神经网络检索在水成分应用于辐射传输模型模拟沿海水条件
博盖Hadjal
罗斯•帕特森1
大卫·麦基- 1斯特拉思克莱德大学物理系、格拉斯哥、联合王国
- 2北极和海洋生物学,生物科学教师,渔业和经济外的北极挪威大学Tromsø,挪威
估计海洋叶绿素(背影)使用彩色遥感(ocr)信号在沿海水域是困难的但由于存在两个其他成分改变光信号:有色溶解有机物(CDOM)和矿物悬浮沉积物(MSS)。人工神经网络(NNs)有能力处理信号的复杂性和潜在的解决问题的办法。这里NNs开发操作两个数据集复制MODIS Aqua乐队模拟使用Hydrolight 5.2。人工噪声添加到模拟信号来改善现实主义。两个数据集使用相同的范围在水成分的浓度,和不同类型的对数浓度分布。第一个使用高斯分布来模拟自然水环境样本。第二个使用一个平面分布和旨在允许勘探采样的影响极端高和低浓度的高斯分布。浓度分布结构的影响评估,未发现好处通过切换平面分布。正态分布性能更好,因为它减少了低浓度样品的数量相对难以解决对不同浓度的其他成分。在这个模拟的环境中得到有能力与出色的表现相比,实际估计的背影原位算法,除了低价值当其他成分主导沿海水域的光信号。CDOM和海量存储系统(MSS)中也可以预测使用得到很高的精度。发现同时检索这三个成分使用多任务学习(MTL)不提供任何优势单一参数检索。最后发现增加波段的数量一般提高神经网络的性能,虽然似乎∼8乐队以外的收益递减。它也表明,少数精心挑选乐队表演比相同大小的一组均匀分布带。这些结果提供有用的洞察未来NNs利用高光谱卫星传感器的性能和突出特定波段的好处。
1介绍
检索三个主要水成分的浓度、叶绿素(背影),有色溶解有机物(CDOM)和矿物悬浮沉积物(MSS)沿海地区从遥感是一项具有挑战性的任务,因为这些组分之间复杂的交互和相关的光信号。准确的估计这些选民理解物理之间的相互作用是至关重要的,在沿海水域生物学和人类的影响。众所周知,检索排名可能高估了好几个数量级(Darecki Stramski, 2004)在沿海水域使用不合适的算法。CDOM吸收光在可见的递减指数关系从紫外到红外(Bricaud et al ., 1981)。它影响光信号用于检索的背影在沿海水域和导致失败的排名算法(Darecki Stramski, 2004;Pitarch et al ., 2016)。海量存储系统(MSS)中相对容易从遥感算法(估计有良好的信心Nechad et al ., 2010;尼尔et al ., 2011)。然而,高泥沙浓度影响大气校正过程,转换信号测量卫星光谱仪大气层的顶端到水离开遥感反射率(Rrs0 +)大多数算法依赖。因此至关重要的能够作出准确的估计这三个参数的沿海水域,基于遥感信号条件下,能够在每一个从其他两个自由组成变化。
多层感知器(麦克洛克andPitts 1943;赫,1949;Rosenblatt 1958;Rumelhart et al ., 1985;Rumelhart et al ., 1986),这里称为神经网络(NNs),已经在过去的证明能力处理光信号在沿海环境的复杂性,使良好的检索不同的参数(Doerffer席勒,1994;Buckton et al ., 1999;总值et al ., 1999),潜在的候选人来说,从目前使用半解析或经验算法在复杂水域(如OC5,Gohin et al ., 2002)。吸收他们的潜在好处源于能力独立复杂的输入信息,建立统计最优关系表演返回相似或高于现有算法。不过,NNs通常需要大量的数据来支持培训和有限的可用性之间的晴空对位原位和遥感数据得到发展的限制因素。迄今为止大多数神经网络算法仍然有限的地区应用全球范围内或代表的条件下。通过辐射传输模型如Hydrolight 5.2,我们可以模拟遥感光场为各种光学成分组合,创造人工数据来测试不同的假设,从而克服数据可用性问题和生成一个机会建立神经网络的真正限制发展沿海水遥感。
Hydrolight需要知识的固有光学特性(IOPs、吸收、衰减和反向散射)能够模拟光光谱离开海洋表面。在这种情况下,我们需要能够与IOPs成分浓度使用bio-optical模型操作material-specific IOPs(然而)。相对较少的成套然而已经在文献中提出的。的数据集Bengil et al。(2016)光复杂水域的利古里亚海,包括两种情况1和情况2水类型(莫雷尔Prieur, 1977),提供所需的然而支持严格的光学变化相关的探索自由不同的背影,CDOM和海量存储系统(MSS)中浓度。通过模拟表面遥感反射信号的各种成分的组合,我们可以测试几个假说有关神经网络的发展。正在努力把现实的估计,光和光学测量噪声成分浓度为了更好地模拟现实世界的条件。Hydrolight模拟高光谱Rrs被用来生产13 MODIS Aqua乐队869 nm和用于本研究的大部分地区,以及用于研究高光谱数据的潜在未来海洋颜色任务如浮游生物、气溶胶、云、海洋生态系统(速度,戈尔曼et al ., 2019)。
第一个假说(H1)进行测试,得到能够提供准确的估计这三个光学跨广泛的组成成分浓度组合。这个假设设置对照组,如果一个特定的方法提高了性能,它必须超越这一假设设置。显然这是一个简单的测试,但必须考虑上下文中的真实世界数据抽样的极限。数据样本的分布在自然水域通常遵循对数正态分布,反映出倾向于采样极端场景极高和极低浓度的任何成分(鲈鱼比赛数据集,西格et al ., 2018)。NNs需要更多的数据比实证方法学习强劲,尤其是在信号包含复杂的非线性相互作用和依赖于其他因素,众多的海洋颜色(太阳角,使用时间窗口,分辨率等)。减少在低和高的数据量的数据分布将产生负面影响时神经网络开发应用于这样的沿海水域范围(Hadjal et al ., 2022)。第二个假设(H2)是训练一个均匀分布的“平”数据分布会产生更高质量的性能比是可能的变化范围从一个对数正态分布数据分布。如果发现是真的,这将引导未来的潜在好处原位抽样更仔细地努力尝试覆盖全系列的光学变化在沿海水域。
席勒和Doerffer (1994)首先提到的使用得到解决逆问题在海洋颜色(1994)。et al。(1999);席勒和Doerffer (1999)都提出NNs使估计的背影在分别使用Rrs作为输入情况1和情况2水域条件;Buckton et al。(1999)提出测试仪器噪声的影响300年演出通过神经网络在模拟比赛。假设H1包含测试的结合这三个不同的研究与辐射传输模拟比赛数据集和实际的现实的不确定性知识MODIS Aqua传感器。神经网络应用于真正的沿海数据时展示出了有前景的结果(D 'Alimonte Zibordi, 2003大规模图像(),返回一致的结构贾米特et al ., 2005)。神经网络算法特定于梅里传感器波段后来发达(Doerffer席勒,1994)。最近,类似的工作已经进行Sentinel-3传感器布罗克et al . (2016)。Hieronimyi et al。(2017)为13个不同的水类训练得到优化。类似的应用程序检索的背影在湖泊进行了使用NNs (Pahlevan et al ., 2020;雪et al ., 2021;曹et al ., 2022),得到也成功地检索到的其他变量,如光谱扩散衰减,Kd在开放和沿海水域(贾米特et al ., 2012);固有光学特性(loannou et al ., 2013);光合有效辐射(席勒,2006在同一时间()或多个变量施罗德et al ., 2007;风扇et al ., 2021)。
