Συγκριτική ανάλυση τεσσάρων μοντέλου υπολογισμού Χλωροφύλλης – α σε επιπέδου – 2 ύδατα με τη χρήση εικόνων MODIS

Από RemoteSensing Wiki

Συγκριτική ανάλυση τεσσάρων μοντέλου υπολογισμού Χλωροφύλλης – α σε επιπέδου – 2 ύδατα με τη χρήση εικόνων MODIS

Πρωτότυπος τίτλος: Comparative Analysis of Four Models to Estimate Chlorophyll-a concentration in case-2 waters using MODerate Resolution Imaging Spectroradiometer (MODIS) imagery

Συγγραφείς: Anas El – Alem, Karem Chokmani, Isabelle Laurion and Sallah E. El - Adlouni

Δημοσιεύθηκε: Remote Sensing, 2012, 4, 2373-2400

Η βιώσιμη διαχείριση των υδάτινων πόρων απέκτησε πραγματικό ενδιαφέρον για τη διεθνή κοινότητα πριν από μερικές δεκαετίες. Αν και ο Καναδάς κατέχει το 9% της ανανεώσιμης προσφοράς γλυκού νερού για το 0,5% του παγκόσμιου πληθυσμού, αυτός ο πολύτιμος πόρος πρέπει να αντιμετωπιστεί υπεύθυνα. Σε παγκόσμιο επίπεδο, η προέλευση της φθοράς οφείλεται εν μέρει στην υποβάθμιση της ποιότητας των υδάτων που προκαλείται από την ανάπτυξη επιβλαβών φυκιών των αλγών (HABs), όπως οι κυανοβακτηριακές ανθοφορίες. Η αυξανόμενη ανάπτυξη τέτοιων HABs αντανακλά την προηγμένη κατάσταση του ευτροφισμού του υδάτινου οικοσυστήματος που προκαλείται από αστικές, γεωργικές και βιομηχανικές εξελίξεις.

Μόλις εγκατασταθούν σε λίμνες, δηλαδή σε ύδατα επιπέδου 2 (επιπέδου 1 είναι οι ωκεανοί), οι κυανοβακτηριακοί πληθυσμοί είναι εξαιρετικά δύσκολο να ελεγχθούν. Ο συνηθέστερος τρόπος ανίχνευσης της παρουσίας ανθοφορίας είναι η δειγματοληψία in situ, δηλαδή στο πεδίο. Ωστόσο, ούτε η χωρική κατανομή ούτε η χρονική συχνότητα τέτοιων προγραμμάτων παρακολούθησης επαρκούν για την ανίχνευση της έκτασης, της έντασης και της διάρκειας των HABs σε υδάτινα σώματα και για μια χώρα όπως ο Καναδάς που καλύπτει μια πολύ μεγάλη περιοχή με μεγάλο αριθμό λιμνών. Η επί τόπου δειγματοληψία και οι αναλύσεις δειγμάτων είναι επίπονες και τα αποτελέσματα που λαμβάνονται συχνά είναι δύσκολο να ερμηνευθούν λόγω της ετερογενούς χωρικής κατανομής και της αιφνίδιας ανόδου και πτώσης των αλγών.

Η τηλεπισκόπηση, με την συνοπτική προβολή, την συνεπή επανάληψη και την ικανότητά της να παρέχει πληροφορίες σε ένα ευρύ φάσμα μηκών κύματος, αντιπροσωπεύει μια ελκυστική εναλλακτική μέθοδο για την παρακολούθηση των ανθών. Δορυφορικοί αισθητήρες που παρέχουν δεδομένα σε ορατά και κοντά σε υπέρυθρα (NIR) μήκη κύματος μπορούν να χρησιμοποιηθούν για την εκτίμηση της συγκέντρωσης χλωροφύλλης-α (Chl-a) με βάση την υψηλή απορρόφηση του μπλε και του κόκκινου μέρους του ηλεκτρομαγνητικού φάσματος και την υψηλή ανακλαστικότητα του πράσινου και του κοντινού υπέρυθρου (NIR).

