Ρύπανση θαλάσσιων περιοχών

Από RemoteSensing Wiki

Παρούσα αναθεώρηση της 12:36, 10 Μαρτίου 2009

1. ΕΙΣΑΓΩΓΗ

Η ρύπανση των θαλάσσιων περιοχών και γενικότερα των υδάτινων σωμάτων μπορεί να εκτιμηθεί σύγχρονα με χρήση της τηλεπισκόπησης, την λήψη και επεξεργασία δηλαδή δορυφορικών εικόνων για την απόκτηση πληροφοριών σχετικά με τις ιδιότητες ενός φαινομένου, ενός αντικειμένου ή ενός υλικού μέσω μίας καταγραφικής συσκευής η οποία δεν βρίσκεται σε φυσική και άμεση επαφή με τα παρατηρούμενα αντικείμενα. Η καταγραφή της ακτινοβολίας και η αναγνώριση των αντικειμένων γίνεται βάση της εμπειρίας, της λογικής, της ειδικής επιστημονικής γνώσης και των κατάλληλων επίγειων ελέγχων.

Τα πλεονεκτήματα αυτής της σύγχρονης μεθόδου, της Τηλεπισκόπησης εκτιμώνται στα:

• Επιτρέπει μεγάλη, έως και πλανητική χωρική κάλυψη.
• Επιτρέπει την μέτρηση και παρατήρηση σε περιοχές που δεν είναι προσβάσιμες για διάφορους λόγους (π.χ. υψηλές θερμοκρασίες, ραδιενέργεια).
• Επιτρέπει τη μείωση του κόστους των μετρήσεων, μειώνει τον απαιτούμενο χρόνο για ανάλυση-παρατήρηση-μέτρηση.
• Επιτρέπει το συνυπολογισμό ποικίλων παραμέτρων.
• Συνίσταται όταν δεν υπάρχει εναλλακτική μέθοδος.

Με τις δορυφορικές εικόνες υψηλής ανάλυσης και ευκρίνειας μπορούν οι επιστήμονες να λάβουν πληροφορίες για τη θερμοκρασία των υδάτων, το βαθμό αλμυρότητας, τη συγκέντρωση του φυτοπλαγκτόν, διάφορες υδρολογικές μεταβλητές, διάφορες αλλαγές στην ακτογραμμή, μέτρηση του βάθους των υδάτων, την υγρασία των παράκτιων εδαφών και γενικότερα οποιεσδήποτε απειλές υπάρχουν κοντά στην ακτογραμμή. Οι πληροφορίες πρέπει να οργανωθούν και με τα συστήματα γεωγραφικών πληροφοριών (GIS) προκειμένου να προβλεφθούν επικίνδυνες επιδράσεις στην ανθρώπινη υγεία, στα οικοσυστήματα καθώς και στην υποβάθμιση της τοπικής ανάπτυξης της περιοχής.

2. ΜΕΘΟΔΟΛΟΓΙΑ

2.1 Ανίχνευση και εκτίμηση της ανόργανης ρύπανσης

Εικόνα 1: Αυτόματη εκτίμηση πετρελαιοκηλίδας Πηγή: Iphigenia Keramitsoglou, Constantinos Cartalis, Chris T. Kiranoudis, (2006) «Automatic identification of oil spills on satellite images».

Για την εκτίμηση της ανόργανης ρύπανσης σε θαλάσσιες περιοχές έχει προταθεί η χρήση του FLS-Lidar (σύστημα από την Laser Diagnostic Instrument, LDI). Τα πλεονεκτήματα αυτού αφορούν στη χρήση του σε ποικίλες πλατφόρμες αεροπλάνων και ελικοπτέρων, καθώς επίσης και στην ανίχνευση συγκεντρώσεων ακόμα και σε ίχνη (ppm). Οι παράμετροι λειτουργίας για το συγκεκριμένο, αλλά και για κάθε σύστημα τηλεπισκόπησης είναι:

• Το εύρος του μήκους κύματος της ακτινοβολίας
• Η ενέργεια του παλμού
• Η συχνότητα εκπομπής

Εικόνα 2: Αυτόματη εκτίμηση πετρελαιοκηλίδας. Πηγή: Iphigenia Keramitsoglou, Constantinos Cartalis, Chris T. Kiranoudis, (2006) «Automatic identification of oil spills on satellite images».

