या आहेत, तसेच GBR मध्ये TSS देखरेखीसाठी पहिले निकाल सादर केले आहेत.
रिमोट सेन्सर २०२२, १४, ३५०३
4 पैकी 23
२.१. फॉरवर्ड मॉडेल
या कामात, हिमावरी-८ व्हीएनआयआर बँडच्या जोडलेल्या महासागरीय वातावरणाच्या रेडिएटिव्ह ट्रान्सफर सिम्युलेशनसाठी मॅट्रिक्स-ऑपरेटर मोडेल (MOMO) [40,41] ची स्केलर आवृत्ती वापरली गेली (तक्ता १). वातावरणीय ध्रुवीकरणाकडे दुर्लक्ष केल्याने TOA वर १२% त्रुटी येऊ शकतात, जे किनारी पाण्याच्या अनुप्रयोगांसाठी स्वीकार्य आहे [8]. हिमावरी-८ RTOA() GBR च्या पाण्यातील आणि वातावरणीय ऑप्टिकल गुणधर्मांच्या वास्तववादी श्रेणीसाठी सिम्युलेट केले गेले.
सिम्युलेटेड महासागरीय वातावरण प्रणाली अनेक क्षैतिज एकसंध समतल-समांतर थरांमध्ये स्तरीकृत आहे जिथे जलीय आणि वातावरणीय ऑप्टिकल घटकांचे परिभाषित प्रकार आणि सांद्रता विचारात घेतली जाते. सिम्युलेटेड वातावरणाची (TOA) उंची 50 किमी जाडीची आहे आणि ती 11 थरांमध्ये विभागली गेली आहे जिथे उभ्या प्रोfileदाब, तापमान आणि आर्द्रतेचे प्रमाण अमेरिकन मानक वातावरणाचे अनुसरण करते [43]. रेले स्कॅटरिंगद्वारे क्षीणन 980 hPa आणि 1040 hPa या दोन बॅरोमेट्रिक पृष्ठभागाच्या दाबांसह मोजले जाते. वातावरण एका सीमा थर (0 किमी), एक मुक्त ट्रोपोस्फीअर (2 किमी) आणि एक स्ट्रॅटोस्फीअर (2 किमी) मध्ये विभागले गेले आहे. प्रत्येक थरात, 12 आणि 12 दरम्यान 50 nm वर एरोसोल ऑप्टिकल जाडी (a) च्या वेगवेगळ्या सांद्रतेसह आठ वेगवेगळ्या एरोसोल असेंबलेजसाठी सिम्युलेशन केले गेले. प्रत्येक एरोसोल असेंबलेज तीन मुख्य एरोसोल मॉडेल्स, सीमा थरातील एक सागरी मॉडेल, मुक्त ट्रोपोस्फीअरमधील एक खंडीय मॉडेल आणि स्ट्रॅटोस्फीअरमधील एक सल्फ्यूरिक आम्ल मॉडेल, 550% आणि 0.015% दरम्यान सापेक्ष आर्द्रतेवर बनलेले असते. मध्य GBR [1.0S, 70E] मध्ये स्थित लुसिंडा जेट्टी कोस्टल ऑब्झर्व्हेटरी (LJCO) येथील AERONET [99] स्टेशनच्या बहु-वार्षिक लेव्हल 2 सूर्य-फोटोमीटर निरीक्षणांवरून a श्रेणी निश्चित करण्यात आली. LJCO AERONET स्टेशनवरील 44,45 आणि 18.52 nm मधील संबंधित Ångström गुणांक [146.39] चे विश्लेषण RT सिम्युलेशनमध्ये वापरल्या जाणाऱ्या सागरी आणि खंडीय एरोसोल प्रकारांच्या मिश्रणाची पुष्टी करते.
वातावरणातील वायूंचे प्रसारण (O3 वगळता) हाय रिझोल्यूशन ट्रान्समिशन मॉलिक्युलर अॅब्सॉर्प्शन (HITRAN) डेटाबेस [47] वरून घेतले गेले आणि बेनार्ट्झ आणि फिशर [48] च्या सुधारित k-वितरण मॉडेलद्वारे रेडिएटिव्ह ट्रान्सफर सिम्युलेशनमध्ये अंमलात आणले गेले. रेडिएटिव्ह ट्रान्सफर सिम्युलेशन 344 डॉब्सन युनिट्स (DU) [43] चे स्थिर ओझोन लोडिंग गृहीत धरून केले गेले. हिमावरी-8 बँड 17 सौर आणि निरीक्षण कोन आणि 25 समान अंतरावरील सापेक्ष अजिमुथ कोनांसाठी सिम्युलेट केले गेले. वास्तववादी पाण्याच्या गुणवत्तेतील चढउतारांसाठी सिम्युलेशन केले गेले, जे CHL, TSS आणि पिवळ्या पदार्थांच्या (YEL) यादृच्छिकपणे निवडलेल्या अद्वितीय सांद्रतेद्वारे दर्शविले गेले, ज्याला यापुढे एकाग्रता त्रिकोण म्हणून संबोधले जाईल. झांग आणि इतरांच्या दृष्टिकोनाचे अनुसरण करून, GBR मध्ये आढळलेल्या इन सिटू सहसंबंधित सांद्रतांच्या फैलाववर आधारित सिम्युलेटेड एकाग्रता त्रिकोणांच्या श्रेणी परिभाषित केल्या गेल्या. [49]. सिम्युलेटेड एकाग्रता त्रिकोण लॉगरिथमिक जागेत समान प्रमाणात वितरित केले गेले, म्हणून डुप्लिकेट सिम्युलेशन टाळताना परिमाणाचा प्रत्येक क्रम समानतेने दर्शविला गेला.
समुद्राच्या पाण्याचे एकूण वर्णक्रमीय शोषण a() चार-घटकांच्या जैव-ऑप्टिकल मॉडेलद्वारे मॉडेल केले गेले होते ज्यामध्ये शुद्ध पाणी शोषण (aw), CHL च्या कार्याप्रमाणे फायटोप्लँक्टन आणि सर्व मृत सेंद्रिय पदार्थांचे (म्हणजेच, डेट्रिटस) ap1 चे शोषण, TSS च्या कार्याप्रमाणे ap0.01 नसलेले शैवाल नसलेले कणांचे शोषण [15, 2] आणि 0.01 nm [100.0, 443] वर पिवळ्या पदार्थांचे शोषण यांचा समावेश होता. शुद्ध पाण्याचे शोषण गुणांक (aw) हिमावरी-0.002 दृश्यमान बँड 2.5 साठी पोप आणि फ्राय [50] आणि बँड 8 साठी हेल आणि क्वेरी [1] नुसार मॉडेल केले गेले होते. फायटोप्लँक्टन आणि डेट्रिटस ap3 चे वर्णक्रमीय शोषण ब्रिकॉड एट अलच्या पॅरामीटरायझेशनचे अनुसरण करते. [51], तर बॅबिन एट अलच्या अनुसार ap4 नसलेले शैवाल नसलेले कणांचे शोषण पॅरामीटरायझेशन केले गेले. [1], ज्याचा सरासरी उतार Sp52 2 आहे जो इन सिटू बायो-ऑप्टिकल डेटा s पासून मिळवला गेला आहेamp२००२ ते २०१३ दरम्यान GBR मध्ये नेतृत्व केले. पिवळ्या पदार्थांचे वर्णक्रमीय शोषण गुणांक बाबिन आणि इतरांच्या मते तयार केले गेले. [2002], ज्याचा सरासरी उतार Sy 2013 होता जो GBR [53] मधील इन सिटू निरीक्षणांवरून देखील मिळवला गेला.
समुद्राच्या पाण्याचे एकूण वर्णक्रमीय विकिरण (b()) हे दोन-घटकांच्या बायो-ऑप्टिकल मॉडेल [53] द्वारे मॉडेल केले गेले होते ज्यामध्ये TSS चे कार्य म्हणून शुद्ध पाणी (bw) आणि विकिरण किंवा सेंद्रिय आणि अजैविक कण bp यांचा समावेश होता. शुद्ध समुद्राच्या पाण्याचे विकिरण
रिमोट सेन्सर २०२२, १४, ३५०३
5 पैकी 23
मोरेल [54] मध्ये आधारित तरंगलांबी अवलंबून असलेल्या शक्ती कायद्याच्या रूपात गुणांक व्यक्त केला गेला,
जागतिक क्षारता सरासरी ३५ पीएसयूसाठी परिभाषित केली आहे. सेंद्रिय आणि
बाबिन आणि इतरांच्या पॅरामीटरायझेशननंतर एकूण कण विखुरणे गुणांक bp मिळविण्यासाठी अजैविक कण एकत्र केले गेले. [55]. वस्तुमान विशिष्ट विखुरणे गुणांक
बाबिन आणि इतरांच्या अनुषंगाने, GBR पाण्यासाठी 0.31 m2 g-1 च्या TSS कणांचे bp मोजले गेले. [55]. केस 2 पाण्यासाठी बॅकस्कॅटरिंग संभाव्यता मॉडेल लागू केले गेले [49,56]
TSS आणि YEL च्या गुणोत्तरावर आधारित इन-वॉटर स्कॅटरिंग फेज फंक्शन्स (, ) ची गणना करा आणि निवडा. मोठ्या संख्येने यादृच्छिक एकाग्रतेसाठी सिम्युलेशन केले गेले.
त्रिगुण आणि वातावरणीय परिस्थिती, जसे आधी सांगितले आहे, एक व्यापक तयार करण्यासाठी
अजिमुथली सोडवलेल्या हिमावरी-८ आरटीओए() चा डेटाबेस. या डेटाबेसमधून, सांख्यिकीयदृष्ट्या
व्यस्त विकसित करण्यासाठी प्रातिनिधिक प्रशिक्षण आणि चाचणी उपसंच यादृच्छिकपणे काढले गेले
मॉडेल. प्रशिक्षण आणि चाचणी उपसमूहांमध्ये प्रत्येकी १००,००० इनपुट वेक्टर होते.
x
समाविष्टीत
द: ४७०, ५१०, ६४० आणि ८५६ एनएम बँडवर सिम्युलेटेड आरटीओए, समुद्रसपाटीचा वातावरणाचा दाब ९८० आणि १०४० एचपीए दरम्यान, सौर शिखर कोन (s), निरीक्षण शिखर (v) आणि सापेक्ष दिगंश ().
२.२. व्यस्त मॉडेल
या अभ्यासात, फीड-फॉरवर्ड आर्टिफिशियल न्यूरल नेटवर्क (ANN) [57] चा एक वर्ग, मल्टीलेयर पर्सेप्ट्रॉन (MLP), माल्टहाऊस [58] ने विकसित केलेल्या न्यूरल नेटवर्क सिम्युलेटर सी-प्रोग्रामवर आधारित व्यस्त मॉडेल म्हणून लागू केला गेला आहे, जो हिमावरी-8 RTOA() आणि TSS एकाग्रता यांच्यातील कार्यात्मक संबंध अंदाजे काढतो. सध्याच्या MLP मध्ये एक इनपुट लेयर, एक लपलेला लेयर आणि न्यूरॉन्सचा एक आउटपुट लेयर समाविष्ट आहे. प्रत्येक न्यूरॉन पुढील लेयरच्या प्रत्येक न्यूरॉनशी वजनाने जोडलेला असतो. पर्यवेक्षित मशीन लर्निंग किंवा प्रशिक्षण प्रक्रियेचे वर्णन खालीलप्रमाणे केले जाऊ शकते:
·
इनपुट न्यूरॉन्स (ni) इनपुट वेक्टर प्राप्त करतात
x
, ज्यामध्ये सिम्युलेटेड रिफ्लेक्शन्स आहेत
आणि वर वर्णन केलेला सहायक डेटा, आणि तो लपलेल्या थरातील न्यूरॉन्समध्ये प्रसारित करतो
(नॅथन).
· लपलेल्या थरात, कृत्रिम न्यूरॉन्स भारित इनपुट सिग्नल एकत्रित करतात आणि त्यांना नॉन-लिनियर ट्रान्सफर फंक्शनमधून पास करतात आणि त्यानंतर त्यांचे आउटपुट फॉरवर्ड करतात.
आउटपुट लेयर न्यूरॉन्स (नाही) पर्यंत.
· सिम-मधील खर्च फंक्शन (म्हणजेच, सरासरी वर्ग त्रुटी, MSE-समीकरण (1))
संपूर्ण प्रशिक्षण डेटासेटसाठी (N = 100,000) ulated लक्ष्य आउटपुट yt आणि ANN गणना केलेले आउटपुट yc मोजले जातात आणि नेटवर्कचे अंतर्गत वजन (W1, W2) समायोजित केले जातात.
· आउटपुट आणि लक्ष्य मूल्य यांच्यातील खर्चाचे कार्य कमीत कमी होईपर्यंत ANN चे प्रशिक्षण पुनरावृत्ती केले जाते.
एमएसई = वर्ष – वर्ष /न
(१)
मर्यादित मेमरी ब्रॉयडेनफ्लेचरगोल्डफार्बशानो ऑप्टिमायझेशन अल्गोरिदम [1] वापरून वजन मॅट्रिक्स (W2, W59) पुनरावृत्ती करून खर्चाचे कार्य कमी केले जाते. तीन-स्तरीय MLP आर्किटेक्चरसाठी, संपूर्ण विश्लेषणात्मक कार्य समीकरण (2) द्वारे दिले जाते:
yc
=
S2
×
डब्ल्यू२ × एस१
प१ × x
(१)
जिथे S1 आणि S2 हे अनुक्रमे आउटपुट आणि लपलेल्या थरात वापरले जाणारे नॉन-लिनियर (समीकरण (3)) आणि रेषीय हस्तांतरण फंक्शन्स आहेत.
S(x) = १ + उदा -१
(१)
इनपुट आणि आउटपुट थरांमधील न्यूरॉन्सची संख्या समस्येच्या इनपुट आणि आउटपुट पॅरामीटर्सच्या संख्येद्वारे निश्चित केली गेली, तर अनेक प्रायोगिक प्रयत्न
रिमोट सेन्सर २०२२, १४, ३५०३
6 पैकी 23
लपलेल्या थरातील न्यूरॉन्सची इष्टतम संख्या निश्चित करण्यासाठी आवश्यक होते.
लपलेल्या थरातील न्यूरॉन्सची संख्या १० ते १०० पर्यंत बदलून प्रयोग डिझाइन केले गेले,
१० च्या वाढीने. एक यादृच्छिक परंतु सर्व प्रयोगांसाठी स्थिर बियाणे सुरू करण्यासाठी वापरले गेले -
नेटवर्क्सचे वजन कॉन्फिगरेशन. प्रयोगांमध्ये एक प्रमुख घटक समाविष्ट होता
RTOA() इनपुटला सजवण्यासाठी पूर्व-प्रक्रिया चरण म्हणून विश्लेषण (PCA). याव्यतिरिक्त, प्रयोग प्रत्येक बँडमधील RTOA इनपुटमध्ये 0.8% स्पेक्ट्रली असंबंधित सिग्नल-आधारित रँडो-एम - नॉइज जोडून डिझाइन केले गेले. ANN प्रयोगांना रेडिएटिव्ह ट्रान्सफरमधून यादृच्छिकपणे काढलेल्या 100,000 इनपुट व्हेक्टरच्या उपसमूहासह प्रशिक्षित आणि चाचणी करण्यात आली.
सिम्युलेटेड डेटासेट. प्रत्येक इनपुट वेक्टर लॉगरिथमिक टीएसएस एकाग्रतेशी संबंधित होता, - जो पर्यवेक्षित शिक्षणाद्वारे अंदाजे लक्ष्य आउटपुट म्हणून निवडला गेला होता.
प्रक्रिया. सर्व प्रयोगांना १००० पुनरावृत्ती आणि खर्च कमीत कमी करण्यासाठी प्रशिक्षित केले गेले.
प्रत्येक पुनरावृत्तीवर संपूर्ण प्रशिक्षण डेटासेटवर फंक्शन (समीकरण (1)) ची गणना केली गेली.
नेटवर्क प्रशिक्षणाचे निरीक्षण करण्यासाठी N = 100,000 व्हेक्टरचा स्वतंत्र चाचणी डेटासेट वापरण्यात आला.
कामगिरी आणि जास्त फिटिंग टाळण्यासाठी.
–
2.3.
TBhaesHicipmraowceasrsi-in8- gOscteeapns
हिमावरी-८ कच्च्या रंगासाठी रंग प्रक्रिया
डेटा
मध्ये
TSS
उत्पादने
आहेत
दाखवले
in
आकृती
3.
लेव्हल १ (L1) फुल डिस्क हिमावरी-1 व्हीएनआयआर बॅंड्स मिळवण्यात आले, जीबीआर क्षेत्रातून काढले गेले -
(१० एस, २९ एस, १४० ई, १५७ ई), भौगोलिक स्थान, आणि नेव्हिगेशन दुरुस्त केले. भौगोलिक स्थान कच्चा डेटा
लेव्हल 1b (L1b) TOA रेडिएन्सेस (LTOA() W m-2sr-1µm-1) मध्ये रूपांतरित झाले -
tghreidawppalsicraetsiaomnpolfedpofrsot-mlau0.n5ckhmuptoda1tkedmctaolimbraattcihonthceoreefsfiocliuetn-itosn[o60f ]t.heTahseso6c4i0atnemd VbNanIRd
बँड. प्रत्येक बँडसाठी बाह्य-पृथ्वी सौर विकिरण F() W -m-1 द्वारे L2b कॅलिब्रेटेड LTOA() सामान्यीकृत केले गेले. F() वर्षाच्या दिवसाच्या कार्य म्हणून मोजले गेले
आणि कुरुच्झ [61] वर आधारित सरासरी बाह्य-पृथ्वी सौर विकिरण F मूल्ये वापरून आणि हिमावरी-8 बँडशी जुळवून घेतले [62]. परिणामी TOA परावर्तित होते RTOA() sr-1 VNIR हिमावरी-8 बँडवर इनव्हर्शन पद्धतीसाठी इनपुट म्हणून काम केले. याव्यतिरिक्त,
विद्यमान प्रक्रिया [63] अनुसरण करून, अक्षांश, रेखांश आणि स्थानिक वेळेच्या कार्यानुसार उपग्रह प्रतिमेच्या प्रत्येक पिक्सेलसाठी s, v आणि मूल्ये मोजली गेली आणि रूपांतरित केली गेली
कार्टेशियन निर्देशांक (x, y, z).
