내륙 및 연안 수역에서 Sentinel-2 (MSI) 및 Sentinel-3 (OLCI)로부터 엽록소-a의 매끄러운 수집: 기계 학습 접근법

다양한 수생 생태계에서의 엽록소-a (Chla)의 근표면 농도를 일관되게, 임무 간에 수집하는 것은 오랜 시간 동안 복잡한 작업이었습니다. 여기서는 내륙 및 연안 수역의 다양한 생물 광학 환경에 적용할 때 기존 알고리즘보다 성능이 뛰어난 기계 학습 모델인 Mixture Density Network (MDN)를 소개합니다. 이 모델은 co-located Chla 측정 데이터(n = 2943)와 Sentinel-2A/B 및 Sentinel-3A/B에서 다채널 장비(MSI) 및 해양 및 육지 색상 이미저(OLCI) 시뮬레이션을 위해 재샘플링된 현장 하이퍼스펙트럼 복사 계측 데이터를 사용하여 훈련 및 검증되었습니다. Chla가 0.2에서 1209 mg/m3에 이르고 평균 Chla가 21.7 mg/m3인 두 번째 세 가지 현장 데이터 세트를 통한 모델의 성능 평가 결과, Chla 수집에서 상당한 개선이 이루어졌음을 나타냅니다. MSI 및 OLCI 모두 전체 범위에서 평균 절대 로그 오차(MAE)와 로그 바이어스(Bias)가 40–60% 감소했으며, 제곱 평균 로그 오차(RMSLE)와 중앙 절대 백분율 오차(MAPE)는 최신 알고리즘에 비해 2배에서 3배 개선되었습니다. Sentinel-2A/B 및 -3A에 대한 독립적 Chla 매칭(n < 800)을 사용하여, MDN 모델이 SeaWiFS 데이터 분석 시스템(SeaDAS), POLYMER 및 ACOLITE를 통해 처리된 기록된 이미지에서 가장 정확한 제품을 제공함을 보여주었으나, 모델은 원격 감지 반사율 제품의 불확실성에 민감하다는 것이 밝혀졌습니다. 이 원고는 내륙 및 연안 수역에서 Chla 데이터 기록의 매끄러운 구축에 잠재적인 유용성을 가진 기계 학습 알고리즘에 대한 예비 연구로서 기능합니다. 즉, MSI 및 OLCI 데이터 처리를 위한 단일 알고리즘을 통해 조화롭고 비교 가능한 제품을 제공합니다. 모델 성능은 훈련 데이터의 전 세계 대표성을 향상시키고 물 기둥의 여러 광학적으로 활성 성분의 동시 수집 개선을 통해 기대됩니다.