Για να αποφευχθεί η επίδραση ορισμένων στερεών επιφανειών και σωματιδίων στις παράκτιες περιοχές λόγω του μικρού βάθους, και η επίδραση της αυξημένης θολότητας και σκληρότητας του νερού στις ανοικτές θάλασσες γίνεται εκτίμηση και χρήση του παράγοντα αναλογίας της έντασης φθορισμού κατά την φασματοσκοπία Raman, σε συνδυασμό με την μέτρηση του δείκτη της διαλυμένης οργανικής ουσίας (DOM) στο θαλάσσιο περιβάλλον [Sergey Babichenko, 2004].

Η εκτίμηση της πετρελαιοκηλίδας μπορεί να γίνει αυτοματοποιημένα με χρήση του SAR (Synthetic Aperture Radar), καθώς και με παράλληλη χρήση κατάλληλου λογισμικού τεχνιτής νοημοσύνης. Η αυτόματη αναγνώριση της ανόργανης ρύπανσης και νυν των πετρελαϊκών κηλίδων γίνεται λόγω του μαύρου χρώματος και του χαρακτηριστικού σχήματος που λαμβάνει η κηλίδα. Το σύστημα αναλύει την εικόνα και παρουσιάζει την πιθανότητα το σχήμα της μαύρης εικόνας να είναι κηλίδα πετρελαίου, και σε απεικόνιση σε ψευδοχρωματικό χάρτη προσδιορίζει αυτήν την πιθανότητα (από το πράσινο έως το κόκκινο, όπου το πράσινο αντιστοιχεί σε μικρή πιθανότητα (0%) και το κόκκινο σε πολύ υψηλή, 100%). Παράλληλα ο χρήστης του συστήματος μπορεί να επέμβει σε κάθε βήμα της επεξεργασίας της εικόνας, καθώς και να ορίσει την περιοχή για επιτόπιο έλεγχο ή εναέρια παρατήρηση προς επιβεβαίωση. Στην εικόνα 1 και 2, παρουσιάζεται η αρχική εικόνα (στα αριστερά) που λαμβάνεται απο τον δορυφόρο και η επεξεργασμένη (στα δεξιά) από το κατάλληλο λογισμικό, απεικονίζοντας την πιθανότητα η μαύρη περιοχή να είναι πετρελαϊκή κηλίδα.

Η ανίχνευση της πετρελαϊκής ρύπανσης μπορεί επίσης να επιτευχθεί με χρήση του συστήματος τηλεπισκοπικής θερμικής απεικόνισης (Landsat Thematic Mapper [ΤΜ], thermal remote sensing), όπου μπορεί παράλληλα να πραγματοποιηθεί και αντίστοιχη απεικόνιση (χαρτογράφηση) των ρυπασμένων από υδρογονάνθρακες υδάτινων επιφανειών. Συγκεκριμένα, η ανίχνευση της πετρελαϊκής περιοχής προσδιορίζεται διότι έχει διαφορετική εκπομπή και θερμοδυναμική συμπεριφορά σε σχέση με το νερό ή το έδαφος (εξαιτίας της παρουσίας των υδρογονανθράκων στο πετρέλαιο, οι οποίοι απορροφούν περισσότερη ακτινοβολία και θερμαίνονται περισσότερο) [Iphigenia Keramitsoglou, 2006].

Για την αναγνώριση της πετρελαϊκής μόλυνσης είναι γνωστό ότι:

• Βρίσκεται εντός μίας υδατικής περιοχής.
• Συνήθως όταν είναι κοντά στις ακτές το ξεβράζει το κύμα.
• Βρίσκεται στην επιφάνεια της θάλασσας, γεγονός που το καθιστά ορατό από πολύ μακριά.
• Μειώνουν τον μικροκυματισμό της θάλασσας, δημιουργώντας πιο λεία επιφάνεια (σαν καθρέπτης) και εντοπίζεται πιο εύκολα.

2.2 Ανίχνευση και εκτίμηση της οργανικής ρύπανσης

Εικόνα 3: Οργανική ρύπανση με εκτίμηση του δείκτη BOD. Πηγή: Yunpeng Wang, Hao Xia, Jiamo Fu, Guoying Sheng, (2004) «Water quality change in reservoirs of Shenzhen, China: detection using LANDSAT/TM data».