Για αυτή τη μελέτη που εκπονήθηκε στο πλαίσιο της εργασίας αυτής, λόγω του μεγάλου αριθμού ημερών με κάλυψη σύννεφων πάνω από τις επιλεγμένες λίμνες και του σχετικά χαμηλού αριθμού επιτόπιων μετρήσεων, επιλέξαμε να χρησιμοποιούνται δεδομένα MODIS (επανάληψη χρόνου 1 ημέρας) προκειμένου να συγκεντρωθούν αρκετά δεδομένα για τη βαθμονόμηση και την επικύρωση του τελικού μοντέλου. Σκοπός, είναι η αξιολόγηση της απόδοσης των τριών βιο-οπτικών μοντέλων που χρησιμοποιούνται πιο συχνά στη βιβλιογραφία (Kahru, Gitelson και FAI (Floating Algae Index)) και μιας νέας προσέγγισης που ονομάζεται APPEL (APProach by ELimination) Chl-a σε μια σειρά από λίμνες στο νότιο τμήμα της επαρχίας του Κεμπέκ. Οι λίμνες αυτές είναι ο Μισισκουί Μπέι της λίμνης Champlain, η λίμνη Brome, η λίμνη William και η λίμνη Nairne, με επιφάνειες 45, 41, 4 και 2 km2, αντίστοιχα (Εικόνα 1). Οι λίμνες αυτές αποτελούν μέρος ενός προγράμματος για την παρακολούθηση υδάτινων σωμάτων με υποτροπιάζουσες κυανοβακτηριακές ανθοφορίες που διεξήγαγε το Υπουργείο Ανάπτυξης για τη Διατήρηση του Περιβάλλοντος και των Πάρκων. Τα δεδομένα συλλέχθηκαν σε μια περίοδο 9 ετών (2000 έως 2008) σε διάφορες θέσεις στις τέσσερις λίμνες (Εικόνα 2) και περιλάμβαναν κυανοτοξίνες (ισοδύναμη ολική μικροκυττίνη-LR και ανατοξίνη-α), χρωστικές άλγες (Chl-a, α), αφθονία φυτοπλαγκτού και φυσικοχημικά χαρακτηριστικά του νερού στη λίμνη (ολικός φωσφόρος, ολικό άζωτο, ρΗ, θολότητα, βάθος Secchi, θερμοκρασία επιφάνειας).

Οι αλγόριθμοι που χρησιμοποιήθηκαν όπως προαναφέρθηκε είναι το μοντέλο Kahru, ο δείκτης FAI, το μοντέλο Gitelson και η μέθοδος APPEL (Approach by Elimination). Οι πρώτες 3 μέθοδοι είναι εμπειρικές ενώ η 4η αναπτύχθηκε από το εργαστήριο τηλεπισκόπησης του Εθνικού Κέντρου Επιστημονικής Έρευνας (INRS).

1) Μοντέλο Kahru

Το ημι-αναλυτικό μοντέλο του Kahru χρησιμοποιεί το κόκκινο και κοντινό υπέρυθρο τμήμα του φάσματος. Ο Kahru πρότεινε τη σύνθεση των καναλιών 1,3 και 4του MODIS διότι είναι τα πιο ευαίσθητα στις αλληλεπιδράσεις με τη χλωροφύλλη. Στο έγχρωμο σύνθετο που προκύπτει διακρίνονται εύκολα τα άνθη και επίσης προτάθηκε ο υπολογισμός της θολερότητας των υδάτων που προκαλείται από τη βιομάζα των αλγών αφαιρώντας το κανάλι 2 από το κανάλι 1. Ο δείκτης θολερότητας είναι χρησιμοποιείται για την εκτίμηση της χλωροφύλλης – α στα νερά.

2) Δείκτης FAI (Floating Algae Index)

Ο δείκτης FAI ορίζεται ως η διαφορά των τιμών ανακλαστικότητας στο κοντινό υπέρυθρο προς τη διορθωμένη ανακλαστικότητα στο ίδιο φάσμα με βάση το κόκκινο και το βραχυκυματικό υπέρυθρο (εικόνα 3). Η διορθωμένη ανακλαστικότητα περιλαμβάνει τις τιμές που προκύπτουν από τη γραμμική παρεμβολή κόκκινου και βραχυκυματικού υπέρυθρου και για τον MODIS είναι λ(red) = 645 nm, λ(NIR) = 859 nm και λ(SWIR)=1.240 nm.

3) Μοντέλο Gitelson

Οι αρχές του μοντέλου Gitelson βασίζονται στη σχέση μεταξύ της ανακλαστικότητας με τις σταθερές συνολικής απορρόφησης και σκέδασης.