尽管得到实现的伟大成果,海洋颜色使用的社区运营产品仍然依靠经验或半分析算法来估计叶绿素(O ' reilly et al ., 1998;Gohin et al ., 2002;拉维妮et al ., 2021)。得到的局限性之一是可能overfit信号通过记忆训练的例子,而不是建立健壮的输入和目标之间的关系。这种类型的人工制品至少部分是由于数量有限的数据可以从海洋颜色相配的示例数据集只有几千最大的数据集文学,而单个MODIS Aqua图像可以包含多个数百万1公里2像素。存在多种技术,以避免过度拟合问题,包括多任务学习(MTL)。MTL NNs训练时同时产生多个相关目标,主要目标是改善性能,鲁棒性和减少过度拟合问题粗鲁的,2017最近的概述不同的技术)。光信号取样在沿海水域是一个很好的候选人评估MLT这三个成分导致光信号。田中et al。(2004)和Pahlevan et al。(2022)同时提出了检索的背影,CDOM基于NNs训练与模拟数据和海量存储系统(MSS)中。第三个假设(H3)是同时检索这三个成分使用MTL将执行比个人检索通过帮助限制神经网络建设。
迄今为止的大多数海洋颜色已经完成神经网络发展的背景下,从多光谱传感器数据。高光谱辐射计的车载卫星已经发射过去包括eo - 1和PROBA-1(2001),与他人添加额外的传感器ISS(国际空间站),包括海棠沿海海洋的高光谱成像仪专门在2009年(科森et al ., 20082020年)和翡翠的高光谱成像仪套件(Iwasaki et al ., 2011)。这种发展持续发射的棱镜(PRecursore IperSpettrale德拉Missione Applicativa,Loizzo et al ., 2018)在2019年和EnMap(环境映射和分析程序,Guanter et al ., 20152020年)。有一个明确的趋势未来海洋颜色任务配备高光谱传感器。然而,提高光谱分辨率是一个技术挑战,通常是通过妥协与其他任务参数。例如,所有上面提到的传感器具有较高的空间分辨率(30 - 100),附带的副作用降低时间分辨率(通常是一个图像的全地球每16天)和信号噪声比通常低于多光谱系统,减少对深海观测它们的有效性。这些因素大大减少它们的影响全球规模算法发展即使他们提供更高的光谱信息公开的内容和解释迄今没有高光谱遥感比赛数据集。进一步限制因素源于准确的大气校正的挑战高光谱传感器(易卜拉欣et al ., 2018)。第一个传感器实现全球规模和时间天桥要求,进度计划在不久的将来,由美国国家航空航天局发射。
为神经网络提供更多的相关信息应该通常导致改进的性能,所以它是合理的期望得到作用于高光谱数据应该执行比多光谱数据上操作。辐射传输模拟可以执行与高光谱分辨率,可以随后re-sampled分辨率多光谱,在这种情况下对应波段由MODIS使用。当然,潜在的高光谱数据包含一个元素的信息冗余,很可能有某种程度的相邻或附近的光谱波段之间的相关性。通过重采样模拟产生的高光谱反射率数据我们可以测试第四个假设(H4) NNs操作高光谱数据将执行比多光谱数据上操作。,直到有机会收集足够数量的比赛数据集的速度,唯一的方法来测试假设NNs将受益于高光谱数据的可用性是使用模拟数据。
2材料和方法
2.1 Hydrolight辐射传输模拟
在这项研究中使用的所有遥感反射率数据生成使用Ecolight 5.2, 5.2 Hydrolight软件包的一部分(红杉科学有限公司)。EcoLight 5.2被用于创建上面的模拟表面遥感反射率(Rrs0 +)光谱而不是Hydrolight主要是因为这种广泛的处理时间参与创建数据集:10000组成的组合与正常或平distrubiton数据集,使20000个独立的组合。每个20000组合的背影,CDOM和海量存储系统(MSS)中是独一无二的,成分变化互相自由(随机选择)。比较光的光谱与更精确的模型Hydrolight没有进行但预计将是非常相似的(Lefering et al ., 2016这项研究),满足要求。
模拟是建立统一的水柱,太阳天顶角的0°,零云层,风速9米−1,折射率为1.34,水的温度20°C和盐度的35个事业单位。注意,这里的表面反射率产品报告不包括太阳闪烁效应(Lw/ E年代)。光信号保存每5 nm从390纳米到895纳米。13 MODIS Aqua波段可见和红外光谱是由平均模拟高光谱信号利用NASA提供的全波段宽度(https://modis.gsfc.nasa.gov/about/specifications.php去年访问2022年3月26日)在412年,443年,469年,488,531,547,555,645,667,678,748,859,869 nm。两个数据集10000高光谱光光谱。定制Matlab脚本用于生成IOPs使用组成数据分布和bio-optical下面描述模型,与数据的形式呈现给Hydrolight模拟交流和BB仪器文件。
2.1.1组成数据分布
两组分浓度数据分布为了测试生成均匀分布的假设训练数据将导致NNs比那些训练有素的对数正态分布训练数据集(H2)。王晓初CDOM和海量存储系统(MSS)中创建以下两种不同的方法。这两种方法使用一个随机分布所有三个变量的值,并返回两个数据集10000年值。第一个数据集使用对数正态分布(LN)分布和十字架与限制了好几个数量级表1为每一个变量。这些分布在抽样的报道活动从自然水域常见(如;Babin et al ., 2003;Pahlevan et al ., 2022),可以观察到图1(a、b和c)。第二个数据集创建使用log-flat(低频)分布,应用对数间隔的时间间隔和LN相同,所示图1(d, e, f)。在中位数之间的正常和平坦的分布保持不变,有显著差异意味着每个分布类型的值。
表1。原位组分浓度范围。
图1。直方图每种组分的浓度用于辐射传输模型的应用程序。第一行显示的对数正态分布(一)的背影,(B)CDOM和(C)海量存储系统(MSS)中。第二行显示了日志的平面分布(D)的背影,(E)CDOM和(F)海量存储系统(MSS)中。
2.1.2 Bio-optical模型