Εικόνα 4: Εκτίμηση της συγκέντρωσης της χλωροφύλλης. Πηγή: James J. Fitzpatrick, (2008) «Assessing skill of estuarine and coastal eutrophication models for water quality managers».

Για την εκτίμηση της οργανικής ρύπανσης σε θαλάσσιες περιοχές πραγματοποιείται εκτίμηση της συγκέντρωσης του οργανικού άνθρακα, η αύξηση του οποίου επιφέρει ένα μέγιστο ανάκλασης στην περιοχή της ορατής ακτινοβολίας από το μπλε στο πράσινο μήκος κύματος. Η δημιουργία ενός αλγοριθμικού δείκτη μέγιστης διαφορικής ανάκλασης του άνθρακα θα βοηθήσει πολύ στην επιλογή των καναλιών όπου έχουμε τη μέγιστη ανάκλαση αυτού, άρα και στην ανίχνευσή του. Η εκτίμηση αυτή πραγματοποιείται με χρήση του δορυφόρου SeaWiFS. Το σύστημα τηλεπισκοπικής απεικόνισης που χρησιμοποιείται είναι το ASD FieldSpec (UV/VNIR).

Στην εικόνα 3 (αριστερά), πραγματοποιείται χαρτογράφηση της περιοχής, αναλόγως της ένδειξης της μετρούμενης τιμής της συγκέντρωσης του BOD (Biological Oxygen Demand, Βιοχημικώς Απαιτούμενο Οξυγόνο) το οποίο δείχνει το μέγεθος του οργανικού φορτίου που υπάρχει στον συγκεκριμένο υδάτινο αποδέκτη.

Στην εικόνα 4 (δεξιά), πραγματοποιείται ψευδοχρωματική χαρτογράφηση της συγκέντρωσης της χλωροφύλλης στην οποία από την πορτοκαλί έως και τη κόκκινη απόχρωση δείχνει την ασυνήθιστα αυξημένη συγκέντρωση αυτής.

Εικόνα 5: Η αυξημένη συγκέντρωσης της χλωροφύλλης οδηγεί στην ευξημένη θολότητα των υδάτων. Πηγή: Nijad Kabbara, Jean Benkhelil, Mohamed Awad, Vittorio Barale, (2008) «Monitoring water quality in the coastal area of Tripoli (Lebanon) using high-resolution satellite data».

Στην εικόνα 5 (αριστερά), πραγματοποιείται ψευδοχρωματική χαρτογράφηση της συγκέντρωσης της χλωροφύλλης (αριστερή εικόνα) και της θολότητας (turbidity) που αντίστοιχα δημιουργεί (δεξιά εικόνα). Ως προς τη χρωματική απεικόνιση για την αριστερή εικόνα, το σκούρο πράσινο χρώμα δείχνει αυξημένη συγκέντρωση των αλγών, το οποίο αντιστοιχεί με την χρωματική απόδοση της θολότητας και την απεικόνιση στη δεξιά εικόνα με πορτοκαλί χρώμα [Nijad Kabbara, 2008].

2.3 Χαρακτηρισμός της ποιότητας των υδάτων

Για την εκτίμηση και ανίχνευση των θρεπτικών συστατικών που υπάρχουν σε ένα υδάτινο σώμα γίνεται προσδιορισμός της συγκέντρωσης του διαλυμένου οξυγόνου τηλεπισκοπικά, που συνεπάγεται προσδιορισμός της συγκέντρωσης της χλωροφύλλης. Η αυξημένη συγκέντρωση του φυτοπλαγκτόν θα επιφέρει αυξημένη παραγωγή της υδατικής βλάστησης, η οποία θα επιφέρει αρνητική επίδραση στην οικολογική ισορροπία και στην βιοποικιλότητα. Η τηλεπισκόπιση υπενθυμίζεται ότι δείχνει το συνολικό αποτέλεσμα των επιμέρους παραγόντων που επιδρούν στην ποιότητα του νερού [James J. Fitzpatrick, 2008].

Εικόνα 6: Εκτίμηση της συγκέντρωσης των νιτρικών θρεπτικών συστατικών σε υδάτινο αποδέκτη. Πηγή: Kazuo Oki, Yoshifumi Yasuoka (2008), "Mapping the potential annual total nitrogen load in the river basins of Japan with remotely sensed imagery".