Η σταθερά γ εξαρτάται από την ακτινοβολία που εκπέμπεται από το νερό, το bb είναι η σταθερά για τη σκέδαση και το atot(λ) είναι το άθροισμα των σταθερών απορρόφησης των κελιών των φυτοπλαγκτόν. Για της ανάγκες της εργασίας το μοντέλο τροποποιήθηκε. Ενώ προτείνεται η χρήση των καναλιών 1 και 2, στα δεδομένα του MODIS αντιμετωπίστηκαν προβλήματα στην εφαρμογή του, γιατί το κανάλι 2 σύμφωνα με το μοντέλο απορροφά βέλτιστα τη χλωροφύλλη, όμως στον MODIS αυτό γίνεται στο κανάλι 1. Συνεπώς χρησιμοποιήθηκαν το κανάλι 1,ως βέλτιστο και τα κανάλια 3 και 4 σαν συμπληρωματικά του 2.

4) Μέθοδος APPEL (Approach by Elimination)

Οι αρχές της μεθόδου APPEL είναι παρόμοιες με αυτές του μοντέλου Gitelson. Όλα τα κανάλια του MODIS χρησιμοποιούνται για εντοπισμό χλωροφύλλης, το κάθε ένα εντοπίζει διαφορετικά ποσοστά με βάση το εύρος του φάσματος στο οποίο εντάσσεται. Η μέγιστη ανακλαστικότητα του φυτοπλαγκτόν είναι στο κοντινό υπέρυθρο όπου το νερό έχει την ελάχιστη αντανάκλαση. Η μέθοδος εκφράζεται μαθηματικά (εικόνα 5) και χρησιμοποιεί τη μέγιστη τιμή ανακλαστικότητας για να ελαχιστοποιήσει τις παραμέτρους που μπορεί να προκαλέσουν πρόβλημα στον εντοπισμό και εκτίμηση της άλγης. Για παράδειγμα, για να ελαχιστοποιηθεί η επιρροή των ολικών αιωρούμενων στερεών (TSS), χρησιμοποιείται το κανάλι που τα εντοπίζει βέλτιστα και εφαρμόζεται η τεχνική particle backscattering. Η οποία ελαχιστοποιεί παραμέτρους με βάση τις τιμές ανακλαστικότητας (εικόνα 6) του ζητούμενου αντικειμένου για εντοπισμό.

Τα κανάλια MODIS 3 έως 7, είχαν αρχικά σε χωρική διακριτική ικανότητα 500 μέτρα και για τις ανάγκες τις μελέτης, υποβαθμίστηκαν στα 250 μέτρα. Για να διασφαλιστεί ότι η διαδικασία υποβάθμισης δεν επηρέασε το σήμα των αρχικών ζωνών, έγινε σύγκριση του φασματικό δείκτη των υποβαθμισμένων εικόνων με αυτόν των πρωτοτύπων. Η εικόνα 7 δείχνει τη συσχέτιση μεταξύ του σήματος MODIS που έχει δειχθεί από περιοχές σε λίμνες που συλλέχθηκαν σε τρεις εικόνες από τρία διαφορετικά χρόνια (2001-2003). Ο άξονας y αντιστοιχεί στον φασματικό δείκτη της εικόνας που έχει υποβαθμιστεί και ο άξονας x στον φασματικό δείκτη της αρχικής εικόνας. Η υποβάθμιση έγινε με μια μέθοδο που δεν ενισχύει την ανάλυση του αλλά διαιρεί την επιφάνεια του κάθε εικονοστοιχείου σε τέσσερα (από 500 × 500 m έως 250 × 250 m).

Τα αποτελέσματα δείχνουν μια σημαντική συσχέτιση μεταξύ του αρχικού σήματος και του σήματος υποβάθμισης με το R^2 να κυμαίνεται από 0,94 έως 0,98. Ωστόσο, για μια σωστή αξιολόγηση μοντέλου, η κλίση "a" (η κλίση της εξίσωσης παλινδρόμησης Y = a * X + b) θα πρέπει να χρησιμοποιηθεί ως δείκτης στάθμισης.

Αφού εφαρμόστηκαν όλες οι μεθοδολογίες και εντοπίσθηκε πως δεν υπάρχει πρόβλημα με την μετατροπή των πρωτογενών δεδομένων, έγινε ο έλεγχος εγκυρότητας των αποτελεσμάτων. Για τον έλεγχο χρησιμοποιήθηκαν ο συντελεστής προσδιορισμού (R^2), η σχετική μεροληψία (BIASr), το σχετικό μέσο τετραγωνικό σφάλμα ρίζας (RMSEr) και η σχετική απόδοση Nash-Sutcliffe (Nr). Η τελευταία μέθοδος ελέγχει την αποδοτικότητα του μοντέλου συγκρίνοντας την εγκυρότητα των εκτιμώμενων τιμών με την μέση τιμή των παρατηρούμενων τιμών σε όλο το σύνολο των δεδομένων.