为了模拟反射光谱的不同组合光学成分、辐射传输模拟需要允许选择bio-optical模型预测的IOPs成分浓度。Bengil et al。(2016)提出bio-optical模型采用的利古里亚海。提供了完整的细节Bengil et al。(2016)这里简要总结。王晓初CDOM和MSS样本收集和眼压概要文件在利古里亚海巡航活动中从13到2009年3月26日意大利西北海岸NR / V联盟。吸收和衰减资料收集与路径长25厘米AC-9九点(WetLabs Inc .)操作波段(10纳米的应用集中在412年,440年,488年,510年,532年,555年,650年、676年和715海里。AC-9校准使用超纯水(Milli-Q微孔)之前和巡航期间,与修正申请纯海水温度和盐度的依赖关系。吸收数据为散射修正错误使用比例校正法(Zaneveld et al ., 1994)反向散射配置文件收集使用WETLabs BB9在9波段操作集中在412年,440年,488年,510年,532年,595年,650年、676年和715海里。反向散射数据插值AC-9波长和测量修正根据BB-9手册(WETLabs Inc ., 2013)。看到Lefering et al。(2016)为更多的细节。溶解并暂停所有组件-水的吸收测量使用点源积分腔吸收计(PSICAM;Rottgers Doerffer, 2007;Rottgers et al ., 2005)。1米的液体波导毛细管细胞(LWCC)与一个海洋光学USB2000微型光谱仪被CDOM用来测量吸收。总颗粒吸收也使用定量测量滤板方法(法拉利和Tassan, 1999年)。样本直接放置在光学窗口前岛津制作所的uv - 2501电脑分光光度计。浮游植物吸收是由漂白样本,测量non-algal粒子的吸收,减去从总颗粒吸收。路径长度放大因子和散射偏移修正测定使用线性回归方法(麦基et al ., 2014;Lefering et al ., 2016)和相应的PSICAM微粒吸收数据。结果滤板修正随后被应用于漂白和原色滤板吸收光谱。
叶绿素浓度测定用标准的高效液相色谱法测量样品GF / F过滤器过滤,储存在液氮和运送到实验室供以后分析。背影是收集的数据来自管理部门同事的北海数学模型(沉默)。样品一式三份的高效液相色谱分析的海洋化学实验室使用反相菊花,acetone-based方法C18柱和Jasco fp - 1520荧光检测器。总悬浮物浓度(TSS)获得的来自沉默的同事通过pre-ashed过滤样品,冲洗和预先称量好的47毫米GF / F过滤器。样本与数整除的超纯水冲洗,照顾冲洗过滤器来减少盐的边缘保留。过滤器被储存冷冻,回到实验室,他们干和reweighed。所有样本以一式三份和最终值表示为平均水平。TSS在东北站数值分解为有机(OSS)和矿物(MSS)组件使用中概述的技术Bengil et al。(2016)。
34站之后可用质量控制(图2)。站被划分为在岸和离岸下标集,与深清楚案例1在西南部和浅水域清楚浑浊的情况2在东北部海域。图2表明,东北,陆地面积在一定程度上是受到阿诺河羽和一般显示更高的泥沙浓度在海岸附近。离岸数据集是在深,相对清水安装案例1定义的,因此并没有显著的海量存储系统(MSS)中。这是用来确定CHL-specific IOPs。这些CHL-specific IOPs被用来帮助分区在岸IOPs内的背影在海量存储系统(MSS)中以及颗粒分数,使矿产具体推导然而(吸收,散射和后向散射)。在这两个行业吸收CDOM直接测量。这种方法的进一步的细节中发现Lo Prejato et al。(2020)。
图2。重新分区的34原位站(显示为白色星星)期间收集的光和组分浓度在哪里显示的利古里亚巡航活动在2009年3月到8的真实颜色陆地卫星5号拍摄图像th2009年3月,。
然而光谱产生IOP测量跨越可见范围(400 - 715海里)。为了充分代表MODIS提供的波段范围,然而光谱被线性外推法扩展到895海里。图3显示了最终的然而光谱用于形成bio-optical模型用于Ecolight模拟。图4显示了遥感反射率光谱获得Ecolight模拟使用LN和低频成分分布。这些反射光谱与他们相关的输入组分浓度形成的基础训练和测试得到。
图3。然而光谱辐射传输模拟中使用:(一)特定的吸收光谱,(B)特定的散射光谱,(C)反向散射光谱。PH值代表浮游植物,BD生物碎屑,海量存储系统(MSS)中,矿物悬浮沉积物。
图4。Rrs光谱为(一)正常(LN)和日志(B)日志平(低频)组成分布。只有200 10000种组合的随机谱显示为每个分布。
2.1.3模拟辐射噪声和成分测量的不确定性
模拟模型输出数据本质上是无错的,不受噪声影响而真实的地球观测数据。在现实中,测量的不确定性将影响遥感反射信号和测量组分的浓度,这两种进入培训和测试得到。为了更好地模拟现实世界条件下,人工噪声添加到Rrs和神经网络训练之前组成数据。这不是有关神经网络的发展,帮助他们做出更现实的估计,如果应用到真正的辐射数据,但尝试尽可能接近真实的条件下使用模拟数据集。
梅林et al。(2016)评估噪音影响MODIS Aqua传感器数据,发现一个波长的依赖关系,用较短的波长返回高测量的不确定性。图5显示了错误估计5 MODIS Aqua乐队后他们的工作。注意,这些仅供随机噪声估计和基于分析1公里的空间分辨率乐队通常会有噪音低于500米和250米空间分辨率乐队,其中一些已被用于我们的得到。这里我们有内插梅林et al。(2016)结果使用幂律关系提供估计Rrs基于高光谱测量的不确定性。这些值提供的标准差为每个波长测量的不确定性,噪声是分配给每个波长的模拟Rrs使用一个随机正态分布操作这些预测标准差。
图5。MODIS Aqua谱随机误差(估计图3一在梅林et al ., 2016)及其高光谱插值。
成分浓度测量实地调查期间收集的活动很敏感错误有几个原因,包括错误相关的水样过滤、传感器标定,方法具体或人为错误等。估计相关的系统不确定性的背影抽样范围+ / - -10% (Claustre et al ., 2004)80%±标准差(Sørensen et al ., 2007;Tilstone et al ., 2012),根据抽样的方法和质量控制应用的程度。我们使用这些系统误差范围作为一个指南定义随机误差由于有限的信息在文献中对随机误差的背影样本。有更少的文献信息估计的不确定性在海量存储系统(MSS)中测量,所以我们认为错误的背影既将类似发现技术操作过滤样品。对CDOM,达尔'Olmo et al。(2017)分别发现吸收测量准确度和精密度的0.0004米−1和0.0025−1与独立的数据相比在440海里。一致性高斯随机错误的背影和海量存储系统(MSS)中应用到的标准偏差20%,被认为是与浓度成正比。不确定性对CDOM测定使用随机正态分布标准差为0.0025 m−1。我们应用噪声模型组成输出更好地代表现实的数据集。
2.2神经网络开发