Εικόνα 7: Επίπεδα ποιότητας του νερού. Πηγή: Chuqun Chen, Shiling Tang, Zhilin Pan, Haigang Zhan, Mangus Larson, Lennart Jonsson, (2007) «Remotely sensed assessment of water quality levels in the Pearl River Estuary, China».

Στην εικόνα 6 (δεξιά), παρουσιάζεται η ψευδοχρωματική απεικόνιση της συγκέντρωσης των νιτρικών, ως θρεπτικών συστατικών σε ένα υδάτινο αποδέκτη, και στην οποία από την κίτρινη έως και την κόκκινη απόχρωση της απεικόνισης προδηλώνει αυξημένη και υπερβολική αντίστοιχα συγκέντρωση αυτών.

Για την συνολική εκτίμηση της ποιότητας των υδάτων γίνεται χρήση του του Landsat ETM (πολυφασματική σάρωση, ΜSS). Οι παράμετροι που προτείνεται να προσδιοριστούν προαιρετικά με ταυτόχρονες επίγειες μετρήσεις είναι τα ολικά αιωρούμενα σωματίδια, το χημικά απαιτούμενο οξυγόνο (COD), τα θρεπτικά συστατικά, τα βαρέα μέταλλα και οι ελαιο-μολυντές. Η αποτίμηση της ποιότητας νερού γίνεται με την συνολική ανακλαστικότητα που λαμβάνεται από τον δορυφορικό αισθητήρα βάση της συνολικής ρύπανσης του υδάτινου σώματος [Mi-Hyun Park, 2006].

Στην εικόνα 7 (αριστερά), παρουσιάζονται με ψευδοχρωματική απεικόνιση τα πέντε (5) επίπεδα ποιότητας των υδάτων με διακριτή χρωματική απεικόνιση για κάθε επίπεδο ποιότητας, όπου το πράσινο αντιστοιχεί στο πρώτο επίπεδο, το μπλε στο δεύτερο, το κίτρινο στο τρίτο, το μωβ στο τέταρτο και το κόκκινο αντιστοιχεί στο πέμπτο και χαμηλότερο επίπεδο ποιότητας.

3. ΑΠΟΤΕΛΕΣΜΑΤΑ - ΣΥΜΠΕΡΑΣΜΑΤΑ

Οι τηλεπισκοπικοί δέκτες που μπορούν να δώσουν αξιόπιστα αποτελέσματα στην εκτίμηση της ποιότητας των υδάτων είναι η χρήση των δορυφόρων SeaWiFS και Nimbus 7, FLS-Lidar, Landsat Thematic Mapper, Landsat ETM (πολυφασματική σάρωση, ΜSS), ASD FieldSpec (UV/VNIR), τα φασματοραδιόμετρα, Landsat 4 MSS, Landsat 5 TM και Landsat 7 ETM+, SPOT panchromatic data, καθώς και η χρήση ραντάρ SAR (Synthetic Aperture Radar).

Οι παράμετροι που επιδρούν κατά τη λήψη των δορυφορικών εικόνων είναι οι ακόλουθοι:

• Επίδραση των χρήσεων και κάλυψης γης.
• Επίδραση κλιματικών συνθηκών (π.χ. υγρές ή ξηρές).
• Επίδραση της μορφολογίας του εδάφους (απορροή κατακρημνίσεων)
• Επίδραση από τις αγροτικές δραστηριότητες με τη χρήση λιπασμάτων και μικροβιοκτώνων ουσιών.

Οι οποίοι οδηγούν στον προσδιορισμό των [Kaylan Randolph, 2008]:

• Βαθμών θολότητας (συγκένρωσης στερεών)
• Συγκέντρωσης βακτηριδίων (εκτίμηση μόλυνσης)
• Συγκέντρωσης νιτρικών και φωσφορικών (εκτίμηση ευτροφικών καταστάσεων, οργανικής ρύπανσης)
• Οσμής, γεύσης και συγκέντρωσης τοξινών (αισθητική υποβάθμιση)

Κατά τη λήψη μίας δορυφορικής εικόνας απαιτείται διόρθωση αυτής σύμφωνα με τα παρακάτω:

• Βαθμονόμηση του δορυφορικού αισθητήρα
• Διόρθωση της επίδρασης των ατμοσφαιρικών παραμέτρων
• Μείωση της επίδρασης των νεφελωδών σχηματισμών