Όπως απεικονίζεται στην εικόνα 8, όλα τα μοντέλα δείχνουν μια καλή συσχέτιση μεταξύ της χλωροφύλλης – α (Chl-a) και του φασματικού δείκτη που προέρχεται από τα δεδομένα MODIS από κάθε μοντέλο, εκτός από το μοντέλο Gitelson, το οποίο δεν είχε τα αντίστοιχα αποτελέσματα. Ωστόσο, τα μοντέλα παράγουν μόνο ένα μικρό σφάλμα σε υψηλές τιμές χλωροφύλλης - α με το μεγαλύτερο μέρος του σφάλματος να προέρχεται από χαμηλές συγκεντρώσεις. Ο Παγκόσμιος Οργανισμός Υγείας (ΠΟΥ) θέσπισε ένα όριο συναγερμού για τη χρήση νερού 10 mg ∙ Chl-a · m-3. Τα υδάτινα σώματα με συγκεντρώσεις Chl-a κάτω από αυτό το όριο δεν θεωρούνται επικίνδυνα για ψυχαγωγικές δραστηριότητες. Έτσι, για να ελαχιστοποιηθεί ένα πιθανό σφάλμα που σχετίζεται με τη διασπορά υψηλών επιτόπιων δεδομένων σε χαμηλή τιμή Chl-a, δείγματα με συγκεντρώσεις in situ κάτω των 10 mg ∙ m-3 αφαιρέθηκαν από το σύνολο δεδομένων για να εξετασθεί η ακρίβεια κάθε μοντέλου.

Όπως αναμενόταν, βελτιώθηκε η ακρίβεια των μοντέλων (εικόνα 9). Επομένως, το μεγαλύτερο μέρος του σφάλματος παρήχθη από χαμηλές τιμές Chl-a. Αυτό δεν προκαλεί έκπληξη, καθώς τα περισσότερα μοντέλα που μελετήθηκαν (APPEL, Kahru και FAI) βασίζονται στο κόκκινο / κοντινό υπέρυθρο (NIR) μέρος του φάσματος όπου το νερό έχει πολύ χαμηλή ανακλαστικότητα. Αυτό σημαίνει ότι το νερό εμφανίζεται διαφανές όταν η βιομάζα είναι χαμηλή και το ανακλώμενο σήμα είναι πολύ αδύναμο, συνεπώς αποκλείται μια καλή συσχέτιση μεταξύ της χλωροφύλλης - α και του φασματικού δείκτη. Για την αξιολόγηση της ακρίβειας των τεσσάρων μοντέλων που μελετήθηκαν, εφαρμόστηκε μια τεχνική διασταυρούμενης επικύρωσης. Αυτή η τεχνική περιλαμβάνει την προσωρινή αφαίρεση μιας δεδομένης τιμής Chl-a από το σύνολο δεδομένων δειγματοληψίας και τη χρήση των υπόλοιπων παρατηρήσεων ως ομάδες βαθμονόμησης για την εκτίμηση αυτής που αφαιρέθηκε. Αυτή η λειτουργία επαναλαμβάνεται για ολόκληρο το σύνολο δεδομένων. Η απόδοση κάθε μοντέλου αξιολογήθηκε χρησιμοποιώντας τους δείκτες εγκυρότητας που παρουσιάστηκαν παραπάνω. Στον πίνακα της εικόνας 10, παρουσιάζονται αναλυτικά τα αποτελέσματα για κάθε μοντέλο.