आकृती ३. हिमावरी-८-महासागर रंग प्रक्रिया फ्लोचार्ट. एचएसडी म्हणजे हिमावरी-८ स्टँड-डार्ड डेटा, जीबीआर म्हणजे ग्रेट बॅरियर रीफ, व्हीएनआयआर म्हणजे हिमावरी-८ दृश्यमान आणि जवळील इन्फ्रारेड बँड (४७०, ५१०, ६४० आणि ८५६ एनएम) आणि एएनएन म्हणजे कृत्रिम मज्जातंतू नेटवर्क.
द
अक्सुल्सोतुराडलिमानास्कॉइनंटगिनोएनएफ टहेन्मदास्वारोई–उ८नोडबिस्नेग्रव्वाटीटोएनआरएसएस.
होते
किन आणि इतरांनी विकसित केलेले [64] २ किमी रिझोल्यूशनसाठी क्लाउड मास्क होते
resampधूळ आणि धूर निर्माण झाला
१प्लकमहेसिमफ्राउमाब्रि-o८मिग्रॅ-रेइसड्स
आणि जळण्याने दूषित झालेल्या पिक्सेलचे मास्किंग समाविष्ट करते. त्याचप्रमाणे, उदयास आलेले पिक्सेल
खंडीय क्षेत्रे, बेटे आणि उथळ प्रदेश यांसारख्या पृष्ठभागांना आकारानुसार मुखवटा लावण्यात आला होताfiles
ग्रेट बॅरियर रीफ मरीन पार्क अथॉरिटी [65] डेटाबेसमधून उपलब्ध. सूर्यप्रकाशाचा प्रकाश
–
रिमोट सेन्सर २०२२, १४, ३५०३
7 पैकी 23
सूर्याच्या चमकाच्या मुख्य बिंदू (PPS) च्या निर्देशांकांची गणना वर्षाच्या दिवसाच्या (सौर झुकाव), स्थानिक तास, अक्षांश आणि रेखांश [66] च्या कार्यानुसार 1 किमी स्थानिक रिझोल्यूशनवर करून मास्क तयार केला गेला. सूर्य डिस्कचा समोच्च PPS च्या निर्देशांकांपासून 1300 किमीच्या वर्तुळाकार त्रिज्यासाठी बफर करण्यात आला. मुख्य सूर्य डिस्क क्षेत्राचे जास्तीत जास्त कव्हरेज सुनिश्चित करण्यासाठी दृश्य चाचण्यांच्या मालिकेनंतर त्रिज्या आकार निवडण्यात आला.
हिमावरी-८ निरीक्षणे पिक्सेल-बाय-पिक्सेल सामान्यीकृत करण्यात आली आणि प्रत्येक बँडसाठी स्ट्रॅटोस्फेरिक आणि ट्रॉपोस्फेरिक उपग्रह घटकांच्या विश्लेषणातून (TOAST) उत्पादन [8] उत्क्रांतीपूर्वी एकूण ओझोनमधून काढलेल्या एकूण स्तंभ ओझोनच्या जवळजवळ समवर्ती उपग्रह डेटासह. TOAST उत्पादन, 67 बाय 1.25 अंशांच्या स्थानिक रिझोल्यूशनसह आणि दैनिक तात्पुरत्या रिझोल्यूशनसह, res होते.ampहिमावरी-८ ग्रिडच्या अनुपालनासाठी १ किमी अंतरापर्यंत नेले. TOAST-व्युत्पन्न ओझोनच्या प्रसारणापासून ३४४ DU च्या सिम्युलेटेड ओझोन स्तंभ घनतेच्या प्रसारणापर्यंतच्या गुणोत्तराने प्रत्येक बँडवर हिमावरी-८ निरीक्षणे सामान्यीकृत केली गेली. याव्यतिरिक्त, NCEP/NCAR `Reanalysis 1′ PaRt8m [8] मधील सरासरी समुद्र पातळीवरील वातावरणीय दाब डेटा हिमावरी-८ निरीक्षणांच्या उलट्यासाठी इनपुट म्हणून वापरला गेला. `Reanalysis 344′ डेटा दर ६ तासांनी (०, ६, १२, १८ UTC) सरासरी काढला जातो आणि सेकंदांनीamp२.५ अंश स्थानिक रिझोल्यूशनच्या नियमित जागतिक ग्रिडवर चालत होते [2.5]. जवळचा समवर्ती PaRt71m डेटा मिळवला गेला आणि resamp१ किमी हिमावरी-८ ग्रिडकडे नेले. पुनर्प्राप्त केलेले TSS, संबंधित मास्क आणि मेटाडेटा NetCDF मध्ये जतन केले गेले. file, रेंज-ऑफ-रेंज इनपुट आणि आउटपुटसाठी पिक्सेल-वार संबंधित ध्वजांसह. वैध इनपुट आणि आउटपुटच्या श्रेणी RT सिम्युलेटेड डेटासेटच्या आधारे परिभाषित केल्या गेल्या. उदाहरणार्थ, जर एखाद्या विशिष्ट पिक्सेल इनपुट आणि/किंवा आउटपुट पॅरामीटरने सिम्युलेटेड श्रेणी ओलांडल्या, तर पिक्सेलला संबंधित ध्वज नियुक्त केला गेला. हिमावरी-8 ग्रिडच्या प्रत्येक पिक्सेलसाठी इनपुट आणि आउटपुट ध्वजांचा सारांश देण्यात आला. त्यानंतरच्या प्रमाणीकरण आणि अनुप्रयोग विश्लेषणापूर्वी पाण्याच्या गुणवत्तेच्या उत्पादनांवर रेंज-आउट ध्वज लागू केले गेले.
२.४. सिटू डेटामधील ग्रेट बॅरियर रीफ
ऑस्ट्रेलियन इन्स्टिट्यूट ऑफ मरीन सायन्सेस (AIMS) आणि कॉमनवेल्थ सायंटिफिक अँड इंडस्ट्रियल रिसर्च ऑर्गनायझेशन (CSIRO) यांनी २०१५ ते २०१८ दरम्यान मोजलेले इन सिटू TSS ऑस्ट्रेलियन ओशन डेटा नेटवर्क (AODN) पोर्टलद्वारे IMOS बायो-ऑप्टिकल डेटाबेस [2015] वरून मिळवले होते. CSIRO आणि AIMS दोघेही समुद्राच्या पाण्यात TSS सांद्रता निश्चित करण्यासाठी गुरुत्वाकर्षण पद्धतीचा वापर करतात. या पद्धतीमध्ये समुद्राच्या पाण्याच्या ज्ञात आकारमानातून निलंबित घन पदार्थांचे कोरडे वजन मोजणे समाविष्ट आहे.ampप्री-वेटेड मेम्ब्रेन फिल्टरवर व्हॅक्यूम फिल्टर केल्यानंतर. AIMS आणि CSIRO द्वारे वापरल्या जाणाऱ्या पद्धतीबद्दल अधिक तपशील अनुक्रमे ग्रेट बॅरियर रीफ मरीन पार्क अथॉरिटी [73] आणि सोजा-वोझ्नियाक एट अल. [74] मध्ये वर्णन केले आहेत. AIMS आणि CSIRO प्रयोगशाळांनी TSS (म्हणजेच, प्रतिकृतींची संख्या, फिल्टर पॅड, रिन्सिंग इ.) निश्चित करण्यासाठी थोड्या वेगळ्या पद्धती वापरल्या असूनही, या प्रमाणीकरण अभ्यासात हे डेटासेट एकत्र केले गेले आहेत. 347 ते 0.01 mg L-85 आणि सरासरी 1 mg L-3.5 पर्यंत TSS असलेले एकूण 1 इन सिटू डेटा पॉइंट्स विचारात घेतले गेले. किनारपट्टी किंवा रीफपासून 1 किमी अंतरावरील इन सिटू डेटा पॉइंट्सना समीपस्थ परिणामांमुळे होणारी अनिश्चितता कमी करण्यासाठी विश्लेषणातून वगळण्यात आले [75]. आम्ही सर्व इन सिटू समुद्राच्या पाण्याचा समावेश केला.ampपरिवर्तनशील पाण्याच्या खोलीवर (१.५ मीटर ते ४० मीटर) असलेल्या स्थानकांच्या पृष्ठभागावर (<०.५ मीटर खोली) घेतलेले लेस, ज्यामध्ये सर्वात उथळ डेटा पॉइंटमध्ये TSS > १० मिलीग्राम L-१ असते.
२.५. प्रमाणीकरण प्रोटोकॉल
या अभ्यासात वापरण्यात आलेला प्रमाणीकरण प्रोटोकॉल ऑस्ट्रेलियामध्ये समुद्री रंग रिमोट सेन्सिंगसाठी मागील प्रमाणीकरण व्यायामांच्या अनुभवाचे अनुसरण करतो, ज्यामध्ये किनारी GBR [27,76,77] समाविष्ट आहे. या अभ्यासांमध्ये किनारी GBR मध्ये इन-सिटू मापनांच्या समवर्ती उपग्रह निरीक्षणांच्या निष्कर्षणासाठी प्रक्रिया चरणांचे तसेच उपयुक्त सांख्यिकीय कामगिरी मेट्रिक्सचे वर्णन केले आहे.
एका वेळेच्या आत अनेक हिमावरी-८ निरीक्षणे एकत्र केली जाऊ शकतात (म्हणजेच, होurly) संभाव्य बाह्य घटकांना दूर करण्यासाठी आणि सेन्सर आणि पर्यावरणीय आवाज कमी करण्यासाठी, अंदाज आणि प्रमाणीकरण कामगिरी सुधारण्याची शक्यता आहे [7,9,16]. म्हणून, रेकॉर्ड केलेल्या इन सिटू वेळेपासून ±8 मिनिटांच्या आत स्कॅन केलेले सर्व उपलब्ध हिमावरी-30 निरीक्षणे या प्रमाणीकरण अभ्यासासाठी प्राप्त केली गेली. VNIR येथे 10 मिनिटांचे हिमावरी-8 निरीक्षणे निवडली आणि प्रक्रिया केली.
रिमोट सेन्सर २०२२, १४, ३५०३
8 पैकी 23
- -
संबंधित सूर्य आणि निरीक्षण भूमिती असलेले पट्टे 3-by-3-pixe-l bo-x-es वर उपसंच होते,
प्रत्येक समवर्ती इन सिटू डेटा पॉइंटच्या निर्देशांकांवर केंद्रित. त्याचप्रमाणे, समवर्ती मुखवटे (म्हणजे ढग, लँड-डी, रीफ आणि सूर्यप्रकाश) आणि सहायक डेटा (म्हणजे - ओझोन आणि दाब) यांचे 3-बाय-3-पिक्सेल उपसंच काढले गेले. निवडलेल्या हिमावरी-8 चे जवळजवळ खरे रंग संयुगे -
तीक्ष्ण क्षैतिज असलेल्या पाण्यात जुळणी वगळण्यासाठी निरीक्षणांची दृश्यमानपणे तपासणी केली गेली
प्रकाशीय गुणधर्मांमधील ग्रेडियंट (म्हणजेच, टर्बिडिटी फ्रंट्स) किंवा जवळच्या ढगांमध्ये.
–
Hourlवैध उपसंचांच्या y संयुगांची गणना तात्पुरत्या सरासरीने केली गेली, दुर्लक्ष करून -
मुखवटा घातलेले पिक्सेल. होurly एकत्रित- su-bsets ANN व्युत्क्रमाने प्रक्रिया केले गेले
अल्गोरिदम आणि श्रेणीबाहेरील मूल्यांसाठी मुखवटा घातलेला. शेवटी, मध्यक आणि मानक विचलन
हो चेurly TSS उपसंचांची गणना करण्यात आली, ज्यामध्ये m-आस्क्ड पिक्सेल वगळता. प्रत्येक पिक्सेल-बॉक्समध्ये दोन किंवा त्यापेक्षा कमी पिक्सेल मास्क केलेले असलेले उपसंच मॅचअपसाठी वैध मानले गेले. ANN
आउटपुटची गणना लॉगरिथमिक स्केल (log10) मध्ये केली गेली आणि सांख्यिकीय विश्लेषणासाठी समवर्ती इन सिटू TSS लॉगमध्ये रूपांतरित केले गेले. एक ओव्हरview प्रमाणीकरण प्रक्रियेचे चित्रण केले आहे
आकृती ४ मध्ये. कामगिरीचे मूल्यांकन त्यांच्या मूळ सरासरी वर्ग त्रुटीच्या संदर्भात केले गेले.
(RMSE–किंवा परिपूर्ण त्रुटी), पूर्वाग्रह, सरासरी परिपूर्ण टक्केवारीtage त्रुटी (MAPE–किंवा सापेक्ष त्रुटी), आणि निर्धारण गुणांक (R2). बायस, R2, आणि RMSE log10 मध्ये मोजले गेले.
–
जागा आणि MAPE ची गणना रेषीय मापनात केली गेली आणि उपग्रह-प्राप्त
psproadceu,cftowlloitwhi-nNgtEhqeunautimonbser(4o)f(v7a)l,iwd hmearetcmhuispth. e
RMSE = 1/N (m -p)2
(१)
MAPE = १००/N |(m -p)|/p २
(१)
R2 =
N
N(mp)- ( m)( p) m2 – ( m)2 N p2 – (
प)२
(१)
बायस = १/न (मी -पी)
(१)
ANN मॅच-अप- प्रयोगांना वर वर्णन केलेल्या सांख्यिकीय मेट्रिक्सच्या आधारे रँकिंग देण्यात आले. सर्वात कमी RMSE असलेल्या प्रयोगांना प्राधान्य देण्यात आले कारण हे सांख्यिकीय पॅरामीटर म्हणजे ANN प्रशिक्षणादरम्यान कमीत कमी केलेले खर्चाचे कार्य. संपूर्ण GBR वर हिमावरी-8 निरीक्षणांच्या उलट्यासाठी संगणकीय प्रयत्न कमी करण्यासाठी, लपलेल्या थरात न्यूरॉन्सच्या सर्वात कमी संख्येसह सर्वोत्तम कामगिरी करणारा प्रयोग निवडण्यात आला.
आकृती ४. सरलीकृत ओव्हरview अल्गोरिथम प्रमाणीकरण प्रक्रियेचे.
२.६. मर्यादांचे मूल्यांकन
दृश्यमान आणि जवळ-खालील साठी सिग्नल-टोन-ओइस रेशो (SNR) मोजले गेले
HEaimstearwnaSrti-a-8ndLTaOrdA
(टिम) ओएब–सेअर्व्हएस्टटीओ)नास्ट
निवडलेले स्कॅन केले
स्थानिक तारखा आणि ढग नसलेल्या भागात सकाळी ०८:०० ते संध्याकाळी ४:०० दरम्यान
वेळ (ऑस्ट्रेलियन ऑफ द कोरल सी)
–
रिमोट सेन्सर २०२२, १४, ३५०३
9 पैकी 23
(१६.२५S, १५१E आणि २०.६०S, १५३.५३E वर). या विश्लेषणासाठी फक्त जुलै २०१७ नंतरच्या निरीक्षणांचा विचार करण्यात आला, कारण त्यांचे कॅलिब्रेशन गुणांक सुसंगत आणि क्षैतिज स्ट्रिपिंग आवाजासाठी दुरुस्त केले गेले होते [६३,७८]. हिमावरी-८ मॉनिटर पी-ट्री सिस्टम [७९] द्वारे उपलब्ध असलेले खरे रंग स्नॅपशॉट लक्ष्य क्षेत्र निवडीसाठी आणि ते अवकाशीयदृष्ट्या एकसमान आहेत आणि ढग, सूर्यप्रकाश, जैव-ऑप्टिकल वैशिष्ट्ये आणि स्थलीय ज्वलनातून येणारे धुराचे प्लम्स यांचा प्रभाव पडण्याची शक्यता कमी आहे याची खात्री करण्यासाठी ब्राउझ केले गेले [८०,८१]. निवडलेल्या हिमावरी-८ निरीक्षणांना कॅलिब्रेशन गुणांक [६०] लागू करून कच्च्या संख्येपासून भौतिक एककांमध्ये रूपांतरित केले गेले, ज्यामध्ये ५१-बाय-५१-पिक्सेलचे उपसंच काढले गेले आणि स्वारस्याच्या क्षेत्रांच्या निर्देशांकांवर केंद्रित केले गेले. याव्यतिरिक्त, उपसंच, संबंधित मुखवटे आणि भौमितिक मापदंड होurly एकत्रित. १० मिनिटे आणि तासurlएकत्रित उपसंच ढग, जमीन, खडक आणि सूर्यप्रकाशासाठी लपवले गेले होते आणि त्यांच्या जवळजवळ खऱ्या रंगाच्या संयुगांची कोरल के, खडक, ढगांच्या सावल्या आणि सेन्सर कलाकृती यासारख्या न सापडलेल्या वैशिष्ट्यांसाठी तपासणी केली गेली.