Η ακτινοβολούμενη ενέργεια από ένα υδάτινο σώμα και αυτή που λαμβάνει ο αισθητήρας του δορυφόρου έγκειται σε τέσσερις (4) διαφορετικές προσπτώσεις και ανακλάσεις αντίστοιχα. Πρόκειται για:

• 1. την ατμοσφαιρική ανάκλαση της ακτινοβολίας, πριν φτάσει στην επιφάνεια του νερού,
• 2. την επιφανειακή ανάκλαση, από την επιφάνεια του νερού,
• 3. την ανάκλαση από τον υδάτινο όγκο και
• 4. την ανάκλαση από τον πυθμένα των αβαθών τμημάτων (30-50 μέτρα).

Η διάκριση του υδάτινου σώματος από το χερσαίο, πραγματοποιείται στα μήκη κύματος της ακτινοβολίας από 740-2500nm. Σε υδάτινα σώματα που υπάρχει αυξημένη συγκέντρωση αιωρούμενων στερεών (θολότητα), χλωροφύλλης και οργανικής ύλης, η διάκριση γίνεται πιο δύσκολη, καθώς και η παρακολούθηση του φαινομένου χωρικά και χρονικά.

Τα ψηφιακά δεδομένα που λαμβάνονται από τον εκάστοτε αισθητήρα, επεξεργάζονται με κατάλληλες τεχνικές, τη χρήση ειδικών αλγορίθμων και αποφασίζεται η διένεξη επιτόπιου ελέγχου σε συγκεκριμένο τμήμα της περιοχής, καθώς και η πιθανή χρήση κάποιον ήδη αποκτηθέντων πληροφοριών σε παλαιότερη έρευνα. Αφού γίνουν και οι απαραίτητες διορθώσεις, τότε εξάγεται ο τελικός χάρτης ποιότητας των υδάτων, με ψευδοχρωματική απεικόνιση, η οποία αναπαριστά αναλόγως του τόνου χρωματισμού της και την αντίστοιχη ποιότητα στο σημείο αυτό.

Για τον χαρακτηρισμό της ποιότητας των υδάτων ακολουθείται εν γένει η επόμενη μέθοδος. Αρχικά πραγματοποιείται διόρθωση της ληφθείσας από τον δορυφόρο εικόνας με σημεία ελέγχου επί του εδάφους (ground control point). Εν συνεχεία, γίνεται συνδυασμός συνεχόμενων εικόνων από την ίδια τροχιά λήψης, όπου αφαιρούνται κάποια σημεία που μας εμποδίζουν (π.χ. από σύννεφα) και μπορεί να αλλοιώσουν τα φασματικά (π.χ. ραδιομετρικά) δεδομένα. Δοκιμάζονται όλοι οι δυνατοί συνδυασμοί των καναλιών για την βέλτιστη χρωματική απεικόνιση της εικόνας. Το καλιμπράρισμα (calibration) της δορυφορικά ληφθείσας εικόνας επιτυγχάνεται από μία βάση δεδομένων επίγειων ελέγχων που έχουν πραγματοποιειθεί από εθελοντές ή διάφορα πρακτορεία. Τέλος, γίνεται ένας συνδυασμός των pixels (group), τα οποία έχουν κοινά χαρακτηριστικά (όπως τα pixels του νερού, τα pixels εδάφους) [Leif G. Olmanson, 2008].