Όπως αναφέρθηκε και προηγουμένως, όλα τα μοντέλα εκτός από το μοντέλο Gitelson έδωσαν ικανοποιητικά αποτελέσματα. Οι τιμές κριτηρίων Nash των μοντέλων APPEL, Kahru και FAI ήταν αρκετά παρόμοιες και έδειξαν πολύ καλή αντιστοιχία μεταξύ παρατηρούμενης και εκτιμώμενης Chl-a (δηλαδή, κοντά στο 1), με τα μοντέλα APPEL και Kahru να έχουν ελαφρώς καλύτερη απόδοση από το δείκτη FAI. Η τιμή κριτηρίου Nash του μοντέλου Gitelson ήταν πολύ χαμηλότερη (Nr = 0,34). Τα αποτελέσματα του RMSEr έδειξαν ότι οι εκτιμήσεις Chl-a που υπολογίστηκαν με το μοντέλο APPEL ήταν ακριβέστερες από εκείνες των άλλων μοντέλων (RMSEr της APPEL <Kahru <FAI <Gitelson). Ωστόσο, το σφάλμα στις εκτιμήσεις Chl-a ήταν σχετικά υψηλό για όλα τα μοντέλα, καθώς η καλύτερη απόδοση παρήγαγε RMSEr = 69%. Επιπλέον, τα σχετικά αποτελέσματα BIAS ήταν αρνητικά για όλα τα μοντέλα, υποδεικνύοντας ότι όλα είχαν την τάση να υποτιμούν τη Chl-a. Και πάλι, το μοντέλο APPEL έδειξε την καλύτερη απόδοση (-17%), ενώ τα άλλα μοντέλα κυμάνθηκαν από -23% έως -87%.

Η κακή απόδοση του μοντέλου Gitelson μπορεί να εξηγηθεί από την αδυναμία των διαθέσιμων καναλιών MODIS να αντιδράσουν βέλτιστα στην απορρόφηση της χλωροφύλλης –α. Η χρωστική Chl-a έχει δύο μεγάλες κορυφές απορρόφησης (μέγιστη απορρόφηση γύρω στα 430 και 680 nm), με βελτιστοποιημένη περιοχή απορρόφησης μεταξύ 660 και 690 nm. Το κανάλι του MODIS που χρησιμοποιείται στο μοντέλο Gitelson είναι πράγματι ευαίσθητο σε μια περιοχή στην οποία απορροφάται αυτή η χρωστική ουσία, αλλά δεν επικεντρώνεται στη μέγιστη απορρόφησή της. Συνεπώς, η μετατόπιση του μήκους κύματος και η υποκατάσταση της ζώνης μπορεί να είναι η αιτία της χαμηλότερης απόδοσης αυτού του μοντέλου. Τα APPEL, Kahru και FAI, από την άλλη πλευρά, βασίζονται στην αντίθεση μεταξύ του νερού και της απόκρισης Chl-a στο κόκκινο / NIR μέρος του φάσματος. Σε αυτή τη φασματική περιοχή, τα εικονοστοιχεία της χλωροφύλλης - α διακρίνονται ευκολότερα από τα εικονοστοιχεία του νερού. Έτσι, για αυτή τη μελέτη, τα μοντέλα που βασίζονται στην ανάκλαση (APPEL, Kahru και FAI) για την εκτίμηση χλωροφύλλης ήταν πιο ακριβή από το μοντέλο Gitelson, το οποίο βασίζεται στην απορρόφηση. Η εικόνα 10 δείχνει την τιμή Chl-a που υπολογίζεται από τα τέσσερα μοντέλα ως συνάρτηση της παρατηρούμενης τιμής. Αυτό το σχήμα δείχνει τη μείωση της διασποράς των εκτιμώμενων τιμών Chl-a, εκτός από το μοντέλο Gitelson, όπου η διασπορά είναι μεγάλη για τις περισσότερες εκτιμώμενες συγκεντρώσεις.

Ο ΠΟΥ έχει καθορίσει ένα δεύτερο όριο (Chl-a> 50 mg ∙ m-3), με αυστηρότερες συστάσεις από το προαναφερθέν κατώτατο όριο χρήσης αναψυχής (10 mg ∙ m-3), κατά το οποίο πρέπει να αποφεύγεται η χρήση νερού. Η απόδοση των μοντέλων εκτιμήθηκε ειδικά για τιμές σε αυτές ή πάνω από αυτές τις συγκεντρώσεις. Έτσι, τα αποτελέσματα διασταυρωμένης επικύρωσης χωρίστηκαν σε δύο ομάδες: η πρώτη περιέχει Chl-a μεταξύ 10 και 50 mg · m-3 (N = 24), και η δεύτερη περιέχει τις υπόλοιπες τιμές (πάνω από 50 mg ∙ m-3; Ν = 12). Οι προκύπτοντες δείκτες αξιολόγησης μπορούν να χρησιμοποιηθούν για τον προσδιορισμό της συμπεριφοράς των μοντέλων τόσο σε βαριές όσο και σε συνθήκες χαμηλής μέτριας άνθισης.