समीकरण (8) [8] नुसार प्रत्येक हिमावरी-80 बँडसाठी SNR ची गणना केली गेली. लक्ष्य क्षेत्रामधील सर्व वैध पिक्सेलसाठी सरासरी LTOA() Ltypical() देते आणि त्याच क्षेत्रामधील मानक विचलन () घेतल्यास ध्वनी समतुल्य तेज (Lnoise()) मिळते. SNR ची गणना प्रत्येक बँडवरील Ltypical आणि Lnoise मधील गुणोत्तर म्हणून केली जाते:
एसएनआर() = एलटीपीकल ()/एलनॉईज() = एलटीओए()/(एलटीओए())
(१)
१० मिनिट आणि हो सह मोजलेले SNR मधील दैनंदिन परिवर्तनशीलता आणि परिमाणातील फरकurlप्रत्येक बँडवर एकत्रित हिमावरी-८ निरीक्षणे (अनुक्रमे SNRSING() आणि SNRAGG()) तपासण्यात आली. याव्यतिरिक्त, त्यांच्या वर्णक्रमीय वैशिष्ट्यांचे मूल्यांकन s च्या श्रेणींसाठी केले गेले कारण ध्वनी पातळी सौर उंचीसह बदलत असल्याचे ज्ञात आहे [8]. शेवटी, संबंधित टक्केवारीtage ध्वनी पातळी (%आवाज) s = 45 ± 1 साठी मोजली गेली आणि हिमावरी-8 सामान्य ध्वनी पातळींबद्दल अल्गोरिदमची संवेदनशीलता मूल्यांकन करण्यासाठी वापरली गेली.
या अभ्यासात विकसित केलेल्या TSS अल्गोरिथमला स्पेक्ट्रली फ्लॅट (असंबंधित) फोटॉन नॉइज (0.8%) सह प्रशिक्षित केले गेले होते जे प्रशिक्षण डेटासेटमध्ये जोडले गेले होते, ज्यामध्ये महासागरीय लक्ष्यांवरील सेन्सर कामगिरी वैशिष्ट्यांचे मर्यादित ज्ञान गृहीत धरले गेले होते. उलटा स्थिरतेचे मूल्यांकन करण्यासाठी आणि TSS अल्गोरिथमचे बेसलाइन संवेदनशीलता विश्लेषण प्रदान करण्यासाठी, 0.1, 1.0, आणि 10 आणि 50% चे स्पेक्ट्रली फ्लॅट फोटॉन नॉइज चाचणी डेटासेटमध्ये जोडले गेले आणि उलट केले गेले. याव्यतिरिक्त, TSS पुनर्प्राप्तीच्या अचूकतेवर स्पेक्ट्रली अवलंबून असलेल्या नॉइज पातळीच्या परिणामांचे प्रमाण मोजण्यासाठी हिमावरी-8 बँडशी संबंधित %नॉइज चाचणी डेटासेटमध्ये जोडले गेले. लॉगरिथमिक सांद्रतेमध्ये समान अंतरावर असलेल्या TSS (0.01 ते 100 mg L-1) च्या विस्तृत श्रेणीमध्ये RMSE च्या सतत वाढीच्या संदर्भात पुनर्प्राप्ती स्थिरतेचा अर्थ लावण्यात आला. याव्यतिरिक्त, हिमावरी-८ च्या ध्वनी पातळीच्या गुणात्मक मूल्यांकनासाठी किनारी GBR च्या एकसंध आणि ढगमुक्त पाण्यात आणि कोरल समुद्रात घेतलेल्या TSS उत्पादनांच्या अनुदैर्ध्य ट्रान्सेक्टचे पिक्सेल स्केलवर मूल्यांकन करण्यात आले.
3. परिणाम
३.१. अल्गोरिथम प्रमाणीकरण
विविध आर्किटेक्चर कॉन्फिगरेशनसह अनेक नेटवर्क्सना प्रशिक्षित केले गेले आणि सर्वात कमी RMSE आणि लपलेल्या थरात सर्वात कमी न्यूरॉन्स असलेले सर्वोत्तम कामगिरी नेटवर्क इनव्हर्सनसाठी निवडले गेले. निवडलेल्या प्रयोगात, लपलेल्या थरात ५० न्यूरॉन्ससह, आकृती ५ मध्ये दाखवल्याप्रमाणे, ०.१४ ते २४ मिलीग्राम L-१ पर्यंत TSS मिळवले गेले, ज्यामध्ये सकारात्मक R50 आणि बायस ०.०१४ मिलीग्राम L-१, MAPE ७५.५% आणि १० RMSE २.०८ मिलीग्राम L-१ होता.
रिमोट सेन्सर २०२२, १४, ३५०३
10 पैकी 23
आकृती ५. इन सिटू आणि हिमावरी-८-डि-र-इव्ह्ड टीएसएस, बी-एस्ट-परफॉर्मिंग एएनएन प्रयोगासह, इन सिटू टीएसएस मूल्ये लॉगरिथमिक स्केलमध्ये कलर-कोड-डीसह. एरर बार ३-बाय-३–पाई-एक्सईएल बॉक्समध्ये टीएसएसच्या इंट्रा-पिक्सेल मानक विचलनाचे प्रतिनिधित्व करतात. वेगवेगळी चिन्हे एआयएमएसने गोळा केलेल्या इन सिटू डेटा दर्शवतात.
आणि LJCO येथील CSIRO द्वारे.
–
३.२. ग्रेट बॅरियर री-फसाठी हिमावरी-८ एकूण निलंबित एस-ओलिड्स
आकृती ६ मध्ये २७ ऑक्टोबर २०१७ रोजी GBR क्षेत्राच्या वर घेतलेले हिमावरी-८ (डावीकडील पॅनल) चे जवळजवळ खरे रंगीत संमिश्र आणि १० मिनिटांच्या तात्पुरत्या रिझोल्यूशनवर (उजवीकडील पॅनल) संबंधित TSS उत्पादन दाखवले आहे. GBR सरोवरातील पाण्यामध्ये TSS साधारणपणे १ मिलीग्राम L-१ किंवा त्याहून अधिक असते, तर GBR च्या किनाऱ्यावरील पाण्यामध्ये १ मिलीग्राम L-१ पेक्षा कमी मूल्ये असतात. TSS उत्पादनाने कोरल समुद्राच्या खुल्या महासागरीय भागात तीव्र ग्रॅन्युलेशन आणि स्ट्रिपिंग आवाज उघड केला.
आकृती ६. २७ ऑक्टोबर २०१७ रोजी १५:०० AEST (डावीकडे पॅनेल) आणि संबंधित TSS उत्पादन [mg L-6] (उजवीकडे पॅनेल) वर मिळवलेल्या GBR ची जवळजवळ खऱ्या रंगाची Himaw-ari-8 प्रतिमा. क्लाउड-सेंड आणि रेंजच्या बाहेरील मूल्यांमुळे काळ्या रंगात मास्क केलेले पिक्सेल.
हिमावरी-८ टीएसएस चढउतारांचा तपास बर्डेकिन नदीच्या मुखावर आणि दक्षिणेकडील जीबीआरवर करण्यात आला.
किनारी पाण्याच्या रीफ मॅट्रिक्ससाठी (आकृती ७)
सौंड्रोऑन-इमडिनाटजिओथ्नेस
लिंकमध्ये). १२ फेब्रुवारी २०१९ च्या बर्डेकिन पूर घटनेमुळे गाळाचा थर निर्माण झाला जो
दुपारी ३ ते ४ च्या दरम्यान बाहेरील रीफ्स (तोंडापासून ५० किमी) वर TSS > २० मिलीग्राम L-१ ने रीच केले.
–
–
–
–
–
—
रिमोट सेन्सर २०२२, १४, ३५०३
- -
–
–
–
11 पैकी 23
–
येणाऱ्या भरती-ओहोटी दरम्यान बर्डेकिन नदीतील गाळाचा थर कमी आणि जास्त भरती-ओहोटी दरम्यान 0.3 मीटरच्या श्रेणीसह विकसित झाला. रीफ्सजवळील किनारी पाण्यामध्ये TSS मध्ये क्रमिक वाढ (3.6, 26.4 mg-L-1) अनुभवली गेली. s-semi-diurnal भरती-चक्र (आकृती 7 (डावीकडील पॅनेल) आणि आकृती 8a मध्ये क्रॉस मार्क). पुराच्या पाण्याने झाकलेले रीफ्स 40- mg L-0.7 [1] च्या मार्गदर्शक मर्यादेपेक्षा ~82 पट जास्त TSS च्या संपर्कात आले. तोंडाजवळील ज्या भागात TSS 100 mg- L-1 पेक्षा जास्त होते ते क्षेत्र श्रेणीच्या मूल्यांप्रमाणे (ANN ध्वज) लपवले गेले होते. मुख्य डिस्चार्ज घटनेनंतर TSS चढ-उतारांचे अॅनिमेशन आकृती S1 मध्ये उपलब्ध आहे.
आकृती ७. बर्डेकिन नदीतून पूरग्रस्त प्लम सोडणे, फेब्रुवारी २०१९ (डावीकडे पॅनल). नोव्हेंबर २०१६ मध्ये GBR रीफ मॅट्रिक्समध्ये TSS भरतीचे जेट्स (उजवीकडे पॅनल). प्रत्येक प्लॉटमधील वेगवेगळ्या श्रेणी लक्षात घ्या. काळ्या रंगात मुखवटा घातलेले पिक्सेल रेंजच्या बाहेरील TSS मूल्यांमुळे आहेत.
किनारी GBR मध्ये मोठ्या पूर घटना स्पष्ट TSS वैशिष्ट्ये दर्शवितात, तर दक्षिणेकडील GBR मध्ये उथळ आणि बुडलेल्या रीफच्या मॅट्रिक्सभोवती सब-मेसो-स्केल भरती-ओहोटीचे जेट्स दिसून येतात (आकृती 7 (उजवीकडे पॅनेल)), हे दर्शविते की या वेगवेगळ्या परिस्थिती अल्पकालीन- TSS परिवर्तनशीलतेवर कसा प्रभाव पाडतात. आकृती S2 मध्ये दिलेले अॅनिमेशन भरती-प्रेरित TSS चढ-उतारांची गतिशीलता दर्शवते, जिथे उच्च (4 मीटर) आणि कमी (0.2 मीटर) भरती-ओहोटी अनुक्रमे सकाळी 10 आणि संध्याकाळी 6 वाजता आली (आकृती 8b). हेराल्ड्स रीफ (क्रॉस मार्क केलेले) जवळील TSS सांद्रता एका दिवसात (0.3, 2.0 मिलीग्राम L-1) परिमाणात सुमारे एक क्रमाने चढ-उतार झाली, खुल्या किनारी GBR (0.7 मिलीग्राम L-1) साठी शिफारस केलेल्या पाण्याच्या गुणवत्तेच्या मार्गदर्शक तत्त्वांच्या मर्यादेपेक्षा जास्त मूल्यांसह. -
आकृती ८. फेब्रुवारी २०१९ च्या पुरात बर्डेकिन नदीच्या मुखाशी १० मिनिटांचा हिमावा-री-८-व्युत्पन्न TSS ची वेळ मालिका (अ) आणि नोव्हेंबर २०१६ मध्ये दक्षिण GBR रीफ मॅट्रिक्समध्ये (ब), आकृती ७ मध्ये दाखवल्याप्रमाणे. एरर बार इंट्रा-ए-पिक्सेल मानक विचलन दर्शवतात. इनशोअर (२.० मिलीग्राम L– १) आणि मिड-शेल्फ (०.७ मिलीग्राम-L-१) पाण्यासाठी मार्गदर्शक तत्त्वे लाल रंगात चिन्हांकित केली आहेत. प्रत्येक आकृतीमध्ये वेगवेगळ्या वेळेच्या श्रेणी लक्षात घ्या.
– –
–
रिमोट सेन्सर २०२२, १४, ३५०३
12 पैकी 23
३.३. शोध मर्यादा हिमावरी-८ निरीक्षणांच्या दोन संचांमधून मोजलेले SNR मध्ये दाखवले आहे
आकृती ९ चे ग्राफिक्स. विशेषतः ०६ सप्टेंबर २०१७ रोजी, तीव्र क्लाउड कव्हरेजमुळे काही एकल निरीक्षणे चुकली आणि परिणामी वेळेच्या मालिकेत डेटा अंतर निर्माण झाले. SNRSING आणि SNRAGG ने स्पष्ट दैनंदिन चढउतार सादर केले, ज्यामध्ये सकाळी ११ ते दुपारी १२ दरम्यान सर्वात कमी s (<३०) वर सर्वाधिक SNR आढळला. SNRSING साठी मोजलेल्या मूल्यांच्या तुलनेत SNRAGG आणि निळ्या आणि हिरव्या बँडवर (४७० आणि ५१० nm) परिमाण आणि दैनंदिन परिवर्तनशीलता जास्त होती. ६४० nm आणि ८५६ nm बँडसाठी मोजलेले SNR निळ्या आणि हिरव्या बँडसाठी मोजलेल्या SNR पेक्षा कमीत कमी तीन पट कमी होते, ज्यामध्ये सूक्ष्म दैनंदिन फरक होते. दिवस आणि स्थानांमधील SNR चे दैनंदिन चढउतार वेगवेगळे होते, विशेषतः निळ्या बँडसाठी आणि SNRAGG पासून. ०६ सप्टेंबर २०१७ रोजी (सरासरी v~२२), निळ्या आणि हिरव्या बँडमधील SNRAGG परिमाणात समान होते (आकृती ९ब). २५ सप्टेंबर २०१७ रोजी (सरासरी v~२८ असलेल्या वेगळ्या ठिकाणी), निळ्या पट्ट्याने SNRSING हिरव्या पट्ट्यापेक्षा जवळजवळ दुप्पट उच्च दाखवले (आकृती ९d).
आकृती ९. एकल (SNRSING) (a,c) आणि एकत्रित (SNRAGG) निरीक्षणांसाठी (b,d) संबंधित s (डावा अक्ष) सह गणना केलेल्या sig-na-l-ते-आवाज गुणोत्तरांची (SNR, उजवा अक्ष) वेळ मालिका. S-NR आहे
बँडनुसार रंग-कोड केलेले.
चे गट
s ची वर्णक्रमीय परिवर्तनशीलता, जिथे मानक
SNRSING आणि SNRAGG मध्ये प्रत्येक गटातील विचलन दाखवले आहे.
आकृतीमध्ये असे लिहिले आहे
कॅप्डसाठी १०
तीन त्रुटी
बार. एकल निरीक्षणांनी सामान्यतः एकत्रित निरीक्षणांपेक्षा कमी SNR दिले.
सर्व बँडमध्ये, आणि आकृती 9 साठी SNR सर्वाधिक होता. SNR चे मानक विचलन
s < 30, एकल आणि एकत्रित साठी गणना केलेल्या डेटाशी सहमत आहे
निरीक्षणांमध्ये सादर केलेले
wfoerresm>o4r0epartotnhoeubnlcueedbfoanr dsp>re4s0enatendd
निळ्या आणि हिरव्या पट्ट्यांवर. 27 आणि XNUMX चे मानक विचलन
SNRSING साठी SNR ने 51 मोजले
आणि SNRAGG विचलन
, अनुक्रमे, तर अनुक्रमे १३ आणि २६.
हिरव्या पट्ट्यासाठी सादर केलेल्या मानकासाठी SNR मोजले जाते हे विचलन बहुधा व्हेरिएबलशी संबंधित आहेत
प्रत्येक ठिकाणाची वातावरणीय परिस्थिती, जी निळ्या आणि हिरव्या पट्ट्यांवर तीव्र होते
आणि उच्च वातावरणीय पथ लांबीवर.
रिमोट सेन्सर २०२२, १४, ३५०३
13 पैकी 23
आकृती १०. सिंगल (SNRSING) (-a) साठी गणना केलेले si-gn-al-to-noise गुणोत्तरांचे वर्णक्रमीय वितरण आणि
एकत्रित निरीक्षणे (SNRAGG) (b), आणि प्रत्येक गटात SNR चे मानक विचलन म्हणून गटबद्ध केले
साठी.
तीन
श्रेणी
of
s.
त्रुटी
बार
होते
गणना केलेले
TgcorhemegpaSTtNuehtdReedASoGNbfGsoRerrvAvaaGallGluti,seoitsnnhsgceolwLemtioytphpbiicslaeesldr,=vaiann4t5diToaLn±bnsole1iwse2iawtwhnederersaec=saosob4m5copiuaitlt±eetddw1ipinceweTrcaaeebsrnelhetiai2ngg.chelLunaikdsoeeitswdheeifs(oc%eor, NtrchrooeeimssSpepN)oaf–nRordiSrsIiNaongnGg-. SNRSING, लाल पट्ट्याशिवाय. तरीसुद्धा, लाल रंगात (~३%) आणि tshigenNalIRdebsapnidtest(h~e3%eff)oinrtdsiicnataevtohiadtinthgeeSnNviRroAnGmG emnataylbceonmdoistitolynsafifnecitmedagbeystehleecattimono.sTp-hhiesriics मध्ये मोठ्या प्रमाणात आवाजाची पातळी विशेषतः NIR बँडमध्ये स्पष्ट होते, जिथे स्वच्छ खुल्या महासागराच्या पाण्यात पाणी सोडणारे तेज नगण्य मानले जाते.
–
–
–
तक्ता २. दृश्यमान आणि जवळ-अवरक्त हिमावरी-८ एलटीपिकल आणि एलनॉईज डब्ल्यू एम-२एसआर-१µएम-१ आणि संबंधित
पर्सनtags = 45 ± 1 वर SNRAGG साठी e नॉइज (% नॉइज). s = 45 ± 1 मूल्यांवर SNRSING ची गणना केली.
तुलना करण्यासाठी जोडले गेले.
बँड ४७० ५१० ६४० ८६५
एलटीपिकल ५९.५ ३८.३ १३.८ ३.४
लनोईज ०.२६ ०.२९ ०.४१ ०.१८
% आवाज
१ ३०० ६९३ ६५७
–
एसएनआरएजीजी २२३ १३० ३३ १९
एसएनआरएसिंग १०० ७४ २८ ८
dalegpoerTnithdhemenopturptechosoemntoetsns ronefaorsiesotenriaiesbvililenlurgestTtrrSiaeStve(ad0l.0pin1erttfhooer1m0g0raamnpcgheisLcfs-o1or)fTwFSiSigthautrsoepre1ac1tb.roaI-vnlleyb0ofl.t1ahtmasgcnedL-n-sap1r,-ieoe-csxtr,catehlplyet
जेव्हा ५०% वर्णक्रमीय सपाट फोटॉन आवाज जोडला जातो तेव्हा दरम्यान, मोठ्या त्रुटी (>३००%) प्राप्त झाल्या.