在这项研究中,前馈神经网络的反向传播错误直到收敛了使用Matlab开发的培训功能。架构的三个隐藏层神经元和N在每一层都被选为每个网络,N是输入的数量。例如,N是13 NNs创建时使用13 MODIS Aqua-like乐队与数据集可用。选择三个隐藏层足以避免在装配问题,计算效率。修正线性单位激活函数是选择和错误使用MSE误差函数评估。光和组分浓度对数转换,然后正常训练,之前在0和1之间Dransfeld et al。(2006)。火车代表70%的可用数据,验证集和测试集15%,每个培训的所有随机选择。最后结果部分高光谱NN发达时,每层的神经元数选择是可用乐队的数量为每个实验。图6显示了一个神经网络的原理图。它包含四个输入,两个隐藏层的四个神经元(后输入如上所述)的数量,并且可以估计这三个成分同时,王晓初CDOM和海量存储系统(MSS)中,用于多任务学习。单一成分估计时,输出层只包含一个节点与所需的成分。
图6。用于多任务学习神经网络图。隐藏层总是包含一个神经元的数目等于输入的数量。输出层返回一个单一成分时MLT没有使用。b0, b1等单位代表了偏见。Rrs和选民日志转换前培训。
将神经网络性能评估的平均绝对误差(MAE)使用西格et al。(2018)公式,这是一个美应用于日志转换值模型和观测参数之前,应用程序,如情商所示。1在下面。例如,美1.3代表一个相对测量误差为30%。
神经网络发展的目的是提供足够的训练数据,让神经网络建立健壮的统计关系,使目标参数的准确预测潜在的复杂的输入数据。训练数据集的一部分用于训练网络,验证部分是用来阻止网络训练时停止改善(当梯度下降的幅度达到一个值低于107),测试是用来评估产生的神经网络的性能。图7显示了训练数据,验证和测试数据集的背影预测使用LN分布式数据集不包含输入噪声。这三个数据集显示非常相似的表现,和相同的观测是在分析的结果部分。这表明NNs并不过度拟合。避免显示同样重复图在结果部分,只有独立的测试集的结果将显示。
图7。的背影基于神经网络结果估计13 MODIS Q23处Aqua乐队,使用对数正态分布的数据没有增加噪音。(一)培训,(B)验证和(C)测试数据集。
3的结果
3.1神经网络检索的选民在光复杂水域(H1)
第一组实验的目的是测试假设NNs应该能够准确地检索单个组分浓度(王晓初CDOM和MSS)在广泛的光学水环境中发现沿海水域(H1)建模数据集。因此,本节中,神经网络训练产生单一成分。图8(a, b和c)显示了测试集获得的性能对于每个成分的浓度,为LN数据集,没有噪音。所有这三个成分可以预测这些理想化的条件下具有很高的表演,与美山谷接近和超过99%的数据下降在1:1线的两倍。添加随机噪声的现实估计反射率和组成数据集对神经网络性能有显著影响。图9(a, b和c)表明,检索的背影,CDOM和海量存储系统(MSS)中仍然是主要的成功,但有一个明显的增长数据为每个参数的传播,梅斯达到高达1.25的背影,虽然96%以上的数据仍然属于1:1线的两倍。
图8。神经网络结果使用日志正常(上面一行)或日志平(底部行)分布的数据没有添加噪声(原始模型输出):(A, D)的背影,(B, E)CDOM,(C、F)海量存储系统(MSS)中。
图9。神经网络结果使用日志正常(上面一行)或日志平(行)和添加噪声分布的数据:(A, D)的背影,(B, E)CDOM,(C、F)海量存储系统(MSS)中。
这些结果清楚地表明,得到有能力克服光学沿海水域的复杂性与自由的不同成分浓度组合。这也许是不足为奇的无噪声的数据,但是它是让人放心的,系统不包含噪音造成无可挽回的损害性能。因此,我们可以得出这样的结论:假设1 (H1)被证明是正确的就像以前观察到的文献中与其他数据集(Buckton et al ., 1999;席勒和Doerffer, 1994年;田中et al ., 2004;loannou et al ., 2013例如)。为这个假设开发的神经网络可以达到接近完美的估计由于缺乏的受控环境噪音和Hydrolight达到类似的结果席勒和Doerffer, 1999年,区别在于,低浓度略有难以估计。
3.2数据分布对神经网络性能的影响(H2)
3.1节中给出的结果是利用对数正态分布(LN)数据集的分布数据组织广泛复制数据集在文献中找到。在本节中,我们测试的假设(H2)神经网络性能会提高如果训练数据集更均匀分布,以更好地捕捉在高、低浓度都极端事件。首先,各自的完美的数据集上训练时,正常的平面分布产生良好的估计(图8),面板d, e和f显示神经网络性能使用log-flat(低频)数据分布。为低频数据集神经网络性能比为LN数据集通常稍差,梅斯略微增加对CDOM和海量存储系统(MSS)中,但更明显的背影(美= 1.11)。值得注意的是最大的恶化表现似乎背影值低。这有点奇怪的兴趣测试低频分布是专门解决的问题不太常见的场景在极端的浓度范围。也许是这样,但如果训练数据集的低浓度比例增加训练数据,有一个内在的问题试图估计的背影在非常低的浓度可能高浓度的其他成分。这可以归因于背影使一个微不足道的贡献在这些情况下光信号。
图9(d, e, f)显示包含噪声的影响到低频得到。发现以前LN数据集,引入现实测量不确定性负面影响神经网络性能这三个成分,背影比CDOM强烈影响和海量存储系统(MSS)中。在后一种情况下,虽然梅斯增加1.13和1.2,大约有99%的点仍然属于1:1线的2倍。相比之下,背影神经网络的性能显著恶化美为1.49分的分数下降2倍以内的1:1线下降到83%。的背影再次性能尤其是低浓度的影响,会出现测量引入的不确定性使得更难解决的小贡献的背影光信号。这种级别的背影检索接近发现与实际水平原位观察(Hadjal et al ., 2022;Pahlevan et al ., 2022)。检索CDOM和海量存储系统(MSS)中是相当健壮的在所有的情况下测试。这是令人吃惊的海量存储系统(MSS)中,曾被强劲甚至决定使用单红色波段(Nechad et al ., 2010;尼尔et al ., 2011)。
建立一个低频NN背后的理念是评估如果可以超越LN神经网络估算数据是有问题的,附近的边缘分布在训练数据的数量是有限的。进一步评估这个假设,我们应用一个交叉验证测试,LN的神经网络应用于平坦的数据集,以及低频神经网络应用于正常的数据集。对于这个特定的测试,整个数据集的输入数据是正常使用期间避免明显的正常化偏见的训练会导致失败在这两种情况下。结果显示在图10。板c礼物的结果应用LN NN的平坦的数据集,当电池板d f呈现的结果应用低频NN的正常数据集。两个神经网络返回贫穷在相反的数据集的表现相比原来的神经网络。LN NN (数字10 a - c所有成分)显示了美网的表演。同样,如果神经网络(数字10 d-f)显示的净减少了梅斯的背影,但非常接近CDOM的LN神经网络产生和海量存储系统(MSS)中。如果神经网络性能更好的平面分布(图9),比LN NN的影响要小得多。这主要是由于训练,包括更多的极端值,比神经网络更容易预测,没有访问它。