Οι πίνακες στις εικόνες 12 και 13 συνοψίζουν τις επιδόσεις των μοντέλων σε τιμές Chl-a άνω των 50 mg · m-3 και μεταξύ 10 και 50 mg · m-3 αντίστοιχα. Γενικά, οι δείκτες απόδοσης που υπολογίζονται για τις υψηλές συγκεντρώσεις (Chl-a> 50 mg ∙ m-3) παρουσιάζουν καλύτερα αποτελέσματα από εκείνα που υπολογίζονται για τα μοντέλα που βαθμονομούνται με όλα τα Chl-a> 10 mg ∙ m-3. Αυτό, δείχνει ελαφρά μείωση της ακρίβειας των μοντέλων στις υψηλές συγκεντρώσεις και μπορεί να οφείλεται στο μικρότερο μέγεθος του δείγματος που χρησιμοποιείται σε αυτό το βήμα (N = 12).

Οι εικόνες 14 και 15 δείχνουν τα διαγράμματα διάσπασης των παρατηρούμενων και εκτιμώμενων (πολλαπλής επικύρωσης) τιμών Chl-a μεγαλύτερες από 50 mg ∙ m-3 και μεταξύ 10 και 50 mg ∙ m-3 αντίστοιχα. Είναι σαφές ότι ο συσχετισμός είναι πολύ πιο σημαντικός σε συνθήκες έντονης άνθισης (εικόνα 15). Η βελτίωση των επιδόσεων δεν είναι μεγάλη για το APPEL, το Kahru και το μοντέλο Gitelson (Εικόνα 14), αλλά για το δείκτη FAI, η απόδοση βελτιώνεται πολύ όταν χρησιμοποιείτε μόνο υψηλό Chl-a. Το RMSEr αλλάζει από 119% σε 58%, το BIASr από -32% σε 4%, το R2 από 0.89 σε 0.94 και το Nr από 0.91 έως 0.93.

Αυτό δεν προκαλεί έκπληξη, καθώς τα συσσωρευμένα σωματίδια σχηματίζουν απομεινάρια στην επιφάνεια του νερού, γεγονός που βελτιώνει την ακρίβεια αυτού του μοντέλου που αναπτύχθηκε αρχικά για την παρακολούθηση των αιωρούμενων αλγών. Σε αυτές τις συγκεντρώσεις, ο FAI και το APPEL, ελαφρώς υπερεκτιμούν τις τιμές Chl-a κατά 1% και 4% αντίστοιχα, ενώ το μοντέλο Kahru τις υποτιμά κατά 2%. Αντίθετα, το BIASr του μοντέλου Gitelson παραμένει υψηλό και δεν είναι τόσο επιτυχές όσο οι άλλες μέθοδοι ούτε και για τις μεγάλες ανθοφόρες φυλές.

Η απόδοση του μοντέλου Gitelson είναι πολύ χειρότερη στις ενδιάμεσες συγκεντρώσεις Chl-a. Οι εικόνες 12 και 14 δείχνουν σαφώς την απουσία σημαντικής συσχέτισης μεταξύ εκτιμώμενης και μετρημένης Chl-a για όλα τα μοντέλα εκτός από το APPEL (R2 = 0,30, Nr = 0,62), με τιμή κριτηρίου Nash κοντά στο 0,8, που μπορεί να θεωρηθεί ότι αποδίδει αποδεκτά. Αυτά τα αποτελέσματα επιβεβαιώνουν ότι το σφάλμα των εκτιμήσεων οφείλεται κυρίως σε χαμηλές τιμές Chl-a. Η ανακλαστικότητα νερού δεν υπερβαίνει το 20% ακόμη και σε συνθήκες βαριάς κατάστασης. Για συνθήκες μέτριας έως χαμηλής άνθησης, είναι ακόμη χαμηλότερη (λιγότερο από 8%). Ακόμα και υπό αυτές τις συνθήκες, το APPEL εξακολουθεί να έχει τις καλύτερες επιδόσεις και το μοντέλο Gitelson είναι το χειρότερο, ενώ ο δείκτης FAI χάνει πολύ περισσότερο από την ακρίβειά του (αριθμός μειώνεται από 0,93 σε 0,34) από την APPEL ή το Kahru.