TSS पुनर्प्राप्तीसाठी हिमावरी-८ ला
खाली बँड
(आकृती-ई ०.१ मिग्रॅ)
११अ). एल-१,
आवाजाचा प्रकार आणि पातळी काहीही असो. अधिक वास्तववादी परिस्थितीत, जेव्हा वर्णक्रमानुसार
फोटॉन नॉइज (म्हणजेच, तक्ता २ मधील % नॉइज)- हिमावरी-८ बँडमध्ये जोडला गेला तर त्रुटी आहेत
बहुतेक १००% पेक्षा कमी - TSS साठी > ~०.२५ मिलीग्राम L-१ (आकृती ११ (उजवीकडे पॅनेल)). म्हणून, मिळविण्यासाठी
हिमावरी-८ मधील विश्वसनीय पुनर्प्राप्ती, वर्तमान TSS अल्गोरिथमसह, ०.२५ मिलीग्राम L-१ ची शोध मर्यादा निवडली गेली. तुलना करण्यासाठी, TSS पुनर्प्राप्तीच्या शोध मर्यादांची गणना केली गेली.
दोर्जी आणि फियरन्स [8] प्रमाणे, वातावरणीयदृष्ट्या दुरुस्त केलेल्या हिमावरी-17 वरून, a म्हणून दर्शविले आहे
०.१५ मिलीग्राम एल-१ वर उभ्या तुटक रेषा.
रिमोट सेन्सर २०२२, १४, ३५०३
14 पैकी 23
आकृती ११. स्पेक्ट्रली फ्लॅट (डावीकडे पॅनेल) आणि स्पेक्ट्रली डिपेंडेंट (उजवीकडे पॅनेल) फोटॉन नॉइज लेव्हलसाठी RMSE एरर (mg-L-11 मध्ये) पुनर्प्राप्ती. रेडिएटिव्ह ट्रान्सफर (RT) TSS आणि संबंधित RMSE व्हॅल्यूज लॉगरिथमिक स्केलमध्ये सादर केल्या आहेत. ०.१५ m-g L-१ वरची उभी डॅश केलेली रेषा ही दोर्जी आणि फियरन्स [१७], २०१८ मधील शोध मर्यादा अनुकूलित आहे. ०.२५ m-g L-१ वरची उभी डॅश केलेली रेषा ही सध्याच्या पद्धतीची शोध मर्यादा आहे.
आवाजाच्या पातळीच्या दृश्य तपासणीत गंभीर ग्रॅन्युलेशन आणि क्षैतिज पट्टे आढळले iogttitnnruhbraeraHstnbhneTsiierumdeSvlcCSaaactAtostwoiiGroaooaaGnsnfrl-tiTsaSw-(-h8lSeTaoaSaTSswSrS(SIesmNSSeeaIGdNvaspgeGra(iroenT)nendcSdlatruySnaeTcrad>atSessrSdei~r(nAdouF1GwicomgmeGpsu-da,egtrsaFnei-knLki1goie-an2ucn1g)ger,)geba.parne1raIetno2rgwwt)uaiaeacantd-eeutrdeenddlarciis1T-rtllill5oS(oyu1TuSnswSdtpErtS-haorpaeot
–
–
आकृती १२. TSSSING(a) आणि TSSAGG(b) साठी काढलेल्या ट्रान्सेक्ट्स (मॅजेन्टा बाण) चे स्थान. लक्षात ठेवा
९ सप्टेंबर २०१७ रोजी घेतलेल्या टीएसएसएजीजी.हिमावारी-८ निरीक्षणांमध्ये संचयी ढगांचे मुखवटा
स्थानिक वेळेनुसार (AEST) १०:०० आणि १०:५० वाजता.
–
ट्रान्सेक्ट एसamp१९S आणि २०S दरम्यान कोरल समुद्रात नेले (आकृती १३अ) पूर्व-सेंट केलेले
TSSSING आणि TSSAGG मूल्ये बहुतेक पद्धतीच्या शोध मर्यादेपेक्षा कमी आहेत (0.25 mg L–1), ज्यामुळे 100% पेक्षा जास्त पुनर्प्राप्ती त्रुटी येऊ शकतात. TSSSING ने पिक्सेल स्केलवर (किंवा 1 किमीच्या आसपास) सलगपणे होणाऱ्या परिमाण मूल्यांचे स्पाइक्स किंवा भिन्न-भिन्नता श्रेणी सादर केल्या. जसे की
परिणामी, शेजारच्या पिक्सेल-एस मध्ये 0.3 मिलीग्राम L-1 पर्यंत फरक दिसून आला,
सेंटेड स्मूदरने दर्शविल्याप्रमाणे
pplioxtela-tnon-potixaetilovnasriiantiFonigsu(r~e0.1036am. gMLe-an1)w. ShuilbetltehdeifafsesroencicaetsedweTrSeSoAbGsGerpvered-
रिमोट सेन्सर २०२२, १४, ३५०३
15 पैकी 23
—
–
–
–
किनारी GBR मध्ये घेतलेल्या ट्रान्सेक्टमध्ये TSSSING आणि T-SSAGG दरम्यान (आकृती 13b), विशेषतः TSS -> 1 mg L-1 साठी. तथापि, किनाऱ्यापासून वाढत्या अंतरासह, TSS 1 mg L-1 पेक्षा कमी झाले आणि TSSSING आणि TSSAGG मधील फरक वाढला -d. जरी - आकृती 13b मधील बहुतेक TSSSING पिक्सेल शोध मर्यादेपेक्षा जास्त होते (0.25 mg L-1), त्यांनी - किनाऱ्यापासून समुद्रापर्यंतच्या संक्रमण क्षेत्रात (151.4 ते 152-.0E) कमी अवकाशीय सुसंगतता दर्शविली. TSSSING आणि TSSAGG TSS > ~1 mg L-1 साठी तुलनात्मक परिणाम प्रदान करतात, दोन्ही किनारी GBR चे निरीक्षण करण्यासाठी योग्य असू शकतात. तथापि, TSSAGG एकूणच चांगले अवकाशीय सुसंगतता सादर करते आणि अनुप्रयोगाच्या क्षेत्रावर अवलंबून TSSSING पेक्षा प्राधान्य दिले जाऊ शकते.
आकृती १३. कोरल समुद्र (अ) आणि आत घेतलेल्या हिमावरी-८-व्युत्पन्न TSS (मिग्रॅ L– १) चे प्रांत
TSSSING (निळे ठिपके) आणि TSSAGG (लाल ठिपके) मधील किनारी GBR पाणी (b). डेटा अंतर ढग, जमीन, सूर्यप्रकाश किंवा ANN ध्वजांसाठी मुखवटा घातलेले पिक्सेल दर्शवते, जेथे योग्य असेल. भाष्य केलेले TSS (काळ्या बाणांमध्ये) पिक्सेल-टॉप-इक्सेल मूल्ये दर्शवते आणि हिरवी क्षैतिज रेषा शोध मर्यादा दर्शवते.
पद्धत.
४. चर्चा
विस्तृत आणि ऑप्टिकली कॉम्प्लेक्स GBR मध्ये पाण्याच्या गुणवत्तेचे सिनोप्टिक मॉनिटरिंग हे प्राधान्य आहे, जे पर्यावरण व्यवस्थापक आणि संशोधकांसाठी एक आव्हान आहे [2,83]-. जरी महासागराच्या रंग रिमोट सेन्सिंगमध्ये कडक रेडिओमेट्रिक आणि स्पेक्ट्रल आवश्यकता आहेत, तरी हिमावरी-8 GBR च्या प्रगत पाण्याच्या गुणवत्तेच्या मॉनिटरिंगसाठी अभूतपूर्व संख्येने निरीक्षणे देते. हा पेपर GBR मध्ये दैनंदिन स्केलवर पाण्याच्या गुणवत्तेच्या सिनोप्टिक मॉनिटरिंगसाठी स्थानिक पातळीवर ट्यून केलेला आणि प्रमाणित केलेला पहिला प्रगत रिमोट सेन्सिंग- अल्गोरिथम सादर करतो.
४.१. अल्गोरिथम विकास आणि प्रमाणीकरण
एकत्रित महासागरीय वातावरणातील रेडिएटिव्ह ट्रान्सफर सिम्युलेशनने मोठ्या प्रमाणात आणि
trhoebuospttdicaatlavbaasrieaobfilRityTOoAf dthisetrGibBuRt.ioTnhienmthaechHinime alewaarrnii–n8gVANNIRNbaalngdosr,itphamramdeevteelroispeddfoinr
A(ptart0hhenrN.flieo0saev1Nadcwittdtvmoraoeaenr1dontkcr0st-eic0paeasogvhm,lnleaeoifiglnrcwsidoLcwceem-ocndh1ompc)irtea,chprhrweieaencirdtttdehtihhodtieoroeneuwatcqt[crteu2acal7iudalnn,lri3wivteat6iexyico,tr3pynhos7laifi,otoc8latfin4hmrt]tgea.hoeetefttmtDrhaRofiooeiuTndnssOtppaespAlidhbut-eieatatnrsosliHvgecfeddroicrmoerosomirirtaniorhvwensmtecihamtisraeiso.iu-iwnsM8nluavpisobtdeprerjeoredeesccocritettoavedrtnnesaoutrgloi,renteltfh-ihg.moweeTfdiahaataTtaciletsgStcariSuops-olerrrneviateatssacsh,vyleamuitnnnheot’dgesss—–f
किमान आवश्यकता पूर्ण करण्यासाठी इनपुटची मजबूती
rnaodisioemweatsriecsrpeeqcuiaairlelymaednvtsanotfaogceeoaunsccoolnosuirdseerninsgo-rHs iamnadweanrvii-r8odnomeesnntoatl
विशेषतः वातावरणातील आवाज, पुनर्प्राप्तीवर मोठ्या प्रमाणात परिणाम करू शकतो. हे निकाल
रिमोट सेन्सर २०२२, १४, ३५०३
16 पैकी 23
GBR मधील इन सिटू वॉटर क्वालिटी डेटाच्या विरोधात प्रमाणीकरणासाठी हिमावरी-8 निरीक्षणांचा पुढील वापर करण्यास प्रोत्साहन दिले.
पुनर्प्राप्त केलेल्या हिमावरी-८ टीएसएस मॅचअप त्रुटींची तुलना केस २ च्या पाण्यात सेंटिनेल-३ सारख्या इतर महासागरीय रंग सेन्सर्ससाठी परिभाषित केलेल्या मिशन लक्ष्यांशी चांगली झाली [8], विशेषतः 3 मिलीग्राम एल-2 पेक्षा जास्त टीएसएससाठी. सध्याच्या अल्गोरिथमची कामगिरी वातावरणीयदृष्ट्या सुधारित हिमावरी-८ निरीक्षणे वापरणाऱ्यांशी चांगली तुलना करते [85], जे मॉडेल-आधारित एक-चरण उलट्यांसह किनारी टीएसएस मिळविण्याची योग्यता दर्शवते. स्पष्ट वातावरणीय सुधारणा प्रक्रिया कमी टीएसएस श्रेणी (<~0.1 मिलीग्राम एल-1) साठी पुनर्प्राप्ती सुधारू शकतात, ज्यावर वर्चस्व गाजवणाऱ्या वातावरणीय मार्ग तेजस्विता आणि हिमावरी-८ च्या कमी रेडिओमेट्रिक कामगिरीचा परिणाम होण्याची शक्यता आहे.
कामगिरी सुधारण्यासाठी, संबंधित स्थानिक आणि तात्पुरत्या प्रमाणात परिवर्तनशीलतेचा समावेश असलेल्या इन-सिटू बायो-ऑप्टिकल मोजमापांचा एक मोठा आणि अधिक व्यापक डेटाबेस आवश्यक असेल. शिवाय, किनारी पाण्यामध्ये अल्गोरिथम पॅरामीटरायझेशन आणि प्रमाणीकरणाशी संबंधित अनिश्चितता कमी करण्यासाठी कठोर मापन प्रोटोकॉलचे पालन करणे आवश्यक आहे. उदाहरणार्थ, त्रिकोणीयampगुरुत्वाकर्षण पद्धतीसह TSS निश्चित करण्यासाठी les ची शिफारस केली जाते. याव्यतिरिक्त, प्रमाणीकरण sampलेस ऑप्टिकली एकसंध पाण्यात घेतले पाहिजेत [86], जे विशेषतः अत्यंत गतिमान किनारपट्टीच्या सेटिंग्जमध्ये कठीण आहे. तरीही, विविध वैज्ञानिक प्राधान्यांसह अनेक संशोधन संस्थांनी विशिष्ट पद्धतींचा वापर करून इन सीटू मोजमाप उपलब्ध करून दिले आहेत.ampलिंग आणि विश्लेषण पद्धती. याव्यतिरिक्त, तळाशी परावर्तन, प्रतिदीप्ति, द्विदिशात्मक परावर्तन, ध्रुवीकरण आणि हानिकारक शैवाल फुलणे यासारख्या भौतिक आणि पर्यावरणीय प्रक्रियांचा विचार केला गेला नाही परंतु त्या जुळणी पुनर्प्राप्ती त्रुटींमध्ये देखील योगदान देऊ शकतात.
४.२. ग्रेट बॅरियर रीफसाठी हिमावरी-८ एकूण निलंबित घन पदार्थ
हिमावरी-८ ने GBR मध्ये एका एपिसोडिकल पूर घटनेचे जवळजवळ रिअल टाइम निरीक्षण करण्याची परवानगी दिली, ज्यामुळे एका दिवसात ऑर्डर मॅग्निट्यूड TSS वाढल्याचे दिसून आले. ही घटना पावसाळ्यात दिसून आली जिथे बर्डेकिनने सलग १० दिवस ०.५ ते १.५ दशलक्ष ML/दिवस सोडले (क्लेअर स्टेशनवर बर्डेकिन नदी [8]). बर्डेकिन पूर प्लममधून TSS चढउतार खुल्या किनारी आणि मध्य-शेल्फ पाण्यासाठी २ मिलीग्राम L-१ च्या पाण्याच्या गुणवत्तेच्या मार्गदर्शक तत्त्वाच्या मर्यादेपेक्षा खूप जास्त होते, तसेच GBR च्या ऑफशोअर पाण्यासाठी ०.७ मिलीग्राम L-१ होते [0.5]. पूर प्लम बाह्य रीफमध्ये ५० किमी पर्यंत पसरला आणि त्याचा दैनंदिन विकास १० मिनिटांच्या हिमावरी-८-व्युत्पन्न TSS सह चरण-दर-चरण करण्यात आला. म्हणून, हिमावरी-८ ने GBR मधील पूर घटनांचे संपूर्ण गुणात्मक आणि परिमाणात्मक निरीक्षण करण्यासाठी अभूतपूर्व संख्येने निरीक्षणे प्रदान केली. पुराच्या पाण्यातील मास्क केलेले पिक्सेल १०० मिलीग्राम L-१ पेक्षा जास्त मूल्ये दर्शवतात, याचा अर्थ असा की GBR मध्ये पुराच्या वेळी पुनर्प्राप्तीसाठी या मर्यादेपेक्षा जास्त मूल्यांसाठी सिम्युलेशन श्रेणी वाढवली पाहिजे.
दक्षिणेकडील रीफ मॅट्रिक्समधील TSS वैशिष्ट्ये कदाचित अल्पकालीन सब-मेसोस्केल रिसस्पेंशन एडीज (११० किमी व्यास) मुळे उद्भवतात, ज्याला सहसा भरती-ओहोटीचे जेट्स म्हणतात. दक्षिणेकडील GBR मध्ये, मोठ्या भरती-ओहोटीच्या श्रेणी (५१० मीटर) तीव्र प्रवाह निर्माण करतात [८८,८९], अरुंद आणि तुलनेने उथळ वाहिन्यांमधून पाणी ढकलतात [९०]. हे जटिल हायड्रोडायनामिक्स शेल्फमधून रीफ मॅट्रिक्समध्ये TSS चे पुनरुत्थान आणि इंजेक्शन करण्यास प्रोत्साहन देतात आणि या प्रदेशांमध्ये TSS सांद्रता स्थलीय स्त्रोतांपासून स्वतंत्र असण्याची शक्यता आहे [९१]. भरती-ओहोटीचे जेट्स कोरल समुद्र आणि GBR सरोवर [९२,९३] दरम्यान स्थानिक अपवेलिंग आणि पोषक तत्वांच्या देवाणघेवाणीशी संबंधित आहेत, जे गाळ, पोषक तत्वे आणि फायटोप्लँक्टन उत्पादनाच्या वाहतूक आणि मिश्रणाची एक महत्त्वाची यंत्रणा आहे [९४]. तथापि, योग्य स्थानिक आणि तात्पुरत्या रिझोल्यूशन निरीक्षणांच्या अभावामुळे भरती-ओहोटीच्या जेट्सचे स्थान आणि घटना क्वचितच वर्णन केल्या जातात [९५,९६]. हिमावरी-८ ने अल्पकालीन किनारी प्रक्रियांचे निराकरण करण्यासाठी आवश्यक असलेल्या तात्पुरत्या निराकरणावर, GBR मध्ये अशा वैशिष्ट्यांची ओळख आणि ट्रॅकिंग करण्यास परवानगी दिली.