4. ΑΝΑΦΟΡΕΣ ΚΑΙ ΑΛΛΗ ΣΧΕΤΙΚΗ ΒΙΒΛΙΟΓΡΑΦΙΑ

• Sergey Babichenko, Alex Dudelzak and Larisa Polyvkina, (2004) «Laser remote sensing of coastal and terrestrial pollution by FLS-LIDAR».
• Iphigenia Keramitsoglou, Constantinos Cartalis, Chris T. Kiranoudis, (2006) «Automatic identification of oil spills on satellite images».
• Chuqun Chen, Shiling Tang, Zhilin Pan, Haigang Zhan, Mangus Larson, Lennart Jonsson, (2007) «Remotely sensed assessment of water quality levels in the Pearl River Estuary, China».
• Kaylan Randolph, Jeff Wilson, Lenore Tedesco, Lin Li, D. Lani Pascual, Emmanuel Soyeux, (2008) «Hyperspectral remote sensing of cyanobacteria in turbid productive water using optically active pigments, chlorophyll a amd phycocyanin».
• Antonio Ruiz-Verdú, Stefan G.H. Simis, Caridad de Hoyos, Herman J. Gons, Ramón Peña-Martínez, (2007) «An evaluation of algorithms for the remote sensing of cyanobacterial biomass».
• Daria Siciliano, Kerstin Wasson, Donald C. Potts, R.C. Olsen, (2008) «Evaluating hyperspectral imagine of wetland vegetation as a tool for detecting estuarine nutrient enrichment».
• Leif G. Olmanson, Marvin E. Bauer, Patrick L. Brezonik, (2008) «A 20-year Landsat water clarity census of Minnesota's 10,000 lakes».
• Saif ud din, Ahmad Al Dousari, Peter Literathy, (2007) «Evidence of hydrocarbon contamination from the Burgan oil field, Kuwait -Interpretations from thermal remote sensing data».
• Mi-Hyun Park, Michael K. Stenstrom, (2006) «Using satellite imagery for stormwater pollution management with Bayesian networks».
• Prakash Basnyat, L.D. Teeter, B.G. Lockaby, K.M. Flynn, (1999) «The use of remote sensing and GIS in watershed level analyses of non- point source pollution problems».
• H. Gonca Coskun, Ozlem Gulergun, Levent Yilmaz, (2006) «Monitoring of protected bands of Terkos drinking water reservoir of metropolitan Istanbul near the Black Sea coast using satellite data».
• Martin Gadeu, Werner Alpers, (1999) «Using ERS-2 SAR images for routine observation of marine pollution in European coastal waters».
• Barak Herut, Gideon Tibor, Yosef Z. Yacobi and Nurit Kress, (1999) «Synoptic Measurements of Chlorophyll-a and Suspended Particulate Matter in a Transitional Zone from Polluted to Clean Seawater Utilizing Airborne Remote Sensing and Ground Measurements, Haifa Bay (SE Mediterranean)».
• Philippe Maillard, Nadia Antonia Pinheiro Santos, (2007) «A spatial-statistical approach for modeling the effect of non-point source pollution on different water quality parameters in the Velhas river watershed – Brazil».
• Luboš Matejıcek, Libuše Benešová, Jaroslav Tonika, (2003) «Ecological modelling of nitrate pollution in small river basins by spreadsheets and GIS».
• Yunpeng Wang, Hao Xia, Jiamo Fu, Guoying Sheng, (2004) «Water quality change in reservoirs of Shenzhen, China: detection using LANDSAT/TM data».
• Huaguo Xiao, Wei Ji, (2007) «Relating landscape characteristics to non-point source pollution in mine waste-located watersheds using geospatial techniques».
• Hans W. Paerl, Julianne Dyble, Pia H. Moisander, Rachel T. Noble, Michael F. Piehler, James L. Pinckney, Timothy F. Steppe, Luke Twomey and Lexia M. Valdes, (2003) «Microbial indicators of aquatic ecosystem change: current applications to eutrophication studies».
• James J. Fitzpatrick, (2008) «Assessing skill of estuarine and coastal eutrophication models for water quality managers».
• Rosa Maria Cavalli, Giovanni Laneve, Lorenzo Fusilli, Stefano Pignatti, Federico Santini, (2008) «Remote sensing water observation for supporting Lake Victoria weed management».
• Nijad Kabbara, Jean Benkhelil, Mohamed Awad, Vittorio Barale, (2008) «Monitoring water quality in the coastal area of Tripoli (Lebanon) using high-resolution satellite data».
• C.P. Kuchinke, H.R. Gordon, L.W. Harding Jr., K.J. Voss, (2009) «Spectral optimization for constituent retrieval in Case 2 waters II: Validation study in the Chesapeake Bay».
• Youichi Oyama, Bunkei Matsushita, Takehiko Fukushima, Kazuo Matsushige, Akio Imai, (2009) «Application of spectral decomposition algorithm for mapping water quality in a turbid lake (Lake Kasumigaura, Japan) from Landasat TM data».
• Young Baek Son, Wilford D. Gardner, Alexey V. Mishonov, Mary Jo Richardson, (2009) «Multispectral remote-sensing algorithms for particulate organic carbon (POC): The Gulf of Mexico».