Για την τελική εξαγωγή συμπερασμάτων έγινε η αξιολόγηση των παρατηρούμενων προτύπων με βάση τις υπάρχουσες γνώσεις από ιστορικές επιτόπιες έρευνες. Συνεπώς, χρησιμοποιήθηκαν ιστορικές επιτόπιες έρευνες σχετικά με την παρουσία / απουσία κυανοβακτηριακών ανθών και ένα σύνολο χαρτών σχεδίων που δείχνουν την έκταση των ανθών. Έτσι, είναι δυνατόν να συγκριθούν τα σκίτσα που σχεδιάζονται στους χάρτες πεδίων με τις πραγματικές έγχρωμες εικόνες των αντίστοιχων ημερομηνιών που λαμβάνονται από τον αισθητήρα MODIS. Στην εικόνα 16 απεικονίζεται ένα παράδειγμα του χάρτη πεδίου και η αντίστοιχη αληθινή έγχρωμη εικόνα MODIS για μια ανθοφορία που έλαβε χώρα στις 19 Σεπτεμβρίου 2001. Μια σαφής αντιστοιχία μεταξύ του σκίτσου και της επέκτασης ανθοφορίας που είναι ορατή στην εικόνα πράσινο χρώμα) μπορεί να παρατηρηθεί τόσο για τις βαριές συνθήκες άνθισης (βορειοανατολικά προς ανατολικό τμήμα της λίμνης) όσο και για τις χαμηλές συνθήκες άνθισης (κεντρικό τμήμα της λίμνης). Η ίδια μέθοδος έγινε για μια σειρά περιπτώσεων ανθοφορίας για τρεις διαφορετικές ημερομηνίες (εικόνα 17).

Στην εικόνα 17, τα τρία αριστερά πάνελ δείχνουν τις εικόνες πραγματικού χρώματος MODIS και τα υπόλοιπα τρία πάνελ δείχνουν τα αποτελέσματα όταν εφαρμόστηκαν τα μοντέλα APPEL, Kahru, FAI και Gitelson, αντίστοιχα. Οι τρεις διαδοχικές ημερομηνίες δείχνουν την πρόοδο της ανθοφορίας στην Μισισκιού Μπέι. Η πρώτη εικόνα αντιστοιχεί στην αρχή της ανθοφορίας, η δεύτερη απεικονίζει την επέκτασή της στον κόλπο και η τελευταία δείχνει τη σχετική εξαφάνιση του επεισοδίου ανθοφορίας. Από την εικόνα 16, μπορεί να φανεί ότι όλα τα μοντέλα ανίχνευσαν μια κίνηση προς τα δυτικά της βιομάζας φυτοπλαγκτόν. Δεδομένου ότι τα ρεύματα και οι διογκώσεις είναι γνωστό ότι είναι χαμηλές στους κόλπους, προκύπτει το συμπέρασμα ότι η κίνηση αυτής της βιομάζας φυκιών προκαλείται κυρίως από τον άνεμο. Για να επιβεβαιωθεί αυτό το γεγονός, η μέση κατεύθυνση του ανέμου της ημέρας (15-07-2005 έως 16-07-2005) εξήχθη από τους δύο πλησιέστερους μετεωρολογικούς σταθμούς (σε ακτίνα 10 χλμ. από τον κόλπο.

Η σύγκριση της εξάπλωσης του άνθους που λαμβάνεται από τα αποτελέσματα του μοντέλου και τις αληθινές έγχρωμες εικόνες (Εικόνα 17) δείχνει ότι ο δείκτης FAI τείνει να ενισχύσει την επέκταση του άνθους, ενώ το μοντέλο Gitelson τείνει να το μειώσει σε σύγκριση με τα αποτελέσματα των APPEL και Kahru . Τα τελευταία δύο μοντέλα φαίνεται να ακολουθούν καλύτερα την χωρική κατανομή, και αυτό ισχύει για όλες τις συνθήκες ανθοφορίας (χαμηλή, μέτρια και υψηλή). Επίσης, από την άποψη της ποσοτικής ανάλυσης, τα μοντέλα APPEL και Kahru φαίνεται να αποδίδουν το ίδιο εύρος τιμών Chl-a, ενώ ο FAI τείνει να δώσει υψηλότερες και χαμηλότερες τιμές σε σύγκριση με τα APPEL και Kahru.

Προκειμένου να συγκριθούν χωρικά τα αποτελέσματα του μοντέλου με την επιτόπου μετρούμενη Chl-a, η εικόνα 18 δείχνει δύο σταθμούς στον κόλπο Missisquoi (D1 και D2). Σε αυτό το παράδειγμα, ο APPEL και ο Kahru είναι οι καλύτεροι εκτιμητές των τιμών Chl-a, ενώ ο FAI τείνει να υπερεκτιμά τη συγκέντρωση σε συνθήκες μέτριας άνθισης και να τις υποτιμά κάτω από χαμηλές συνθήκες άνθησης, ενώ το μοντέλο Gitelson υποτιμά τις συγκεντρώσεις σε όλες τις συνθήκες ανθοφορίας.