4.3. मर्यादा
हिमावरी-८ हे पूर्वीच्या आणि सध्या कार्यरत असलेल्या महासागरीय रंग सेन्सर्सच्या तुलनेत कमी दर्जाचे SNR प्रदान करते [8], आणि त्याची संवेदनशीलता महासागरीय रंग अनुप्रयोगांसाठी, विशेषतः खुल्या महासागरीय पाण्यावर [80] किमान आवश्यकतांपेक्षा खूपच कमी आहे. तथापि, हिमावरी-
रिमोट सेन्सर २०२२, १४, ३५०३
17 पैकी 23
८ चे ११ बिट्सचे मध्यम रेडिओमेट्रिक रिझोल्यूशन ढगांसारख्या उज्ज्वल लक्ष्यांवर आणि अत्यंत गढूळ किनारी पाण्यावर (TSS ~१०० mg L-१) संतृप्त होण्याची शक्यता कमी आहे, तर स्वच्छ पाण्यावर (>०.२५ mg L-१) वाजवी पातळीचे विवेकीकरण प्रदान करण्यासाठी पुरेशी संवेदनशीलता निर्माण करते. एकत्रित निरीक्षणांमधून मोजले जाणारे ध्वनी पातळी सामान्यतः सर्व बँडमधील एकल निरीक्षणांपेक्षा कमी होती, ज्यामुळे प्रतिमा गुणवत्ता सुधारण्यासाठी तात्पुरत्या रिझोल्यूशनला कमी करण्याची योग्यता पुष्टी होते [७,१६]. सौर उंचीच्या कोनांद्वारे दैनंदिन SNR चढउतार मोठ्या प्रमाणात नियंत्रित केले जात असूनही, वर्णक्रमीय अवलंबित्व सूचित करते की खुल्या महासागराच्या पाण्यात इनपुट आवाजाचा एक मोठा स्रोत (लाल आणि NIR बँडमध्ये ३५%) वातावरणातून उद्भवू शकतो [८०]. तरीही, सध्याच्या पद्धतीची शोध मर्यादा (०.२५ mg L-१) हवामानशास्त्रीय डेटाच्या उलट्यासाठी स्पष्ट वातावरणीय सुधारणा वापरणाऱ्यांशी तुलना करता येते [१७,९८].
AIMS आणि CSIRO साठी 0.25 mg L-1 ची शोध मर्यादा ही ~0.4 mg L-1 च्या गुरुत्वाकर्षण पद्धतीने मोजलेल्या इन सिटू TSS च्या शोध मर्यादेच्या जवळ आहे. गुरुत्वाकर्षण पद्धतीची सापेक्ष अनिश्चितता वेगवेगळ्या प्रयोगशाळांमध्ये वापरल्या जाणाऱ्या मापन प्रोटोकॉलशी संबंधित आहे, ज्यामध्ये फिल्टर प्रकारांमधील फरक, ऑपरेटर बायस, मीठ धुणे इत्यादींचा समावेश आहे [99,100]. उदाहरणार्थ, काचेच्या फायबर फिल्टरमध्ये अडकलेले मीठ क्रिस्टल्स मोठ्या प्रमाणात TSS मापनांवर परिणाम करतात आणि गाळण्याची उपकरणे धुवून मीठ काढून टाकले पाहिजे [101,102]. तरीही, वेगवेगळ्या मीठ धुण्याच्या तंत्रांचा वापर करून 30% इतक्या मोठ्या त्रुटी प्राप्त झाल्या आहेत, ज्यामुळे 1 mg पेक्षा कमी TSS चे अचूक निर्धारण होण्यास अडथळा येतो [101]. म्हणून, इन सिटू मापन आणि हिमावरी-8-व्युत्पन्न TSS च्या शोध मर्यादा आणि सापेक्ष अनिश्चितता या अभ्यासासाठी तुलनात्मक आहेत. या निकालावरून असे दिसून येते की हिमावरी-८ ०.२५ ते १०० मिलीग्राम एल-१ दरम्यानच्या टीएसएससाठी, किनारी जीबीआरमध्ये पाण्याच्या गुणवत्तेच्या दैनंदिन परिवर्तनशीलतेचे अचूक निरीक्षण करण्याची संधी देते.
हिमावरी-८-व्युत्पन्न टीएसएस उत्पादनांनी एक पद्धतशीर क्षैतिज स्ट्रिपिंग सादर केले, ज्याचा आकार सामान्यतः वैयक्तिक क्षैतिज स्कॅन (५०० किमी) शी संबंधित होता, जसे की मुराकामी [२२] ने पूर्वी ओळखले होते. दृश्यमान बँडच्या सौर डिफ्यूझर निरीक्षणांमधून डिटेक्टर-टू-डिटेक्टर कॅलिब्रेशन उतारांमधील फरकांमुळे स्ट्रिपिंग झाले [१०३,१०४]. जुलै २०१७ नंतरच्या निरीक्षणांसाठी कॅलिब्रेशन गुणांक लागू केले गेले असले तरी, क्षैतिज स्ट्रिपिंग नमुने अजूनही ऑफशोअर पाण्यात आणि TSS < १ मिग्रॅ L-१ सह उपस्थित होते. याव्यतिरिक्त, दर १० मिनिटांनी मिळवलेल्या टीएसएस उत्पादनांमध्ये गंभीर ग्रॅन्युलेशन दिसून आले, जे संभाव्यतः पाण्याच्या लक्ष्यांवर हिमावरी-८ सेन्सरच्या कमी रेडिओमेट्रिक कामगिरीशी संबंधित होते [१७,२२]. तथापि, अनेक वैयक्तिक निरीक्षणांच्या तात्पुरत्या एकत्रीकरणामुळे दृश्यमान आवाज मोठ्या प्रमाणात कमी झाला.urly-व्युत्पन्न TSS उत्पादने [16]. सुदैवाने, किनारी आणि मध्यम गढूळ पाण्यात (TSS > 1 mg L-1) दाणेदार आवाज नगण्य होता, एकतर 10 मिनिटांपासून किंवा ho पासूनurly TSS उत्पादने. हा परिणाम निलंबित कणांच्या वाढत्या बॅकस्कॅटरिंगशी संबंधित असू शकतो, ज्यामुळे पाणी सोडणारे तेज वाढते आणि फोटॉन आवाज कमी होतो [105]. परिणामी, हिमावरी-8-व्युत्पन्न TSS खुल्या महासागरापेक्षा मध्यम गढूळ किनारी पाण्यात अचूकपणे मिळवले जाण्याची शक्यता जास्त आहे, जे शोध मर्यादा विश्लेषणाची पुष्टी करते.
खुल्या महासागरीय भागात पिक्सेल-टू-पिक्सेल फरक (TSS < 0.25 mg L-1) हे दृश्य तपासणीत आढळलेल्या दाणेदार नमुन्यांशी संबंधित असण्याची शक्यता आहे, कारण हिमावरी-8 सेन्सरची संवेदनशीलता 10 मिनिटांच्या रिझोल्यूशनवर कमी होती. 0.25 mg L-1 पेक्षा कमी TSS साठी रेडिओमेट्रिक आवाज एकत्रित TSS मध्ये मोठ्या प्रमाणात कमी झाला, ज्यामुळे संवेदनशीलता आणि दृश्य तपासणी विश्लेषणाची पुष्टी झाली. याउलट, TSS > 1 mg L-1 साठी किनारी GBR ट्रान्सेक्टमध्ये सुधारित स्थानिक सुसंगतता दिसून आली. परिणामी, हिमावरी-8 10 मिनिटांचा TSS हा ho पासून मिळवलेल्या TSS जितक्या आत्मविश्वासाने वापरता येतो.urlकिनारी भागात एकत्रित निरीक्षणे. किनारी GBR मध्ये दर 10 मिनिटांनी TSS मिळवल्याने एका तासाच्या आत जलद बदलणाऱ्या पाण्याच्या गुणवत्तेतील चढउतारांचा भेदभाव सुधारतो. तथापि, या जवळजवळ-वास्तविक वेळेच्या तात्पुरत्या वारंवारतेसाठी मोठ्या प्रमाणात प्रक्रिया आणि साठवण क्षमता आवश्यक असतात ज्या संपूर्ण GBR साठी अशक्य असू शकतात. हो उत्पादनurlअन्यथा, TSS केवळ प्रक्रिया दर आणि साठवण क्षमता सुधारत नाही तर बाह्य घटकांना दूर करण्यास आणि TSS उत्पादनांची अचूकता वाढविण्यास देखील मदत करते.
रिमोट सेन्सर २०२२, १४, ३५०३
18 पैकी 23
५. निष्कर्ष आणि भविष्यातील दृष्टिकोन
इन-सिटू मॉनिटरिंग आणि LEO सॅटेलाइट डेटाने GBR मध्ये प्रवेश करणाऱ्या पूर प्लम्सबद्दल आमचे बरेच ज्ञान प्रदान केले आहे [4,106]. तथापि, क्वचित आणि अवकाशीयदृष्ट्या कमी निरीक्षणांमुळे अल्पावधीत प्लम्सच्या विकास आणि उत्क्रांतीची पूर्ण समज कमी झाली. या अभ्यासातून किनारी GBR मध्ये विश्वसनीय TSS पुनर्प्राप्ती आणि पूर प्लम्स मॅपिंग, ट्रॅकिंग आणि देखरेखीसाठी हिमावरी-108 ची उपयुक्तता दिसून आली. पहिल्यांदाच, संपूर्ण GBR साठी किनारी TSS वैशिष्ट्ये विश्वसनीयरित्या मोजली गेली, केवळ जैव-भू-रासायनिक आणि हायड्रोडायनामिक मॉडेल्ससह शक्य असलेल्या दराने [8]. हिमावरी-109 TSS उत्पादने अभूतपूर्व अवकाशीय टेम्पोरल रिझोल्यूशनवर नियतकालिक आणि अल्पकालीन घटनांचे वैशिष्ट्यीकृत आणि निराकरण करण्याची क्षमता समोर आणतात. ही उत्पादने सध्या फक्त LEO ऑर्बिट ओशन कलर उत्पादने वापरुन GBR इकोसिस्टममध्ये पाण्याच्या गुणवत्तेच्या प्रभावाचे मूल्यांकन करणाऱ्या संशोधक, मॉडेलर आणि भागधारकांसाठी उपयुक्त ठरतील [8]. हिमावरी-८ टीएसएस उत्पादने आणि भरती-ओहोटी, वारे आणि गोड्या पाण्यातील विसर्जन यासारख्या किनारी प्रक्रियांचा डेटा वापरून GBR मध्ये दैनंदिन बदल आणि पाण्याच्या गुणवत्तेतील चढ-उतारांचे चालक यांचा अधिक अभ्यास केला पाहिजे. याव्यतिरिक्त, या अभ्यासात सादर केलेला अल्गोरिथम थेट त्याच हिमावरी-९ एएचआय सेन्सरवर वापरला जाऊ शकतो, जो २०२९ पर्यंत हिमावरी-८ नंतर येणार आहे. पुढील पिढीतील हिमावरी मिशन (हिमावरी-१०) नियोजन टप्प्यात आहे आणि दृश्यमान श्रेणीतील अतिरिक्त चॅनेल, तसेच सुधारित संवेदनशीलता आणि अवकाशीय रिझोल्यूशन, ही शक्यता आहे. ही वैशिष्ट्ये भूस्थिर सेन्सर्ससाठी महासागरीय रंग अल्गोरिथमच्या क्षमतांना मोठ्या प्रमाणात प्रगती करतील, ज्यामुळे दैनंदिन स्केलवर किनारी पाण्यात अधिक अचूक पुनर्प्राप्ती शक्य होईल. त्याचप्रमाणे, GEOKOMPSAT-109A वरील प्रगत हवामानशास्त्रीय इमेजर (AMI), तसेच GOCI-II (GEOKOMPSAT-8B), सध्या ऑस्ट्रेलिया आणि पूर्व आशियाचे निरीक्षण करत आहेत आणि जवळजवळ वास्तविक वेळेत या मोठ्या आणि मुबलक डेटासेटचा वापर करण्यासाठी समान मशीन लर्निंग अल्गोरिथम विकसित केला जाऊ शकतो. या संदर्भात, सध्याचा अभ्यास एक प्रगत अल्गोरिथम आणि ऑस्ट्रेलियासाठी भूस्थिर प्लॅटफॉर्मवरील समुद्री रंग सेन्सर्स प्रत्यक्षात येतील तेव्हा विकसित होण्याच्या संभाव्य अनुप्रयोगांची शक्यता प्रदान करतो.
पूरक साहित्य: खालील माहिती https://www.mdpi.com/article/ 10.3390/rs14143503/s1 वर ऑनलाइन उपलब्ध आहे, आकृती S1: फेब्रुवारी २०१९ मध्ये बर्डेकिन नदीच्या मुखावरील एकूण निलंबित घन पदार्थांची दैनंदिन परिवर्तनशीलता १० मिनिटांच्या हिमावरी-८ निरीक्षणांमधून, आकृती S2019: नोव्हेंबर २०१६ मध्ये हेराल्ड्स रीफजवळील दक्षिणी ग्रेट बॅरियर रीफवरील एकूण निलंबित घन पदार्थांची दैनंदिन परिवर्तनशीलता १० मिनिटांच्या हिमावरी-८ निरीक्षणांमधून.
लेखकांचे योगदान: संकल्पना, LP-V. आणि TS; कार्यपद्धती, LP-V. आणि TS; सॉफ्टवेअर, LP-V., TS आणि YQ; प्रमाणीकरण, LP-V.; औपचारिक विश्लेषण, LP-V.; डेटा क्युरेशन, LP-V., TS आणि YQ; लेखन-मूळ मसुदा तयारी, LP-V.; लेखन-पुनर्रचनाview आणि संपादन, टीएस, एमजेडी, एसएस आणि वायक्यू; पर्यवेक्षण, टीएस, एमजेडी आणि एसएस; निधी संपादन, एलपी-व्ही. सर्व लेखकांनी हस्तलिखिताची प्रकाशित आवृत्ती वाचली आहे आणि त्याच्याशी सहमती दर्शविली आहे.
निधी: या संशोधनाला ब्राझिलियन संघराज्य सरकारच्या राष्ट्रीय वैज्ञानिक आणि तंत्रज्ञान विकास परिषद (CNPq) फाउंडेशनने सायन्सेस विदाऊट बॉर्डर्स प्रोग्राम, अनुदान क्रमांक २०६३३९/२०१४-३ द्वारे निधी दिला.
डेटा उपलब्धता विधान: या अभ्यासात सादर केलेला डेटा संबंधित लेखकाच्या विनंतीनुसार उपलब्ध आहे.
आभार: MOMO रेडिएटिव्ह ट्रान्सफर कोड आणि इनव्हर्स मॉडेलिंग टूलमध्ये प्रवेश प्रदान केल्याबद्दल आणि इनव्हर्स मॉडेलिंग टूलसाठी आम्ही जुर्गेन फिशर आणि मायकेल शाले (इन्स्टिट्यूट ऑफ स्पेस सायन्सेस, डिपार्टमेंट ऑफ अर्थ सायन्सेस, फ्री युनिव्हर्सिटी बर्लिन) यांचे आभार मानतो. ग्रेट बॅरियर रीफ मरीन पार्क अथॉरिटी, ऑस्ट्रेलियन इन्स्टिट्यूट ऑफ मरीन सायन्स, जेम्स कुक युनिव्हर्सिटी आणि केप यॉर्क वॉटर मॉनिटरिंग पार्टनरशिप यांच्यातील सहकार्याने इनशोअर वॉटर क्वालिटीसाठी मरीन मॉनिटरिंग प्रोग्रामचा भाग म्हणून गोळा केलेला मौल्यवान इन सीटू डेटा प्रदान केल्याबद्दल ब्रिटा शाफेल्के, मिशेल स्कुझा आणि रेनी ग्रुबर (AIMS) यांचे आभार मानतो. हिमावारी-8 च्या ऑपरेशनसाठी आणि ऑस्ट्रेलियन ब्युरो ऑफ मेटेरोलॉजीद्वारे डेटा वितरणासाठी जपान मेटेरोलॉजिकल एजन्सीची प्रशंसा केली जाते. ऑस्ट्रेलियन ब्युरो ऑफ मेटेरोलॉजीला भरती-ओहोटीचा अंदाज डेटा प्रदान केल्याबद्दल त्यांची प्रशंसा केली जाते. इन सीटू डेटा ऑस्ट्रेलियाच्या इंटिग्रेटेड मरीन ऑब्झर्व्हिंग सिस्टम (IMOS)-IMOS मधून मिळवला गेला होता जो नॅशनल कोलॅबोरेटिव्ह रिसर्च इन्फ्रास्ट्रक्चर स्ट्रॅटेजी (NCRIS) द्वारे सक्षम आहे. NCRIS (IMOS) आणि CSIRO.
रिमोट सेन्सर २०२२, १४, ३५०३
19 पैकी 23
लुसिंडा जेट्टी कोस्टल ऑब्झर्व्हेटरीला निधी दिल्याबद्दल त्यांचे आभार मानले जातात. हे संशोधन नॅशनल कॉम्प्युटेशनल इन्फ्रास्ट्रक्चर (एनसीआय ऑस्ट्रेलिया) मधील संसाधनांच्या मदतीने करण्यात आले, जे ऑस्ट्रेलियन सरकारद्वारे समर्थित एनसीआरआयएस-सक्षम क्षमता आहे.
हितसंबंधांचा संघर्ष: लेखक कोणतेही हितसंबंधांचा संघर्ष नसल्याचे जाहीर करतात.