图10。(两者)为每个组成神经网络结果估计应用日志正常训练神经网络(LN NN)算法图9日志平分布式数据集(上面一行)。(D-F)日志平神经网络应用于对数正态分布的数据集。
中给出的结果图8,图9和图10反驳的假说(H2)更均匀分布数据集往往会提高神经网络性能。似乎与低频的分布式神经网络训练数据集更有弹性,产生更好的结果在这两个数据集的边缘,然而表演仍低于神经网络训练与这个特定类型的分布。尽管如此,在全方位的可变性的三个成分没有证据表明低频数据集生产性能优越。因此,似乎不太可能人为生产log-flat二次抽样现有数据集分布或针对抽样努力实现它在未来将导致任何改善性能。
3.3多任务学习:同时估计王晓初CDOM和MSS (H3)
多任务学习(MTL)是一种机器学习方法(卡鲁阿纳,1997),试图提高神经网络泛化能力的性能通过引人注目的网络学习如何估计多个,同时潜在的相关变量。有多个成功的报告应用程序从文学的不同领域(Collobert和韦斯顿,2008年;邓et al ., 2013;Girshick 2015;Ramsundar et al ., 2015)。为了测试的潜在好处MTL需要访问一组数据包含反射信号和所有三个光学重要组分浓度。另外需要足够大的数据集和代表适用于神经网络训练。不幸的是有公开相对较少原位同时记录数据,所有这些参数。这里,因为我们使用模拟数据集的基于用户定义的范围的成分浓度和一套完整的然而,我们有足够的灵活性来产生一个数据集,可以用来测试的假设MTL将改善成分浓度测定用NNs (H3)。
NNs发达在本节中,估计这三个成分浓度(王晓初CDOM和MSS)同时在输出层所示图6;图11显示了每个变量的性能达到LN和低频分布,在这两种情况下,包含了噪声。MTL的性能水平普遍比较单一参数检索(图9在所有情况下。没有证据表明MTL改进检索任何成分和CDOM的甚至有一些退化性能比单一参数检索。虽然我们不能排除这种可能性,MTL可能好处如果使用更复杂的神经网络结构或与真实世界的数据,在这一点上我们只能得出这样的结论:目前还没有证据支持这一假说(H3) MTL的背影,将改善神经网络检索CDOM和海量存储系统(MSS)中。
图11。结果估算的背影,CDOM和海量存储系统(MSS)中同时使用神经网络(每3层13神经元)和使用13 MODIS Aqua乐队作为输入(两者)日志正常和(D-F)日志平面分布。
3.4高光谱和多光谱神经网络性能的比较(H4)
最后一个实验提出了研究问题的评估潜在的高光谱反射率数据显著提高得到的性能在现有的多光谱能力(H4)。前面几节中给出的工作进行了使用13波段选择模仿MODIS的信号。102波段产生的Ecolight模拟。使用所有可用的波段计算昂贵,而且有充分的理由相信,这种方法将多余的由于相邻波段之间的冗余信息。相反,我们系统地探索增加乐队的数量的影响可用的网络。为了有条理,乐队选择使用甚至间距。例如,当两个乐队,乐队33 - 66(分别在550年和715 nm)选择在102。当使用三个乐队,乐队25、50和75。这种方法并不试图优化性能通过为每个子集选择表现最好的乐队,而是将数据以系统化的方式作用于一个假设,每个乐队都有类似的信息价值。这里1至20波段选择和产生发自LN和低频数据集进行测试,在所有情况下,包含了噪声。 Each NN is composed of three layers with the number of neurons per layer being equal to the number of wavebands used, and separate NNs being developed for each constituent (no MTL).
图12显示了美获得10神经网络训练1 - 20乐队从完整的等间距的高光谱信号。提高一致性对于每一个乐队组合,一个方法是使用(Hadjal et al ., 2022)。乐团由10为每个乐队组合创建的神经网络。每组10网络的输出平均(每个估计基于中值10值可用)。10的每个建筑都是独立的网络和训练不同的初始随机化和训练数据集。整个数据集的结果显示,不仅测试集进行之前的数据。的浅灰色区域变成球状虚线和实线表示中位数±1的标准差(std) 10网络为每个乐队的组合。显然有一个较高的性病使用少量的乐队时由于潜在的增加存在未能达成在神经网络训练收敛。它不影响值,这就是为什么它被选中的意思。MODIS Aqua示例显示为一个水平线±1性病。
图12。模仿绝对检索错误(一)的背影,(B)CDOM,(C)海量存储系统(MSS)中对不同波段的数量和不同的数据分布结构(日志正常和日志平)。平原和虚线:中值平均绝对误差为10所代表的神经网络使用指定数量的乐队用于创建一个等间隔算法。灰色区域表示中位数±标准差。绿色和红色十字架代表性能获得了13所示带MODIS Aqua NN图8以及相关的标准偏差。
正如预期的那样,有明显改善神经网络性能随着波段可用性,增加了网络的维度。改进是最重要的对于小数量的波段,然后在大多数情况下慢得多的一个地区达到改进后约7 - 10乐队。在所有情况下的MODIS Aqua NNs表现等间隔算法和等效建议谨慎选择特定波段的光谱区域可能稍微有利而均匀间隔的波段。进一步测试25 - 50等间距的波段(图中未显示)提供进一步提高神经网络性能(美低5%)。相同的测试使用61高光谱波段(实数的信息由MODIS Aqua-like乐队13日)返回类似表演MODIS Aqua NN(美1.5),但需要更多的计算时间的火车(10倍的时间)。分离H4性能变化归因于输入乐队的数量增加维度的网络,前面提到的乐队组合也测试一个固定的网络体系结构。复制一个固定大小的方法神经网络(3层13神经元)为每一个乐队组合的数量而不是使用输入的数量每层的神经元数也返回大致相同的表演,主要区别是略好估计使用一个5乐队时由于更高的可用的神经元数量,从而导致过度拟合问题。这些结果通常反驳假说(H4)更大的光谱分辨率的背影,将改善检索CDOM和MSS光复杂的沿海水域。这可能反映了水的光学特性与波长和反射率光谱相关成分变化缓慢只提供有限的光谱信息内容。仍有良好的动机获得进一步解决光谱分辨率在未来,这可能有助于处理特定藻类色素。 While we cannot demonstrate it due to the absence of real data, there is also scope for improving performances for light signals contaminated by other sources such as glint, haze, land adjacency effects, etc. due to their impact over different parts of the light spectrum hyperspectral sensors will have access to.