Είναι σημαντικό να σημειωθεί ότι ο μεγαλύτερος περιορισμός της χρήσης δορυφορικών μοντέλων για την επιχειρησιακή παρακολούθηση των ανθών των φυκιών είναι η παρουσία σύννεφων που εμποδίζουν την ανίχνευση των ανθών και κατά συνέπεια την ποσοτικοποίησή τους. Στο Κεμπέκ, η κάλυψη σύννεφων (συννεφιά) είναι παρούσα περισσότερο από το 50% του έτους. Ωστόσο, η ηλιακή ακτινοβολία είναι γνωστό ότι είναι μεταξύ των συνθηκών που ευνοούν την ανάπτυξη των ανθών των φυκιών. Έτσι, οι ανθοί είναι πιο πιθανό να εμφανιστούν κάτω από συνθήκες χωρίς σύννεφα, κάτι που ευνοεί τη χρήση των δορυφορικών δεδομένων ως λειτουργικό εργαλείο για την παρακολούθηση των ανθοφόρων φυλών και την εκτίμηση της έντασής τους.

Καταληκτικά, τα περισσότερα μοντέλα χρησιμοποιούν τα κόκκινα / κοντινά υπέρυθρα (NIR) μήκη κύματος, οι περισσότερες πληροφορίες που ανιχνεύονται από τον αισθητήρα προέρχονται από την ανακλαστικότητα της Chl-a. Έτσι, τα μοντέλα συγχέουν αυτά τα εικονοστοιχεία με βαριές συνθήκες άνθισης. Για την καλύτερη διάκριση των εικονοστοιχείων νερού από τα μεικτά εικονοκύτταρα (land-water), αναπτύσσεται μια μάσκα γης χρησιμοποιώντας ένα σύνολο δεδομένων άνω των 1600 εικόνων MODIS που καλύπτουν περίοδο 11 ετών (2000-2010).

Στόχος αυτής της μελέτη ήταν η εκτίμηση της απόδοσης τριών υφιστάμενων μοντέλων: Kahru, FAI και μοντέλο Gitelson, καθώς και μιας νέας προσέγγισης που ονομάζεται APPEL για την εκτίμηση της Chl-a στα εσωτερικά ύδατα του Κεμπέκ. Ένα καινοτόμο στοιχείο αυτού του έργου είναι η χρήση της υψηλότερης ανάλυσης των πρώτων επτά MODIS ζωνών, επιτρέποντας την εκμετάλλευση ενός ευρύτερου φασματικού εύρους σε χωρική ανάλυση 250 m. Τα αποτελέσματά δείχνουν σαφώς ότι αυτή η μέθοδος μπορεί να χρησιμοποιηθεί αποτελεσματικά για την παρακολούθηση της ποιότητας των υδάτων στη λίμνη, καθώς τα μοντέλα μπορούν να εξηγήσουν μέχρι και το 95% της διακύμανσης. Η ανάλυση υποδηλώνει ότι το μοντέλο APPEL αποδίδει τις καλύτερες συνολικές εκτιμήσεις των συγκεντρώσεων Chl-a.

Ωστόσο, το Kahru παραμένει μια καλή εναλλακτική λύση για ευκολία στη χρήση, καθώς το μοντέλο απαιτεί μόνο τις δύο πρώτες ζώνες MODIS που έχουν ήδη χωρική ανάλυση 250 m (δεν απαιτείται διαδικασία μείωσης) και επιτυγχάνει επιδόσεις συγκρίσιμες με το APPEL, ιδιαίτερα για μέτριες έως υψηλές συγκεντρώσεις Chl-a. Σε συνθήκες βαριάς ανάπτυξης, το μοντέλο FAI μπορεί να θεωρηθεί το βέλτιστο, δεδομένου ότι παράγει το χαμηλότερο σφάλμα υπό αυτές τις συνθήκες. Από την άλλη πλευρά, όλα τα μοντέλα έδειξαν μικρή ακρίβεια για να εκτιμήσουν τη Chl-a σε χαμηλές συγκεντρώσεις, με ένα μικρό πλεονέκτημα για το APPEL.

Σύνδεσμος πρωτότυπου κειμένου: [1]