संदर्भ
१. श्रोडर, टी.; डेव्हलिन, एमजे; ब्रँडो, व्हीई; डेकर, एजी; ब्रॉडी, जेई; क्लेमेंटसन, एलए; मॅककिन्ना, एल. उपग्रह किनारी महासागराच्या रंग निरीक्षणांवर आधारित ग्रेट बॅरियर रीफ सरोवरात ओल्या हंगामातील गोड्या पाण्याच्या प्रवाहाच्या प्रमाणात आंतर-वार्षिक परिवर्तनशीलता. मार्च. पोलट. बुल. २०१२, ६५, २१०२२३. [क्रॉसरेफ] २. डेव्हलिन, एम.; पेटस, सी.; दा सिल्वा, ईटी; ट्रेसी, डी.; वुल्फ, एन.; वॉटरहाऊस, जे.; ब्रॉडी, जे. ग्रेट बॅरियर रीफमध्ये पाण्याची गुणवत्ता आणि नदीच्या प्रवाहाचे निरीक्षण: एक ओव्हरview महासागर रंग उपग्रह डेटावर आधारित पद्धती. रिमोट सेन्स. २०१५, ७, १२९०९१२९४१. [क्रॉसरेफ] ३. ब्लोंडो-पॅटिसियर, डी.; ब्रँडो, व्हीई; लोनबोर्ग, सी.; लेही, एसएम; डेकर, एजी फेनोलॉजी ऑफ ट्रायकोडेस्मियम एसपीपी. ग्रेट बॅरियर रीफ लॅगून, ऑस्ट्रेलियामध्ये, ईएसए-मेरिस १० वर्षांच्या मोहिमेतून फुलते. पीएलओएस वन २०१८, १३, ई०२०८०१०. [क्रॉसरेफ] [पबमेड] ४. पेटस, सी.; वॉटरहाऊस, जे.; लुईस, एस.; वॅचर, एम.; ट्रेसी, डी.; डेव्हलिन, एम. माहितीचा पूर: ग्रेट बॅरियर रीफ (ऑस्ट्रेलिया) मधील पाण्याच्या गुणवत्तेच्या ट्रेंडच्या देखरेखीमध्ये सातत्य सुनिश्चित करण्यासाठी सेंटिनेल-३ वॉटर कलर उत्पादनांचा वापर. जे. पर्यावरण. मॅनाग. २०१९, २४८, १०९२५५. [क्रॉसरेफ] ५. ब्रॉडी, जे.; श्रोडर, टी.; रोहडे, के.; फेथफुल, जे.; मास्टर्स, बी.; डेकर, ए.; ब्रँडो, व्ही.; मौघन, एम. नदी-विसर्जनाच्या घटनांदरम्यान ग्रेट बॅरियर रीफ सरोवरात निलंबित गाळ आणि पोषक तत्वांचे विसर्जन: उपग्रह रिमोट सेन्सिंग आणि समवर्ती पूर-प्लूममधून निष्कर्ष.ampलिंग. मार्च. फ्रेशव. रिझ. २०१०, ६१, ६५१६६४. [क्रॉसरेफ] ६. सिर्जॅकॉब्स, डी.; अल्वेरा-अझकारेट, ए.; बार्थ, ए.; लॅक्रोइक्स, जी.; पार्क, वाय.; नेचॅड, बी.; रुडिक, के.; बेकर्स, जे.-एम. डेटा इंटरपोलेटिंग एम्पिरिकल ऑर्थोगोनल फंक्शन्स पद्धतीद्वारे दक्षिण उत्तर समुद्रावर समुद्राचा रंग आणि समुद्राच्या पृष्ठभागाचे तापमान रिमोट सेन्सिंग उत्पादनांचे क्लाउड फिलिंग. जे. सी रिझ. २०११, ६५, ११४१३०. [क्रॉसरेफ] ७. रुडिक, के.; न्यूकरमन्स, जी.; व्हॅनहेलेमोंट, क्यू.; जोलिव्हेट, डी. प्रादेशिक समुद्रांच्या भूस्थिर महासागराच्या रंग रिमोट सेन्सिंगसाठी आव्हाने आणि संधी: एक पुनर्संचयित कराview अलीकडील निकालांचे. रिमोट सेन्स. एन्व्हायरन. २०१४, १४६, ६३७६. [क्रॉसरेफ] ८. रुडिक, के.; व्हॅनहेलेमोंट, क्यू.; यान, जे.; न्यूकरमन्स, जी.; वेई, जी.; शांग, एस. भूस्थिर महासागर रंग इमेजर (GOCI) मधून बोहाई समुद्रात निलंबित कण पदार्थांची परिवर्तनशीलता. महासागर. विज्ञान. जे. २०१२, ४७, ३३१३४५. [क्रॉसरेफ] ९. आयओसीसीजी. भूस्थिर कक्षेतून महासागर-रंग निरीक्षणे; आंतरराष्ट्रीय महासागर-रंग समन्वय गटाचे अहवाल (आयओसीसीजी) अहवाल क्रमांक १२; अँटोइन, डी., एड.; आयओसीसीजी: डार्टमाउथ, एनएस, कॅनडा, २०१२. ऑनलाइन उपलब्ध: http://ioccg.org/wpcontent/uploads/२०१५/१०/ioccg-report-2015.pdf (१८ एप्रिल २०१६ रोजी अॅक्सेस केलेले).
१०. ग्रुबर, आर.; वॉटरहाऊस, जे.; लोगान, एम.; पेटस, सी.; हॉवली, सी.; लुईस, एस.; ट्रेसी, डी.; लँगलोइस, एल.; टोनिन, एच.; स्कुझा, एम.; आणि इतर. मरीन मॉनिटरिंग प्रोग्राम: इनशोअर वॉटर क्वालिटी मॉनिटरिंगसाठी वार्षिक अहवाल २०१८२०१९; ग्रेट बॅरियर रीफ मरीन पार्क अथॉरिटीसाठी अहवाल २२०८४०९६; ग्रेट बॅरियर रीफ मरीन पार्क अथॉरिटी: टाउन्सविले, ऑस्ट्रेलिया, २०२०. ऑनलाइन उपलब्ध: https://elibrary.gbrmpa.gov.au/jspui/handle/10/2018 (१४ मे २०२२ रोजी प्रवेश केला).
११. वॉटरहाऊस, जे.; शॅफेल्के, बी.; बार्टली, आर.; एबरहार्ड, आर.; ब्रॉडी, जे.; थॉरबर्न, पी.; रॉल्फ, जे.; रोनन, एम.; टेलर, बी.; स्टार, एम.; आणि इतर. वैज्ञानिक एकमत विधान सारांश: ग्रेट बॅरियर रीफच्या पाण्याच्या गुणवत्तेवर आणि परिसंस्थेच्या स्थितीवर जमिनीच्या वापराचे परिणाम; क्वीन्सलँड राज्य: टाउन्सविले, ऑस्ट्रेलिया, २०१७. ऑनलाइन उपलब्ध: https://www.reefplan.qld.gov.au/science-and-research/thescientific-consensus-statement (२५ नोव्हेंबर २०१७ रोजी प्रवेश केला).
१२. फेंग, जे.; चेन, एच.; झांग, एच.; ली, झेड.; यू, वाय.; झांग, वाय.; बिलाल, एम.; किउ, झेड. चीनच्या किनाऱ्यावरील गढूळ नद्यांमध्ये GOCI उपग्रह डेटावरून गढूळपणाचा अंदाज. रिमोट सेन्स. २०२०, १२, ३७७०. [क्रॉसरेफ] १३. लू, एक्स.; हू, सी. पूर्व चीन समुद्रात हानिकारक शैवाल फुलण्याचे दैनंदिन बदल: GOCI कडून निरीक्षणे. रिमोट सेन्स. पर्यावरण. २०१४, १४०, ५६२५७२. [क्रॉसरेफ] १४. ग्रूम, एस.; सत्येंद्रनाथ, एस.; बान, वाय.; बर्नार्ड, एस.; ब्रेविन, आर.; ब्रोटास, व्ही.; ब्रॉकमन, सी.; चौहान, पी.; चोई, जे.-के.; चुप्रिन, ए.; इत्यादी. उपग्रह महासागर रंग: वर्तमान स्थिती आणि भविष्यातील दृष्टीकोन. समोर. मार्च. विज्ञान. २०१९, ६, ४८५. [क्रॉसरेफ] १५. पार्क, जे.-ई.; पार्क, के.-ए.; कांग, सी.-के.; पार्क, वाय.-जे. मेसोस्केल एडीवरील समुद्राच्या पृष्ठभागावरील पवन क्षेत्रात बदलण्यासाठी क्लोरोफिल-ए एकाग्रतेचा अल्पकालीन प्रतिसाद. एस्टुअरीज कोस्ट्स २०१९, ४३, ६४६६६०. [क्रॉसरेफ] १६. लॅव्हिन, एच.; रुडिक, के. खुल्या महासागरांसाठी उच्च तात्पुरत्या रिझोल्यूशनवर क्लोरोफिल-ए एकाग्रता पुनर्प्राप्त करण्यासाठी भूस्थिर MTG/FCI चा संभाव्य वापर. इंट. जे. रिमोट सेन्स. २०१८, ३९, २३९९२४२०. [क्रॉसरेफ] १७. दोर्जी, पी.; फियरन्स, पी. टोटल सस्पेंडेड सेडिमेंट मॅपिंगसाठी भूस्थिर हिमावरी-८ उपग्रह डेटाचे वातावरणीय सुधारणा: पश्चिम ऑस्ट्रेलियाच्या किनारी पाण्यातील एक केस स्टडी. आयएसपीआरएस जे. फोटोग्राम. रिमोट सेन्स. २०१८, १४४, ८१९३. [क्रॉसरेफ] १८. मिलर, एसडी; श्मिट, टीएल; सीमन, सीजे; लिंडसे, डीटी; गुनशोर, एमएम; कोहर्स, आरए; सुमिदा, वाय.; हिलगर, डी. ए साईट फॉर सोअर आयज: द रिटर्न ऑफ ट्रू कलर टू जिओस्टेशनरी सॅटेलाइट्स. बुल. एम. मेटेरॉल. सोस. २०१६, ९७, १८०३१८१६. [क्रॉसरेफ] १९. डोक्सारन, डी.; लॅमक्विन, एन.; पार्क, वाय.-जे.; माझेरन, सी.; र्यू, जे.-एच.; वांग, एम.; पोटेऊ, ए. MODIS, MERIS आणि GOCI उपग्रह डेटा वापरून पूर्व चीन समुद्रात निलंबित घन पदार्थांच्या देखरेखीसाठी समुद्राच्या पाण्यातील परावर्तनाची पुनर्प्राप्ती. रिमोट सेन्स. पर्यावरण. २०१४, १४६, ३६४८. [क्रॉसरेफ] २०. डोक्सारन, डी.; चेरुकुरु, आरसीएन; लैव्हेंडर, एसजे मुहानाच्या पाण्यात निलंबित आणि विरघळलेल्या पदार्थांच्या सांद्रतेचा अंदाज घेण्यासाठी परावर्तन बँड गुणोत्तरांचा वापर. इंट. जे. रिमोट सेन्स. २००५, २६, १७६३१७६९. [क्रॉसरेफ]
रिमोट सेन्सर २०२२, १४, ३५०३
20 पैकी 23
21. क्वाटकोव्स्का, ईजे; रुडिक, के.; रेमन, डी.; Vanhellemont, Q.; ब्रॉकमन, सी.; लेब्रेटन, सी.; बोनेकamp, भूस्थिर प्लॅटफॉर्मवरील एचजी महासागर रंग उत्पादने, मेटीओसॅट दुसऱ्या आणि तिसऱ्या पिढीसह संधी. महासागर. विज्ञान. चर्चा. २०१५, १२, ३१४३३१६७. [क्रॉसरेफ] २२. मुराकामी, एच. हिमावरी-८/एएचआय द्वारे महासागर रंग अंदाज. इन प्रोसिडिंग्ज ऑफ द रिमोट सेन्सिंग ऑफ द ओशन्स अँड इनलँड वॉटर्स: टेक्निक्स, अॅप्लिकेशन्स अँड चॅलेंजेस, नवी दिल्ली, भारत, ७ मे २०१६. [क्रॉसरेफ] २३. चेन, एक्स.; शांग, एस.; ली, झेड.; क्यूई, एल.; यान, जे.; ली, वाय. हिमावरी-८ वर एएचआय कडून तरंगत्या शैवालचे उच्च-फ्रिक्वेंसी निरीक्षण. रिमोट सेन्स. पर्यावरण. २०१९, २२७, १५११६१. [क्रॉसरेफ] २४. हाफीज, एस.; वोंग, एमएस; अब्बास, एस.; जियांग, जी. पृष्ठभागाच्या एकूण निलंबित घन पदार्थांचे आणि त्यांच्या दैनंदिन बदलांचे मॅपिंग करण्यासाठी भूस्थिर हिमावरी-८ च्या संभाव्यतेचे मूल्यांकन करणे. रिमोट सेन्स. २०२१, १३, ३३६. [क्रॉसरेफ] २५. जपान हवामान संस्था. इव्हेंट लॉग: हिमावरी-८ कामगिरी चाचणी निकाल; हवामान उपग्रह केंद्र: कियोसे, जपान, २०१५. ऑनलाइन उपलब्ध: https://www.data.jma.go.jp/mscweb/en/himawari89/space_segment/fig/AHI8_performance_test_en.pdf (२० सप्टेंबर २०२१ रोजी अॅक्सेस केलेले).
२६. आयओसीसीजी. किनारी आणि इतर ऑप्टिकली-कॉम्प्लेक्स पाण्यात महासागराच्या रंगाचे रिमोट सेन्सिंग; आंतरराष्ट्रीय महासागर-रंग समन्वय गटाचे अहवाल (आयओसीसीजी) अहवाल क्रमांक ३; सत्येंद्रथ, एस., एड.; आयओसीसीजी: डार्टमाउथ, एनएस, कॅनडा, २०००. ऑनलाइन उपलब्ध: http://ioccg.org/wp-content/uploads/२०१५/१०/ioccg-report-2015.pdf (२० सप्टेंबर २०१५ रोजी अॅक्सेस केलेले).
२७. श्रोडर, टी.; शॅले, एम.; लव्हेल, जे.; ब्लोंडो-पॅटिसियर, डी. सेंटिनेल-३ ओएलसीआयसाठी किनारी पाण्यावरील एक एन्सेम्बल न्यूरल नेटवर्क वातावरणीय सुधारणा जे अंतर्निहित मॉडेल अनिश्चितता अंदाज आणि सेन्सर आवाज प्रसार प्रदान करते. रिमोट सेन्स. एन्व्हायर्न. २०२२, २७०, ११२८४८. [क्रॉसरेफ] २८. फॅन, वाय.; ली, डब्ल्यू.; चेन, एन.; आहन, जे.-एच.; पार्क, वाय.-जे.; क्रॅट्झर, एस.; श्रोडर, टी.; इशिझाका, जे.; चांग, आर.; स्टॅम्नेस, के. ओसी-स्मार्ट: उपग्रह महासागर रंग सेन्सर्ससाठी मशीन लर्निंग आधारित डेटा विश्लेषण प्लॅटफॉर्म. रिमोट सेन्स. एन्व्हायर्न. २०२१, २५३, ११२२३६. [क्रॉसरेफ] २९. ब्रॉकमन, सी.; डोअरफर, आर.; पीटर्स, एम.; स्टेलझर, के.; एम्बॅचर, एस.; रुएसकास, ए. सामान्य आणि अत्यंत ऑप्टिकली कॉम्प्लेक्स पाण्यात महासागरीय रंग उत्पादनांच्या पुनर्प्राप्तीसाठी सेंटिनेल 27 आणि 3 साठी C2022RCC न्यूरल नेटवर्कची उत्क्रांती. युरोपियन स्पेस एजन्सीच्या कार्यवाहीमध्ये, प्राग, चेक रिपब्लिक, 270 मे 112848.
३०. श्रोडर, टी.; फिशर, जे.; शॅले, एम.; फेल, एफ. आर्टिफिशियल-न्यूरल-नेटवर्क-आधारित वातावरणीय सुधारणा अल्गोरिथम: मेरिस डेटाचा वापर. एसपीआयई ४८९२ च्या कार्यवाहीमध्ये, महासागर रिमोट सेन्सिंग अँड अॅप्लिकेशन्स, हांगझोउ, चीन, ८ मे २००३; पृ. १२४१३२. [क्रॉसरेफ] ३१. जेमेट, सी.; थिरा, एस.; मौलिन, सी.; क्रेपॉन, एम. महासागर रंग प्रतिमांमधून महासागरीय आणि वातावरणीय घटक पुनर्प्राप्त करण्यासाठी न्यूरोव्हेरिएशनल इन्व्हर्जनचा वापर: एक व्यवहार्यता अभ्यास. जे. अॅटमॉस. महासागर. तंत्रज्ञान. २००५, २२, ४६०४७५. [क्रॉसरेफ] ३२. ब्राजार्ड, जे.; जेमेट, सी.; मौलिन, सी.; थिरिया, एस. उपग्रह महासागर रंग सेन्सरमधून महासागरीय आणि वातावरणीय घटक पुनर्प्राप्त करण्यासाठी न्यूरो-व्हेरिएशनल इन्व्हर्जनचा वापर: एरोसोल शोषण्यासाठी अनुप्रयोग. न्यूरल नेटव. ऑफ. जे. इंट. न्यूरल नेटव. सोस. २००६, १९, १७८१८५. [क्रॉसरेफ] ३३. डोअरफर, आर. अल्गोरिथम सैद्धांतिक आधार दस्तऐवज (एटीबीडी) मेरिस प्रादेशिक किनारी आणि तलाव प्रकरण २ जल प्रकल्प वातावरणीय सुधारणा एटीबीडी; पाणी आवृत्ती १; जीकेएसएस संशोधन केंद्र: गीस्टॅच्ट, जर्मनी, २००८; पृ. १४२.