表2总结了不同指标为每个测试获得的。1:2之间的数据和比例2:1线没有处理高光谱实验。
表2。统计性能不同的实验。使用神经网络体系结构的大小显示13(3×13意味着三层神经元)。
4讨论
NNs提供的潜力提高光复杂的沿海水域的海洋颜色产品质量多年来已经证明(Buckton et al。(1999);Doerffer席勒,1994;Buckton et al。(1999);总值et al ., 1999)。海洋颜色高光谱传感器的出现真正的全球时空能力和负担得起的计算资源的可用性提供了进一步探索这种潜在增长动力。然而有限的数据可用性培训和测试得到该方法的发展是一个严重的障碍。我们开发了现实的辐射传输模拟为了生成训练数据集,跨度范围所需的组分浓度测试神经网络性能的变化中遇到沿海水域。这种造型方法允许我们测试的基本假设与沿海海洋色彩应用神经网络算法的发展。当然应该注意,我们bio-optical模型限制通过选择然而生成的从单一地区,不包括可变性与光学相关的不同的藻功能类型。
当应用于模拟数据用在这项研究中,神经网络显示能力准确检索的背影,CDOM海量存储系统(MSS)中,当这三个成分可以自由变化独立于彼此在浓度范围横跨几个数量级(H1)。实际测量不确定度的神经网络性能是影响夹杂物,但基本的结论是相同的,相对较小的神经网络架构能够处理光学中遇到复杂的水平沿海和大陆架海域。这些结果大致符合最近的研究Pahlevan et al。(2022)有了能力使用混合物密度网络检索所有三个成分。这里给出的模拟数据集可以有效地用于这类性质的测试方法和其他机器学习算法。同时NN返回几乎完美的结果与无噪声的模拟,他们的表现似乎是密切相关的不确定性原位训练数据。添加了20% (StdDev)噪声的背影和海量存储系统(MSS)中而不是光信号(图中未显示),梅斯接近1.2。与应用程序的噪声成分和Rrs信号(图9)美实现达到1.5排名与MODIS Aqua像神经网络检索,估计在低浓度下显示。当光信号上的错误影响选民以同样的方式检索,噪音CDOM测量由净值,这或许可以解释为什么估计更接近模型值(平均1.2的美)。神经网络的性能估计是直接相关的原位成分数据质量和可能是这里的主要限制因素。除了低价值的背影,CDOM和海量存储系统(MSS)中,神经网络显示成为优秀的估计成分的能力。
各种策略来提高神经网络性能已经发展了一个广泛的研究领域。讨论的更常见的方法之一是多任务学习(MTL)立即的兴趣海洋颜色在沿海水域遥感反射率信号本质上依赖于多个光学组成。确定成分浓度范围用于辐射传输模拟提供了一个机会系统地测试MTL的潜在价值。在这种情况下我们有明确的证据表明,同时检索所有三个光学成分不改进单一参数检索实际上可能会稍微减少整体性能(H2,图11)。对于纯粹的表现方法,MTL不应被视为,至少与模拟数据。然而,MTL还被用来帮助概括神经网络在其他领域,但是这个假设没有测试,因为我们依靠模拟沿海数据。
最常见的一种感知NNs(和其他机器学习方法)应该限制提供的训练数据集。虽然这确实是真理的一个因素,还应该认识到,如果一个训练数据集是真正代表当时环境还有好的余地神经网络能够为系统提供通用的预测能力。许多批评基于训练集的限制同样适用于经验和半解析算法。在所有情况下的数据集对算法开发的变幻莫测原位抽样的努力和云层对比赛的影响实现。在本文讨论的神经网络方法是首先使用一个开发原位数据集来预测排名(Hadjal et al ., 2022)。工作中标识的担忧之一是组装的数据分布的对数正态分布性质训练数据集,担心高和低浓度场景则较少。这里开发的模拟方法使我们比较的结果数据集与对数正态分布和log-flat组成分布。有些奇怪的是,似乎没有任何好处有更均匀间隔的训练数据集和事实上的背影检索的性能是平的低质量的数据集在浓度较低的情况下。似乎有一个基本的限制准确检索任何成分对反射信号变得无关紧要的话。自然有兴趣尝试检索的背影浓度在非常低的浓度,如被发现在贫瘠近海海域(年青男子et al ., 2015)。然而,在光的情况下复杂沿海水可能会更加困难,甚至不可能达到相同级别的背影检索在低浓度由于CDOM的干扰影响和海量存储系统(MSS)中,通常不在或在案例1水域发现在非常低的浓度。说,这些结果有助于说明正态分布时,类似于那些通常来自大型现场活动,有能力生产高质量的结果在全浓度范围的每个组成部分,并没有明显的优点在试图进一步操纵它们管理在整个数据集或未被充分代表。
高光谱的发展步伐任务带来了新的兴趣建立高光谱遥感的潜力,提高海洋颜色光学产品的质量复杂的沿海水域。这特别适用于NNs和其他机构用机器学习方法有潜在利用额外的信息内容来提高产品质量。这里我们有测试的假设得到训练模拟高光谱反射率数据将产生更好的质量估计的背影,CDOM比是可能的与多光谱数据和海量存储系统(MSS)中(H4)。结果提出了图11表明,事实上有一个神经网络的性能和实际限制,很少有进一步改善算法性能较高的波段。对于这个模型的数据集,得到不产生更好的结果一旦可见光和近红外光谱信号被分成大约10等间距的地区。应该注意的是,这些结果使用等间距的高光谱波段范围,显然是为进一步优化通过仔细选择特定的组合与高光谱数据波段的一种选择。的确,在所有情况下得到作用于MODIS Aqua波段组优于均匀间隔的高光谱数据,说明精心挑选的潜在好处波段子集。尽管如此,这些结果强烈表明,仅仅提高光谱分辨率并不会自动提高测定的背影,CDOM MSS沿海水域。然而,可能有许多其他好处等利用高光谱数据的识别特定的光谱特性与如蓝藻。遥感的主要改进的观点可能实际上来自这些神经网络算法的能力来处理信号污染的天然来源(如太阳闪烁,细云,等等)。最近开发的神经网络方法Hadjal et al。(2022)使用TOA信号的背影直接检索可以受益于加入更多的乐队提供信号中断的信息来源。质量Rrs数据,预期显著改善产品质量全面将是错误的。额外的因素,如信噪比、大气校正性能和质量的时空匹配也会显著影响产品性能。
数据可用性声明
提出了原始的贡献研究公开。这些数据可以在这里找到:https://doi.org/10.15129/8d279184-3e7d-4d29-9a75-c6b52948937b。
作者的贡献
所有作者都负责开发方法论,可视化和正式的分析。
资金
这个工作是由一个UKRI自然环境研究委员会奖(NE / S003517/1) DM和联合桅杆的奖/ MH Datalab博士奖学金。
确认
我们感谢Marilisa瞧Prejato提供眼压数据集和Ina科斯塔基斯博士提供Matlab脚本处理Hydrolight数据。
的利益冲突
作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。
出版商的注意
本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。
引用
Babin, M。,Stramski, D., Ferrari, G. M., Claustre, H., Bricaud, A., Obolensky, G., et al. (2003). Variations in the light absorption coefficients of phytoplankton, nonalgal particles, and dissolved organic matter in coastal waters around Europe.j .地球物理学。海洋》108 (C7), 3211。jc000882 doi: 10.1029/2001
Bengil F。,麦基,D。,Beşiktepe, S. T., Calzado, V. S., and Trees, C. (2016). A bio-optical model for integration into ecosystem models for the Ligurian Sea.掠夺。Oceanogr。149年,1 - 15。doi: 10.1016 / j.pocean.2016.10.007
Bricaud,。莫雷尔,。,和Prieur, L. (1981). Absorption by dissolved organic matter of the sea (yellow substance) in the UV and visible domains.Limnol。Oceanogr。26(1),利润率达到。doi: 10.4319 / lo.1981.26.1.0043
布罗克C。,Doerffer, R。,Peters, M., Stelzer, K., Embacher, S., and Ruescas, A. (2016). “Evolution of the C2RCC neural network for sentinel 2 and 3 for the retrieval of ocean colour products in normal and extreme optically complex waters,” inProc。“生活星球研讨会2016”,布拉格,捷克共和国,2016年5月参与(ESA sp - 740, 2016年8月)。
Buckton D。,O'mongain, E. O. N., and Danaher, S. (1999). The use of neural networks for the estimation of oceanic constituents based on the MERIS instrument.Int。j .远程Sens。20 (9),1841 - 1851。doi: 10.1080 / 014311699212515
曹,Z。,米a, R., Pahlevan, N., Liu, M., Melack, J. M., Duan, H., et al. (2022). Evaluating and optimizing VIIRS retrievals of chlorophyll-a and suspended particulate matter in turbid lakes using a machine learning approach.IEEE反式。地球科学远程Sens。60岁- 17。doi: 10.1109 / tgrs.2022.3220529
Claustre, H。,Hooker, S. B., Van Heukelem, L., Berthon, J. F., Barlow, R., Ras, J., et al. (2004). An intercomparison of HPLC phytoplankton pigment methods using原位样品:应用遥感和数据库活动。3月化学。85 (1 - 2),41 - 61。doi: 10.1016 / j.marchem.2003.09.002
Collobert, R。,和Weston, J. (2008). “A unified architecture for natural language processing: Deep neural networks with multitask learning,” in美国25日机器学习国际会议(美国:ACM)。
科森,m R。,Korwan, D. R., Lucke, R. L., Snyder, W. A., and Davis, C. O. (2008). “The hyperspectral imager for the coastal ocean (HICO) on the international space station,” in雪茄烟,2008 - 2008年IEEE国际地球科学和遥感研讨会,波士顿,美国,2008年7月07-11(IEEE),4 - 101。
D 'Alimonte, D。,和Zibordi, G. (2003). Phytoplankton determination in an optically complex coastal region using a multilayer perceptron neural network.IEEE反式。地球科学远程Sens。41 (12),2861 - 2868。doi: 10.1109 / tgrs.2003.817682