34. पहिलवान, एन.; स्मिथ, बी.; शॅलेस, जे.; बंधनकारक, सी.; काओ, झेड.; मा, आर.; अलिकास, के.; कांगरो, के.; जीurlइन, डी.; हा, एन.; इत्यादी. सेंटिनेल-२ (एमएसआय) आणि सेंटिनेल-३ (ओएलसीआय) मधून अंतर्देशीय आणि किनारी पाण्यात क्लोरोफिल-ए चे निर्बाध पुनर्प्राप्ती: एक मशीन-लर्निंग दृष्टिकोन. रिमोट सेन्स. पर्यावरण. २०२०, २४०, १११६०४. [क्रॉसरेफ] ३५. ग्रॉस, एल.; थिरिया, एस.; फ्रॉइन, आर.; मिचेल, बीजी सागरी परावर्तन आणि फायटोप्लँक्टन रंगद्रव्य एकाग्रता यांच्यातील हस्तांतरण कार्याचे मॉडेलिंग करण्यासाठी कृत्रिम तंत्रिका नेटवर्क. जे. जिओफिज. रेस. ओशन. २०००, १०५, ३४८३३४९५. [क्रॉसरेफ] ३६. श्रोडर, टी.; बेहनेर्ट, आय.; शाले, एम.; फिशर, जे.; डोअरफर, आर. केस-२ पाण्यावरील MERIS साठी वातावरणीय सुधारणा अल्गोरिथम. इंट. जे. रिमोट सेन्स. 2, 3, 2020. [क्रॉसरेफ] 240. श्रोडर, टी.; शाले, एम.; फिशर, जे. MERIS मोजमापांमधून वातावरणीय आणि सागरी गुणधर्मांची पुनर्प्राप्ती: BEAM साठी एक नवीन केस-111604 वॉटर प्रोसेसर. इंट. जे. रिमोट सेन्स. 35, 2000, 105. [क्रॉसरेफ] 3483. श्रोडर, टी. फेर्नरकुंडुंग वॉन वॉसेरिन्हाल्ट्सस्टोफेन इन कुस्टेन्गेवेसर्न मिट MERIS unter Anwendung expliziter und impliziter expliziter und impliziteräturenkorrermos of Sensational स्पष्ट आणि अंतर्निहित वायुमंडलीय सुधारणा अल्गोरिदमच्या आधारावर MERIS सह तटीय जल). पीएच.डी. थीसिस, फ्री युनिव्हर्सिटी, बर्लिन, जर्मन, २००५. [क्रॉसरेफ] ३९. पॅट्रिसियो-व्हॅलेरियो, एल. एक्सप्लोरिंग हिमावरी-८ ऑब्झर्व्हेशन्स फॉर द अॅडव्हान्स्ड कोस्टल मॉनिटरिंग ऑफ द ग्रेट बॅरियर रीफ. पीएच.डी. थीसिस, जेम्स कुक युनिव्हर्सिटी, टाउन्सविले, ऑस्ट्रेलिया, २०२१. [क्रॉसरेफ] ४०. फेल, एफ.; फिशर, जे. मॅट्रिक्स-ऑपरेटर पद्धतीचा वापर करून वातावरण-महासागर प्रणालीमध्ये प्रकाश क्षेत्राचे संख्यात्मक अनुकरण. जे. क्वांट. स्पेक्ट्रोस्क. रेडिएट. ट्रान्सफ. २००१, ६९, ३५१३८८. [क्रॉसरेफ] ४१. फिशर, जे.; ग्रासल, एच. वातावरण-महासागर प्रणालीमध्ये रेडिएटिव्ह ट्रान्सफर: एक अझिमुथली अवलंबित मॅट्रिक्स-ऑपरेटर दृष्टिकोन. अॅपल. ऑप्ट. १९८४, २३, १०३२१०३९. [क्रॉसरेफ] ४२. सँटर, आर.; झागोल्स्की, एफ.; डिलिगेर्ड, ई. मेरिस व्हिकारियस कॅलिब्रेशनसाठी रेडिएटिव्ह ट्रान्सफर कोड तुलना. इन प्रोसिडिंग्ज ऑफ द ENVISAT व्हॅलिडेशन वर्कशॉप, ESRIN, फ्रास्कॅटी, इटली, ९१३ डिसेंबर २००२.
४३. मानक वातावरणाच्या विस्ताराबाबत समिती. यूएस मानक वातावरण; नासा: वॉशिंग्टन, डीसी, यूएसए, १९७६. ४४. होल्बेन, बीएन; एक, टीएफ; स्लटस्कर, आय.; टॅनरे, डी.; बुइस, जेपी; सेट्झर, ए.; व्हर्मोट, ई.; रेगन, जेए; कॉफमन, वायजे; नाकाजिमा, टी.; इत्यादी.
एरोनेट - एरोसोल कॅरेक्टरायझेशनसाठी एक संघटित इन्स्ट्रुमेंट नेटवर्क आणि डेटा आर्काइव्ह. रिमोट सेन्स. एन्व्हायर्न. १९९८, ६६, ११६. [क्रॉसरेफ] ४५. एरोनेट. एरोसोल रोबोटिक नेटवर्क. ऑनलाइन उपलब्ध: https://aeronet.gsfc.nasa.gov/cgi-bin/data_display_aod_v1998?site= Lucinda&nachal=66&level=1&place_code=16 (३ ऑक्टोबर २०१७ रोजी प्रवेश केला).
रिमोट सेन्सर २०२२, १४, ३५०३
21 पैकी 23
४६. आंगस्ट्रॉम, ए. वातावरणातील गढूळपणाचे पॅरामीटर्स. टेलस १९६४, १६, ६४७५. [क्रॉसरेफ] ४७. रोथमन, एलएस; बार्बे, ए.; क्रिस बेनर, डी.; ब्राउन, एलआर; कॅमी-पियरेट, सी.; कार्लीर, एमआर; चान्स, के.; क्लेरबॉक्स, सी.; दाना, व्ही.; देवी,
VM; इत्यादी. HITRAN आण्विक स्पेक्ट्रोस्कोपिक डेटाबेस: २००१ पर्यंतच्या अद्यतनांसह २००० ची आवृत्ती. जे. क्वांट. स्पेक्ट्रोस्क. रेडिएट. ट्रान्सफ. २००३, ८२, ५४४. [क्रॉसरेफ] ४८. बेनार्ट्झ, आर.; फिशर, जे. जवळच्या इन्फ्रारेडमध्ये अरुंद बँड वॉटर वाष्प आणि ऑक्सिजन शोषण अंदाजांवर लागू केलेला एक सुधारित के-वितरण दृष्टिकोन. जे. क्वांट. स्पेक्ट्रोस्क. रेडिएट. ट्रान्सफ. २०००, ६६, ५३९५५३. [क्रॉसरेफ] ४९. झांग, टी.; फेल, एफ.; लिऊ, झेडएस; प्रेस्कर, आर.; फिशर, जे.; हे, एमएक्स केस I पाण्यात महासागराच्या रंगापासून रंगद्रव्य पुनर्प्राप्तीसाठी कृत्रिम न्यूरल नेटवर्क तंत्रांच्या कामगिरीचे मूल्यांकन करणे. जे. जिओफिज. रेस. ओशन. २००३, १०८, ३२८६. [क्रॉसरेफ] ५०. पोप, आरएम; फ्राय, ईएस शुद्ध पाण्याचे अवशोषण स्पेक्ट्रम (३८०७०० एनएम). II. पोकळी मोजमापांचे एकत्रीकरण. अॅपल. ऑप्ट. १९९७, ३६, ८७१०८७२३. [क्रॉसरेफ] ५१. हेल, जीएम; क्वेरी, एमआर २००-एनएम ते २००-मायक्रोमीटर तरंगलांबी प्रदेशातील पाण्याचे ऑप्टिकल स्थिरांक. अॅपल. ऑप्ट. १९७३, १२, ५५५५६३. [क्रॉसरेफ] ५२. ब्रिकॉड, ए.; मोरेल, ए.; बॅबिन, एम.; अल्लाली, के.; क्लॉस्ट्रे, एच. महासागरीय (केस १) पाण्यात क्लोरोफिल एकाग्रतेसह निलंबित कणांद्वारे प्रकाश शोषणाचे फरक: जैव-ऑप्टिकल मॉडेल्ससाठी विश्लेषण आणि परिणाम. जे. जिओफिज. रेस. महासागर. १९९८, १०३, ३१०३३३१०४४. [क्रॉसरेफ] ५३. बाबिन, एम.; स्ट्रॅमस्की, डी.; फेरारी, जीएम; क्लॉस्ट्रे, एच.; ब्रिकॉड, ए.; ओबोलेन्स्की, जी.; होपफनर, एन. युरोपभोवतीच्या किनारी पाण्यात फायटोप्लँक्टन, नॉन-अल्गल कण आणि विरघळलेल्या सेंद्रिय पदार्थांच्या प्रकाश शोषण गुणांकांमधील फरक. जे. जिओफिज. रेस. ओशन. २००३, १०८, ३२११. [क्रॉसरेफ] ५४. मोरेल, ए. शुद्ध पाण्याचे आणि शुद्ध समुद्राच्या पाण्याचे ऑप्टिकल गुणधर्म. समुद्रशास्त्राच्या ऑप्टिकल पैलूंमध्ये; निल्सन, जेएस, एड.; अकादमिक प्रेस: केंब्रिज, एमए, यूएसए, १९७४; पृ. १२४. ५५. बाबिन, एम.; मोरेल, ए.; फोर्नियर-सिस्रे, व्ही.; फेल, एफ.; स्ट्रॅमस्की, डी. कणांच्या वस्तुमानाच्या एकाग्रतेशी संबंधित किनारी आणि खुल्या महासागराच्या पाण्यात सागरी कणांचे प्रकाश विखुरण्याचे गुणधर्म. लिमनॉल. ओशनोग्र. २००३, ४८, ८४३८५९. [क्रॉसरेफ] ५६. झांग, टी.; फेल, एफ.; फिशर, जे. केस-२ पाण्यात सागरी कणांचे बॅकस्कॅटरिंग रेशो मॉडेलिंग. प्रोसिडिंग्ज ऑफ द ओशन ऑप्टिक्स XVI, सांता फे, एमएन, यूएसए, १८२२ नोव्हेंबर २००२ मध्ये. ५७. मिन्स्की, एम.; पेपरेट, एसए परसेप्ट्रॉन: एन इंट्रोडक्शन टू कॉम्प्युटेशनल जिओमेट्री; एमआयटी प्रेस: केंब्रिज, एमए, यूएसए, १९६९. ५८. माल्टहाऊस, ईसी जेनेरिक न्यूरल नेटवर्क्ससह केलेल्या नॉनलाइनर पीसीएच्या मर्यादा. आयईईई ट्रान्स. न्यूरल नेटवर्क. १९९८, ९, १६५१७३. [क्रॉसरेफ] [पबमेड] ५९. लिऊ, डीसी; नोसेडल, जे. मोठ्या प्रमाणात ऑप्टिमायझेशनसाठी मर्यादित मेमरी BFGS पद्धतीवर. गणित. कार्यक्रम. १९८९, ४५, ५०३५२८. [क्रॉसरेफ] ६०. जपान हवामानशास्त्र संस्था. इव्हेंट लॉग: हिमावरी-८ AHI संवेदनशीलता ट्रेंड दुरुस्त करण्यासाठी वापरल्या जाणाऱ्या कॅलिब्रेशन माहितीचे अपडेट; हवामानशास्त्रीय उपग्रह केंद्र: कियोसे, जपान, २०१९. ऑनलाइन उपलब्ध: https://www.data.jma.go.jp/mscweb/en/oper/eventlog/ Update_of_Calibration_Information_2019.pdf (२० सप्टेंबर २०२१ रोजी प्रवेश केला). ६१. कुरुच्झ, आर. द सोलर स्पेक्ट्रम: अॅटलासेस अँड लाइन आयडेंटिफिकेशन्स. इन प्रोसिडिंग्ज ऑफ द लॅबोरेटरी अँड अॅस्ट्रॉनॉमिकल हाय रिझोल्यूशन स्पेक्ट्रा, ब्रुसेल्स, बेल्जियम, २९ ऑगस्ट २ सप्टेंबर १९९५; पृष्ठ १७. ६२. हवामानशास्त्रीय उपग्रह केंद्र. जीएसआयसीएस हिमावरी-८ दृश्यमान आणि जवळ-इन्फ्रारेड व्हिकॅरियस कॅलिब्रेशन मार्गदर्शक. ऑनलाइन उपलब्ध: https://www.data.jma.go.jp/mscweb/data/monitoring/gsics/vis/techinfo_visvical.html (१० मे २०२२ रोजी प्रवेश केला). ६३. जपान हवामानशास्त्र संस्था. इव्हेंट लॉग: हिमावरी-८ निरीक्षण डेटा गुणवत्तेत सुधारणा; इव्हेंट लॉग हवामानशास्त्र उपग्रह केंद्र: कियोसे, जपान, २०१७. ऑनलाइन उपलब्ध: https://www.data.jma.go.jp/mscweb/en/oper/eventlog/Improvement_of_ Himawari-8_data_quality.pdf (२० सप्टेंबर २०२१ रोजी प्रवेश केला). ६४. किन, वाय.; स्टीव्हन, एडीएल; श्रोडर, टी.; मॅकविकार, टीआर; हुआंग, जे.; कोप, एम.; झोउ, एस. ऑस्ट्रेलियन प्रदेशातील क्लाउड कव्हर: प्रगत हिमावरी इमेजरसाठी क्लाउड मास्किंग, वर्गीकरण आणि ऑप्टिकल डेप्थ रिट्रीव्हल अल्गोरिथमचा विकास आणि प्रमाणीकरण. फ्रंट. पर्यावरण. विज्ञान. २०१९, ७, २०. [क्रॉसरेफ] ६५. ग्रेट बॅरियर रीफ मरीन पार्क अथॉरिटी. ग्रेट बॅरियर रीफ (GBR) वैशिष्ट्ये (रीफ सीमा, QLD मुख्य भूभाग, बेटे, केज, खडक आणि कोरडे रीफ) (GBRMPA) (आवृत्ती 20) [डेटासेट] 2021DB64-FD2019-7E-20F-65C1.4ADE2164B. 88. ऑनलाइन उपलब्ध: http://www.gbrmpa.gov.au/geoportal/catalog/search/resource/details.page?uuid=%79B449AB920-B61B-37-634B1998E7AF41%3629D (१४ मे २०२२ रोजी प्रवेश केला). ६६. एमेसेन, ई.; कारा, जी.; एर्डोगमस, एफ.; गार्डाशोव्ह, आर. भूस्थिर उपग्रहांच्या निरीक्षणाद्वारे महासागराच्या पृष्ठभागावरील संगलिंट स्थानांचे निर्धारण. TAO टेर. अॅटमॉस. महासागर. विज्ञान. २००६, १७, २५३. [क्रॉसरेफ] ६७. राष्ट्रीय महासागरीय आणि वातावरणीय प्रशासन. SBUV/41 आणि TOVS (TOAST) वापरून एकूण ओझोन विश्लेषण. ऑनलाइन उपलब्ध: https://www.ospo.noaa.gov/Products/atmosphere/toast/index.html (१ डिसेंबर २०२० रोजी प्रवेश केला). ६८. किस्टलर, आर.; कालने, ई.; कॉलिन्स, डब्ल्यू.; साहा, एस.; व्हाइट, जी.; वूलन, जे.; चेलिया, एम.; एबिसुझाकी, डब्ल्यू.; कौस्की, व्ही. द एनसीईपीएनसीएआर ५०-वर्षीय पुनर्विश्लेषण: मासिक साधन सीडी-रॉम आणि दस्तऐवजीकरण. बुल. एम. उल्कापिंड. समाज. २००१, ८२, २४७२६८. [क्रॉसरेफ] ६९. कानामित्सु, एम.; एबिसुझाकी, डब्ल्यू.; वूलेन, जे.; यांग, एस.-के.; ह्निलो, जेजे; फिओरिनो, एम.; पॉटर, जीएल एनसीईपीडीओई एएमआयपी-II पुनर्विश्लेषण (आर-२). बुल. एम. मेटेरॉल. सोस. २००२, ८३, १६३११६४४. [क्रॉसरेफ] ७०. कालने, ई.; कनामित्सु, एम.; किस्टलर, आर.; कॉलिन्स, डब्ल्यू.; डीव्हन, डी.; गॅंडिन, एल.; इरेडेल, एम.; साहा, एस.; व्हाइट, जी.; वूलेन, जे. द एनसीईपी/एनसीएआर ४०-वर्षीय पुनर्विश्लेषण प्रकल्प. बुल. एम. मेटेरॉल. सोस. १९९६, ७७, ४३७४७२. [क्रॉसरेफ] ७१. राष्ट्रीय महासागरीय आणि वातावरणीय प्रशासन. एनसीईपी पुनर्विश्लेषण २ हवामानशास्त्रीय डेटा. ऑनलाइन उपलब्ध: https://psl.noaa. gov/data/gridded/data.ncep.reanalysis4746.html (१ डिसेंबर २०२० रोजी अॅक्सेस केलेले).
रिमोट सेन्सर २०२२, १४, ३५०३
22 पैकी 23
७२. एकात्मिक सागरी निरीक्षण प्रणाली. ऑस्ट्रेलियन वॉटर्सचा आयएमओएस ओशन कलर बायो ऑप्टिकल डेटाबेस (एसआरएस-ओसी-बीओडीबीएडब्ल्यू). २०११. ऑनलाइन उपलब्ध: https://researchdata.edu.au/imos-srs-ocean-australian-waters (२० फेब्रुवारी २०१७ रोजी प्रवेश केला).
७३. ग्रेट बॅरियर रीफ मरीन पार्क अथॉरिटी. मरीन मॉनिटरिंग प्रोग्राम क्वालिटी अॅश्युरन्स अँड क्वालिटी कंट्रोल मॅन्युअल २०१७२०१८; ग्रेट बॅरियर रीफ मरीन पार्क अथॉरिटी: टाउन्सविले, ऑस्ट्रेलिया, २०१९. ऑनलाइन उपलब्ध: http://elibrary.gbrmpa.gov.au/jspui/ handle/73/2017 (१५ मे २०१८ रोजी प्रवेश केला).