达尔'Olmo G。,Brewin, R. J., Nencioli, F., Organelli, E., Lefering, I., McKee, D., et al. (2017). Determination of the absorption coefficient of chromophoric dissolved organic matter from underway spectrophotometry.选择快递。25 (24),A1079-A1095。doi: 10.1364 / oe.25.0a1079
Darecki, M。,和Stramski, D. (2004). An evaluation of MODIS and SeaWiFS bio-optical algorithms in the Baltic Sea.远程参议员包围。89 (3),326 - 350。doi: 10.1016 / j.rse.2003.10.012
邓,L。,Hinton, G., and Kingsbury, B. (2013). “New types of deep neural network learning for speech recognition and related applications: An overview,” in2013年IEEE国际会议音响、演讲和信号处理,加拿大的温哥华BC,2013年5月26-31(IEEE),8599 - 8603。
Doerffer, R。,和席勒,H。(1994). “Inverse modeling for retrieval of ocean color parameters in case II coastal waters: An analysis of the minimum error,” in海洋光学(学报),887 - 893。
Dransfeld, S。,Tatnall, A. R., Robinson, I. S., and Mobley, C. D. (2006). Neural network training: Using untransformed or log-transformed training data for the inversion of ocean colour spectra?Int。j .远程Sens。27 (10),2011 - 2016。doi: 10.1080 / 01431160500245658
粉丝,Y。,Li, W., Chen, N., Ahn, J.-H., Park, Y.-J., Kratzer, S., et al. (2021). OC-SMART: A machine learning based data analysis platform for satellite ocean color sensors.远程参议员包围。253年,112236年。doi: 10.1016 / j.rse.2020.112236
法拉利、g M。,和Tassan, S. (1999). A method using chemical oxidation to remove light absorption by phytoplankton pigments.j . Phycol。35 (5),1090 - 1098。doi: 10.1046 / j.1529-8817.1999.3551090.x
Gohin F。,Druon, J. N., and Lampert, L. (2002). A five channel chlorophyll concentration algorithm applied to SeaWiFS data processed by SeaDAS in coastal waters.Int。j .远程Sens。23 (8),1639 - 1661。doi: 10.1080 / 01431160110071879
戈尔曼,e . T。,Kubalak, D. A., Patel, D., Mott, D. B., Meister, G., and Werdell, P. J. (2019). “The NASA Plankton, Aerosol, cloud, ocean Ecosystem (PACE) mission: An emerging era of global, hyperspectral earth system remote sensing,” inProc。相比11151年,传感器、系统和下一代卫星二十三,111510 g(2019年10月10日)。doi: 10.1117/12.2537146
恶心,L。,Thiria, S., and Frouin, R. (1999). Applying artificial neural network methodology to ocean color remote sensing.生态。模型。120 (2 - 3),237 - 246。doi: 10.1016 / s0304 - 3800 (99) 00105 - 2
Guanter, L。,Kaufmann, H., Segl, K., Foerster, S., Rogass, C., Chabrillat, S., et al. (2015). The EnMAP spaceborne imaging spectroscopy mission for Earth observation.远程Sens。7 (7),8830 - 8857。doi: 10.3390 / rs70708830
Hadjal, M。,米edina-Lopez, E., Ren, J., Gallego, A., and McKee, D. (2022). An artificial neural network algorithm to retrieve chlorophyll a for northwest European shelf seas from top of atmosphere Ocean Colour reflectance.远程Sens。14(14),3353年。doi: 10.3390 / rs14143353
Hieronymi, M。穆勒,D。,和Doerffer, R。(2017). The OLCI neural network swarm (ONNS): A bio-geo-optical algorithm for open ocean and coastal waters.前面。3月科学。4、140。doi: 10.3389 / fmars.2017.00140
伊布拉辛,。,弗朗茨·B。艾哈迈德,Z。希利,R。,Knobelspiesse, K., Gao, B. C., et al. (2018). Atmospheric correction for hyperspectral ocean color retrieval with application to the Hyperspectral Imager for the Coastal Ocean (HICO).远程参议员包围。204年,60 - 75。doi: 10.1016 / j.rse.2017.10.041
loannou,我。,Gilerson, A., Gross, B., Moshary, F., and Ahmed, S. (2013). Deriving ocean color products using neural networks.远程参议员包围。134年,78 - 91。doi: 10.1016 / j.rse.2013.02.015
Iwasaki)。Ohgi, N。,Tanii, J., Kawashima, T., and Inada, H. (2011). “Hyperspectral Imager Suite (HISUI)-Japanese hyper-multi spectral radiometer,” in2011年IEEE国际地球科学和遥感研讨会,加拿大的温哥华BC,2011年7月24-29(IEEE),1025 - 1028。
贾米特,C。,Loisel, H., and Dessailly, D. (2012). Retrieval of the spectral diffuse attenuation coefficientKd(λ)在开放和沿海海域使用神经网络反演。j .地球物理学。海洋》117 (C10), 8076。jc008076 doi: 10.1029/2012
贾米特,C。,Thiria, S., Moulin, C., and Crepon, M. (2005). Use of a neurovariational inversion for retrieving oceanic and atmospheric constituents from ocean color imagery: A feasibility study.j .大气压。海洋。抛光工艺。22日,460 - 475。doi: 10.1175 / jtech1688.1
拉维妮,H。,Van der Zande, D., Ruddick, K., Dos Santos, J. C., Gohin, F., Brotas, V., et al. (2021). Quality-control tests for OC4, OC5 and NIR-red satellite chlorophyll-a algorithms applied to coastal waters.远程参议员包围。255年,112237年。doi: 10.1016 / j.rse.2020.112237
Lefering,我。Bengil F。、树木、C。,Rottgers, R。,Bowers, D., Nimmo-Smith, A., et al. (2016). Optical closure in marine waters from原位固有光学特性测量。选择快递。24 (13),14036 - 14052。doi: 10.1364 / oe.24.014036
瞧Prejato, M。麦基,D。,和米我tchell, C. (2020). Inherent optical properties-reflectance relationships revisited.j .地球物理学。海洋》125 (11),e2020JC016661。jc016661 doi: 10.1029/2020
Loizzo, R。,Guarini, R., Longo, F., Scopa, T., Formaro, R., Facchinetti, C., et al. (2018). “Prisma: The Italian hyperspectral mission,” in雪茄烟,2018 - 2018年IEEE国际地球科学和遥感研讨会,瓦伦西亚,西班牙,2018年7月22 - 27日(IEEE),175 - 178。
麦克洛克,w·S。,和Pitts, W. (1943). A logical calculus of the ideas immanent in nervous activity.公牛。数学。生物物理学5 (4),115 - 133。doi: 10.1007 / bf02478259
麦基,D。,Rottgers, R。,Neukermans, G., Calzado, V. S., Trees, C., Ampolo-Rella, M., et al. (2014). Impact of measurement uncertainties on determination of chlorophyll-specific absorption coefficient for marine phytoplankton.j .地球物理学。海洋》119 (12)9013 - 9025。jc009909 doi: 10.1002/2014
梅林,F。,Sclep, G., Jackson, T., and Sathyendranath, S. (2016). Uncertainty estimates of remote sensing reflectance derived from comparison of ocean color satellite data sets.远程参议员包围。177年,107 - 124。doi: 10.1016 / j.rse.2016.02.014
莫雷尔,。,和Prieur, L. (1977). Analysis of variations in ocean color 1.Limnol。Oceanogr。22 (4),709 - 722。doi: 10.4319 / lo.1977.22.4.0709
Nechad B。,Ruddick, K. G., and Park, Y. (2010). Calibration and validation of a generic multisensor algorithm for mapping of total suspended matter in turbid waters.远程参议员包围。114 (4),854 - 866。doi: 10.1016 / j.rse.2009.11.022
尼尔,C。,Cunningham, A., and McKee, D. (2011). Relationships between suspended mineral concentrations and red-waveband reflectances in moderately turbid shelf seas.远程参议员包围。115 (12)3719 - 3730。doi: 10.1016 / j.rse.2011.09.010
O ' reilly, j·E。,米aritorena, S., Mitchell, B. G., Siegel, D. A., Carder, K. L., Garver, S. A., et al. (1998). Ocean color chlorophyll algorithms for SeaWiFS.j .地球物理学。海洋》103 (C11), 24937 - 24953。jc02160 doi: 10.1029/98
Pahlevan, N。史密斯,B。,一个likas, K., Anstee, J., Barbosa, C., Binding, C., et al. (2022). Simultaneous retrieval of selected optical water quality indicators from Landsat-8, Sentinel-2, and Sentinel-3.远程参议员包围。270年,112860年。doi: 10.1016 / j.rse.2021.112860
Pahlevan, N。史密斯,B。,Schalles, J., Binding, C., Cao, Z., Ma, R., et al. (2020). Seamless retrievals of chlorophyll-a from sentinel-2 (msi) and sentinel-3 (olci) in inland and coastal waters: A machine-learning approach.远程参议员包围。240年,111604年。doi: 10.1016 / j.rse.2019.111604
Pitarch, J。Volpe, G。,Colella, S., Krasemann, H., and Santoleri, R. (2016). Remote sensing of chlorophyll in the Baltic Sea at basin scale from 1997 to 2012 using merged multi-sensor data.海洋科学。12 (2),379 - 389。doi: 10.5194 / os - 12 - 379 - 2016
Ramsundar B。科恩斯,S。莱利,P。,Webster, D., Konerding, D., and Pande, V. (2015). Massively multitask networks for drug discovery.arXiv预印本arXiv: 1502.02072。
Rottgers, R。,和Doerffer, R。(2007). Measurements of optical absorption by chromophoric dissolved organic matter using a point-source integrating-cavity absorption meter.Limnol。Oceanogr。方法5 (5),126 - 135。doi: 10.4319 / lom.2007.5.126
Rottgers, R。,Schönfeld, W., Kipp, P. R., and Doerffer, R. (2005). Practical test of a point-source integrating cavity absorption meter: The performance of different collector assemblies.达成。选择。44 (26),5549 - 5560。doi: 10.1364 / ao.44.005549
Rumelhart d E。辛顿,g . E。,和米cClelland, J. L. (1986). A general framework for parallel distributed processing.并行分布式过程。空洞。Microstruct。认知1(45 - 76),26岁。
Rumelhart d E。辛顿,g . E。,和Williams, R. J. (1985). “Learning internal representations by error propagation,” in加州大学圣地亚哥拉霍亚本月认知科学美国(Cambridge, MA:麻省理工学院出版社)。
席勒,H。,和Doerffer, R。(1999). Neural network for emulation of an inverse model operational derivation of Case II water properties from MERIS data.Int。j .远程Sens。20 (9),1735 - 1746。doi: 10.1080 / 014311699212443
席勒,H。,和Doerffer, R。(1994). “Neuronal network for simulation of an inverse model,” in鉴于Bio-optics会议谈论SeaWiFS科学团队(IEEE)。
施罗德,T。Schaale, M。,和Fischer, J. (2007). Retrieval of atmospheric and oceanic properties from MERIS measurements: A new case-2 water processor for beam.Int。j .远程Sens。28日,5627 - 5632。doi: 10.1080 / 01431160701601774
西格,b . N。,Stumpf, R. P., Schaeffer, B. A., Loftin, K. A., and Werdell, P. J. (2018). Performance metrics for the assessment of satellite data products: an Ocean color case study.选择快递。26 (6),7404 - 7422。doi: 10.1364 / oe.26.007404
年青男子,s R。弗朗茨,b。,和米cClain, C. R. (2015). Chlorophyll variability in the oligotrophic gyres: Mechanisms, seasonality and trends.前面。3月科学。2、1。doi: 10.3389 / fmars.2015.00001
Sørensen, K。Grung, M。,和Rottgers, R。(2007). An intercomparison of在体外叶绿素梅里2级数据验证的决定。Int。j .远程Sens。28日(3 - 4),537 - 554。doi: 10.1080 / 01431160600815533
田中,。,K我年代hino, M., Doerffer, R., Schiller, H., Oishi, T., and Kubota, T. (2004). Development of a neural network algorithm for retrieving concentrations of chlorophyll, suspended matter and yellow substance from radiance data of the ocean color and temperature scanner.j . Oceanogr。60 (3),519 - 530。doi: 10.1023 / b: joce.0000038345.99050.c0
Tilstone, g . H。彼得斯,s W。,van der Woerd, H. J., Eleveld, M. A., Ruddick, K., Schönfeld, W., et al. (2012). Variability in specific-absorption properties and their use in a semi-analytical ocean colour algorithm for MERIS in North Sea and Western English Channel Coastal Waters.远程参议员包围。118年,320 - 338。doi: 10.1016 / j.rse.2011.11.019
天雪,Y。,Zhu, L., Zou, B., Wen, Y. M., Long, Y. H., and Zhou, S. L. (2021). Research on inversion mechanism of chlorophyll—A concentration in water bodies using a convolutional neural network model.水13(5),664年。doi: 10.3390 / w13050664
关键词:人工神经网络、海洋遥感、颜色MODIS aqua,叶绿素,沿海水域,模仿光,高光谱
引用:麦基Hadjal M,帕特森R和D(2023)神经网络检索在水成分应用于辐射传输模型模拟沿海水条件。前面。远程Sens。4:973944。doi: 10.3389 / frsen.2023.973944
收到:2022年6月20日;接受:2023年1月23日;
发表:2023年2月16日。
编辑:
阿米尔易卜拉欣戈达德太空飞行中心,美国国家航空和宇宙航行局版权©2023 Hadjal,帕特森和麦基。这是一个开放分布式根据文章知识共享归属许可(CC)。使用、分发或复制在其他论坛是允许的,提供了原始作者(年代)和著作权人(s)认为,最初发表在这个期刊引用,按照公认的学术实践。没有使用、分发或复制是不符合这些条件的允许。
*通信:大卫•麦基David.mckee@strath.ac.uk