७४. सोजा-वोझ्नियाक, एम.; बेयर्ड, एम.; श्रोडर, टी.; किन, वाय.; क्लेमेंटसन, एल.; बेकर, बी.; बोअडल, डी.; ब्रँडो, व्ही.; स्टीवन, एडीएल पार्टिक्युलेट बॅकस्कॅटरिंग रेशो अॅज एन इंडिकेटर ऑफ चेंजिंग कण रचना इन कणकण जल: निरीक्षणे फ्रॉम ग्रेट बॅरियर रीफ वॉटर्स. जे. जिओफिज. रेस. ओशन. २०१९, १२४, ५४८५५५०२. [क्रॉसरेफ] ७५. बुल्गारेली, बी.; झिबोर्डी, जी. सीवाईएफएस, मोडिस-ए, मेरिस, ओएलसीआय, ओएलआय आणि एमएसआय द्वारे मध्य-अक्षांश किनारी वातावरणातील महासागराच्या रंग रिमोट सेन्सिंगमध्ये संलग्नतेच्या प्रभावांच्या शोधण्यावर. रिमोट सेन्स. पर्यावरण. २०१८, २०९, ४२३४३८. [क्रॉसरेफ] ७६. श्रोडर, टी.; लव्हेल, जे.; राजा, ई.; क्लेमेंटसन, एल.; स्कॉट, आर. IMOS ओशन कलर व्हॅलिडेशन रिपोर्ट 74-2019, रिपोर्ट टू द इंटिग्रेटेड मरीन ऑब्झर्व्हिंग सिस्टम (IMOS); CSIRO महासागर आणि वातावरण: ब्रिस्बेन, ऑस्ट्रेलिया, 124; p 5485.
७७. किंग, ई.; श्रोडर, टी.; ब्रँडो, व्ही.; सुबेर, के. ग्रेट बॅरियर रीफ मरीन वॉटर क्वालिटीच्या सॅटेलाइट मॉनिटरिंगसाठी एक प्री-ऑपरेशनल सिस्टम. इन वेल्थ फ्रॉम ओशन्स फ्लॅगशिप रिपोर्ट; सीएसआयआरओ वेल्थ फ्रॉम ओशन्स फ्लॅगशिप: होबार्ट, ऑस्ट्रेलिया, २०१४. [क्रॉसरेफ] ७८. जपान मेटेरोलॉजिकल एजन्सी. इव्हेंट लॉग: हिमावरी-८ ऑब्झर्वेशन डेटाची गुणवत्ता सुधारणा; मेटेरोलॉजिकल सॅटेलाइट सेंटर: कियोसे, जपान, २०१६. ऑनलाइन उपलब्ध: https://www.data.jma.go.jp/mscweb/en/oper/eventlog/20161117_Quality_ improvement_of_Himawari-8_observation_data.pdf (२० सप्टेंबर २०२१ रोजी अॅक्सेस केलेले).
७९. जपान एरोस्पेस एक्सप्लोरेशन एजन्सी. JAXA हिमावरी मॉनिटर पी-ट्री सिस्टम. ऑनलाइन उपलब्ध: https://www.eorc.jaxa.jp/ ptree/index.html (१४ मे २०२२ रोजी प्रवेश केला).
८०. हू, सी.; फेंग, एल.; ली, झेड.; डेव्हिस, सीओ; मॅनिनो, ए.; मॅकक्लेन, सीआर; फ्रांझ, बीए उपग्रह महासागर रंग सेन्सर्सची गतिमान श्रेणी आणि संवेदनशीलता आवश्यकता: भूतकाळातून शिकणे. अॅपल. ऑप्ट. २०१२, ५१, ६०४५६०६२. [क्रॉसरेफ] ८१. टॅंग, डब्ल्यू.; लॉर्ट, जे.; वीस, जे.; पेरॉन, एमएमजी; बासार्ट, एस.; ली, झेड.; सत्येंद्रनाथ, एस.; जॅक्सन, टी.; सॅन्झ रॉड्रिग्ज, ई.; प्रोएम्से, बीसी; इत्यादी. २०१९-२०२० च्या ऑस्ट्रेलियन जंगलातील आगीमुळे व्यापक फायटोप्लँक्टन फुलले. निसर्ग २०२१, ५९७, ३७०३७५. [क्रॉसरेफ] [पबमेड] ८२. ग्रेट बॅरियर रीफ मरीन पार्क अथॉरिटी. ग्रेट बॅरियर रीफ मरीन पार्कसाठी पाण्याची गुणवत्ता मार्गदर्शक तत्त्वे; १९२१६८२२९९; ग्रेट बॅरियर रीफ मरीन पार्क अथॉरिटी: टाउन्सविले, ऑस्ट्रेलिया, २०१०. ऑनलाइन उपलब्ध: https://elibrary.gbrmpa.gov.au/jspui/handle/80/ ४३२ (२० ऑगस्ट २०१९ रोजी अॅक्सेस केलेले).
८३. ब्रॉडी, जे.; ग्रेच, ए.; प्रेसी, बी.; डे, जे.; डेल, ए.; मॉरिसन, टी.; वेंगर, ए. ग्रेट बॅरियर रीफचे भविष्य: पाण्याच्या गुणवत्तेचे अनिवार्य. कोस्ट्स आणि एस्टुअरीजमध्ये; वोलान्स्की, ई., डे, जेडब्ल्यू, इलियट, एम., रामचंद्रन, आर., एड्स.; एल्सेव्हियर: अॅमस्टरडॅम, द नेदरलँड्स, २०१९; पृ. ४७७४९९. [क्रॉसरेफ] ८४. हिएरोनिमी, एम.; मुलर, डी.; डोअरफर, आर. द ओएलसीआय न्यूरल नेटवर्क स्वॉर्म (ओएनएनएस): ओपन ओशन अँड कोस्टल वॉटरसाठी एक बायो-जिओ-ऑप्टिकल अल्गोरिथम. फ्रंट. मार्च सायन्स २०१७, ४, १४०. [क्रॉसरेफ] ८५. डोनलॉन, सी. सेंटिनेल-३ मिशन रिक्वायरमेंट्स ट्रेसेबिलिटी डॉक्युमेंट (एमआरटीडी); युरोपियन स्पेस एजन्सी (ESA)–ESTEC: नूर्डविज्क, द नेदरलँड्स, २०११; पृष्ठ २३४. ऑनलाइन उपलब्ध: https://sentinels.copernicus.eu/documents/83/2019/Sentinel-477-MissionRequirements-Traceability (११ ऑक्टोबर २०१८ रोजी प्रवेश केला).
86. Doerffer, R. MERIS जल उत्पादनांच्या प्रमाणीकरणासाठी प्रोटोकॉल; ESA प्रकाशन PO-TN-MEL-GS-0043 GKSS; Forschungszentrum: Geesthacht, जर्मनी, 2002; पृष्ठ 1.
८७. क्वीन्सलँड सरकार. वॉटर मॉनिटरिंग इन्फॉर्मेशन पोर्टल (WMIP). ऑनलाइन उपलब्ध: https://water-monitoring.information. qld.gov.au/ (३० मार्च २०२१ रोजी अॅक्सेस केलेले).
८८. वोलान्स्की, ई.; स्पॅग्नोल, एस. ग्रेट बॅरियर रीफमधील चिकट पाणी. मुहान. किनारा. शेल्फ साय. २०००, ५०, २७३२. [क्रॉसरेफ] ८९. पिकार्ड, जीएल; डोंगुय, जे.-आर.; हेनिन, सी.; रूगेरी, एफ. ए रेview ग्रेट बॅरियर रीफ आणि वेस्टर्न कोरलच्या भौतिक समुद्रशास्त्राचा
समुद्र; ऑस्ट्रेलियन सरकारी प्रकाशन सेवा: कॅनबेरा, ऑस्ट्रेलिया, १९७७. ९०. फेंग, डी.; हॉजेस, बीआर; सोकोलोफस्की, एसए; थिंग, केएम ऑपरेशनल ऑइल स्पिल मॉडेल्समध्ये एका अरुंद चॅनेल इनलेटवर भरती ओहोटी. मार्च.
पोलट. बुल. २०१९, १४०, ३७४३८७. [क्रॉसरेफ] [पबमेड] ९१. डी'थ, जीए; फॅब्रिशियस, केके ग्रेट बॅरियर रीफची पाण्याची गुणवत्ता: वितरण, रीफ बायोटावरील परिणाम आणि ट्रिगर मूल्ये
इकोसिस्टम हेल्थचे संरक्षण; ग्रेट बॅरियर रीफ मरीन पार्क अथॉरिटी कॉमनवेल्थ ऑफ ऑस्ट्रेलिया आणि ऑस्ट्रेलियन इन्स्टिट्यूट ऑफ मरीन सायन्स: टाउन्सविले, ऑस्ट्रेलिया, २००८; पृष्ठ १०४. ९२. थॉमसन, आरई; वोलान्स्की, ईजे रेन बेटाच्या प्रवेशद्वारातील भरतीचा कालावधी ग्रेट बॅरियर रीफ. जे. मार्च. रेस. १९८४, ४२, ७८७८०८. [क्रॉसरेफ] ९३. वोलान्स्की, ई.; ड्रू, ई.; एबेल, केएम; ओ'ब्रायन, जे. भरतीचे जेट्स, पोषक तत्वांचा उपसर्ग आणि रिबन रीफ्समधील अल्गा हॅलिमेडाच्या उत्पादकतेवर त्यांचा प्रभाव, ग्रेट बॅरियर रीफ. एस्टुअर. कोस्ट. शेल्फ साय. १९८८, २६, १६९२०१. [क्रॉसरेफ] ९४. मार्मोरिनो, जीओ; स्मिथ, जीबी; मिलर, डब्ल्यूडी उथळ भरतीच्या समुद्रात पृष्ठभागाच्या शैवालच्या वेळेच्या अंतराने उपग्रह प्रतिमांवरून अनुमानित टर्ब्युलेन्स वैशिष्ट्ये. चालू आहे. शेल्फ रा. 2008, 104, 92. [क्रॉसरेफ] 1984. डेलँडमीटर, पी.; लॅम्ब्रेचट्स, जे.; मार्मोरिनो, GO; लेगट, व्ही.; वोलान्स्की, ई.; रीमाकल, जे.-एफ.; चेन, डब्ल्यू.; Deleersnijder, E. सबमेसोस्केल टायडल एडीज इन द वेक ऑफ प्रवाळ बेटे आणि खडक: उपग्रह डेटा आणि संख्यात्मक मॉडेलिंग. महासागर. Dyn. 42, 787, 808. [क्रॉसरेफ] 93. ली, जी.; तो, वाई.; लिऊ, जी.; झांग, वाई.; हु, सी.; पेरी, डब्ल्यू. कोस्टल प्रदेशात सबमेसोस्केल एडीजचे मल्टी-सेन्सर निरीक्षण. रिमोट सेन्स. 1988, 26, 169. [क्रॉसरेफ]
रिमोट सेन्सर २०२२, १४, ३५०३
23 पैकी 23
९७. आयओसीसीजी. भविष्यातील महासागर-रंग संवेदकांसाठी मिशन आवश्यकता; आंतरराष्ट्रीय महासागर-रंग समन्वय गटाचे अहवाल (आयओसीसीजी) अहवाल क्रमांक १३; मॅकक्लेन, सी., मेस्टर, जी., एड्स.; आयओसीसीजी: डार्टमाउथ, एनएस, कॅनडा, २०१२. ऑनलाइन उपलब्ध: http: //ioccg.org/wp-content/uploads/२०१५/१०/ioccg-report-2015.pdf (२० सप्टेंबर २०१५ रोजी अॅक्सेस केलेले).
98. Neukermans, G.; रुडिक, के.; बर्नार्ड, ई.; रेमन, डी.; नेचड, बी.; Deschamps, P.-Y. भूस्थिर उपग्रहांमधून एकूण निलंबित पदार्थांचे मॅपिंग: दक्षिण उत्तर समुद्रात SEVIRI सोबत एक व्यवहार्यता अभ्यास. ऑप्ट. एक्सप्रेस २००९, १७, १४०२९१४०५२. [क्रॉसरेफ] ९९. न्यूकरमन्स, जी.; रुडिक, के.; लोइसेल, एच.; रूज, पी. टर्बिडिटी मापन वापरून निलंबित कण पदार्थांच्या एकाग्रता मापनाचे ऑप्टिमायझेशन आणि गुणवत्ता नियंत्रण. लिमनॉल. ओशनोग्र. पद्धती २०१२, १०, १०१११०२३. [क्रॉसरेफ] १००. रॉटगर्स, आर.; हेमन, के.; क्रॅसेमन, एच. किनारी पाण्यातील निलंबित पदार्थांच्या सांद्रता: वैयक्तिक मापन अनिश्चिततेचे प्रमाण मोजण्यासाठी पद्धतशीर सुधारणा. एस्टुअर. कोस्ट. शेल्फ सायन्स. 2009, 17, 14029. [क्रॉसरेफ] 14052. टिलस्टोन, जी.; मूर, जी.; सोरेनसेन, के.; डोअरफर, आर.; Røttgers, R.; रुडिक, के.; पेस्टर्कamp, आर.; जॉर्गेनसेन, पी. उत्तर समुद्राच्या किनारी पाण्यात मेरिस क्लोरोफिल उत्पादनांचे प्रादेशिक प्रमाणीकरण. मेरिस आणि एएटीएसआर कॅलिब्रेशन आणि जिओफिजिकल व्हॅलिडेशन (ENVISAT MAVT-2003), फ्रास्कॅटी, इटली, २०२४ ऑक्टोबर २००२ वरील कार्यकारी बैठकीच्या कार्यवाहीत.
१०२. स्टॅव्हन, आरएच; रिक, एचजे; फाल्स्टर, एव्ही इग्निशन विश्लेषणात बदलत्या समुद्रातील मीठ धारणा आणि हायड्रेशनच्या पाण्यातील त्रुटी दुरुस्त करणे: मुहान आणि किनारी पाण्याच्या अभ्यासासाठी परिणाम. मुहान. कोस्ट. शेल्फ साय. २००९, ८१, ५७५५८२. [क्रॉसरेफ] १०३. ओकुयामा, ए.; ताकाहाशी, एम.; डेट, के.; होसाका, के.; मुराता, एच.; तबाटा, टी.; योशिनो, आर. दोन वर्षांच्या इन-ऑर्बिट डेटावर आधारित हिमावरी-८/एएचआय रेडिओमेट्रिक कॅलिब्रेशनचे प्रमाणीकरण. जे. मेटेरोल. सोस. जपान. सेर. II २०१८, ९६, ९११०९. [क्रॉसरेफ] १०४. जपान हवामानशास्त्र संस्था. इव्हेंट लॉग: हिमावरी-८ वर अंतराळयान घटना आणि कॅलिब्रेशनचे परिणाम प्रतिमा: स्ट्रिपिंग; हवामानशास्त्रीय उपग्रह केंद्र: कियोसे, जपान, २०२०. ऑनलाइन उपलब्ध: http://www.data.jma.go.jp/mscweb/en/oper/image_info.html#005 (२० सप्टेंबर २०२१ रोजी अॅक्सेस केलेले).
१०५. मोझेस, डब्ल्यूजे; बाउल्स, जेएच; लक्के, आरएल; कॉर्सन, एमआर केस II वॉटरमध्ये बायोफिजिकल पॅरामीटर अंदाजाच्या अचूकतेवर हायपरस्पेक्ट्रल सेन्सरमध्ये सिग्नल-टू-नॉईज रेशोचा प्रभाव. ऑप्ट. एक्सप्रेस २०१२, २०, ४३०९४३३०. [क्रॉसरेफ] १०६. अल्वारेझ-रोमेरो, जेजी; डेव्हलिन, एम.; टेक्सेरा दा सिल्वा, ई.; पेटस, सी.; बॅन, एनसी; प्रेसी, आरएल; कूल, जे.; रॉबर्ट्स, जेजे; सेर्डेरा-एस्ट्राडा, एस.; वेंगर, एएस; इत्यादी. रिमोट सेन्सिंग तंत्रांवर आधारित नदीच्या पूरग्रस्त भागांना किनारी सागरी परिसंस्थांचे मॉडेल एक्सपोजर करण्यासाठी एक नवीन दृष्टीकोन. जे. पर्यावरण. मॅनाग. २०१३, ११९, १९४२०७. [क्रॉसरेफ] १०७. पेटस, सी.; डेव्हलिन, एम.; थॉम्पसन, ए.; मॅकेन्झी, एल.; टेक्सेरा दा सिल्वा, ई.; कॉलियर, सी.; ट्रेसी, डी.; मार्टिन, के. ग्रेट बॅरियर रीफच्या नदीच्या पूरग्रस्त भागात कोरल रीफ्स आणि सीग्रास मेडोजच्या जमिनीवरून येणाऱ्या दूषित घटकांच्या संपर्काचा अंदाज लावणे: पर्यावरणीय डेटासह एक साधी उपग्रह जोखीम चौकट प्रमाणित करणे. रिमोट सेन्स. २०१६, ८, २१०. [क्रॉसरेफ] १०८. डेव्हलिन, एम.; श्रोडर, टी.; मॅककिन्ना, एल.; ब्रॉडी, जे.; ब्रँडो, व्ही.; डेकर, ए. इन सिटू आणि रिमोट सेन्सिंग निरीक्षणांवर आधारित ग्रेट बॅरियर रीफमधील पूरग्रस्त भागांचे निरीक्षण आणि मॅपिंग. जागतिक बदलांचे निरीक्षण करण्यासाठी पर्यावरणीय रिमोट सेन्सिंगमधील प्रगती; चांग, एन.-बी., एड.; पर्यावरणीय रिमोट सेन्सिंग आणि सिस्टम्स विश्लेषण; सीआरसी प्रेस: बोका रॅटन, एफएल, यूएसए, २०१२; पृ. १४७१९१. [क्रॉसरेफ] १०९. स्टीव्हन, एडी; बेयर्ड, एमई; ब्रिंकमन, आर.; कार, एनजे; कॉक्स, एसजे; हर्झफेल्ड, एम.; हॉज, जे.; जोन्स, ई.; किंग, ई.; मार्गवेलश्विली, एन.; इत्यादी. ईरीफ्स: ग्रेट बॅरियर रीफ व्यवस्थापित करण्यासाठी एक ऑपरेशनल माहिती प्रणाली. जे. ऑपर. ओशनोग्रा. २०१९, १२, एस१२एस२८. [क्रॉसरेफ]
कागदपत्रे / संसाधने
![]() |
एमडीपीआय मशीन लर्निंग अल्गोरिथम [pdf] वापरकर्ता मार्गदर्शक मशीन लर्निंग अल्गोरिथम, लर्निंग अल्गोरिथम, अल्गोरिथम |