用于从遥感数据中提取叶绿素a以监测海洋生态系统的算法评估

富营养化是水生生物的共同问题,对自然资源和人类健康造成更大的损害。因此,水生管理者总是试图通过监测水质指标,使他们了解即将发生的富营养化事件,叶绿素-A是其中之一。Chl-a水平通常表示任何水体中的浮游植物生物量,并作为富营养化的直接指标。Chl-A是水的光学活性成分,可通过地球观测卫星上的传感器进行测量。因此,最先进的遥感(RS)技术被广泛用于估算CRL-A水平,以补充典型的监测方法。尽管如此,RS技术已经证明在估算病例1-水域的Chl-a水平方面非常有效。G.,海洋),其利用情况2-水(例如:,沿海及过渡期)因其他光学活跃的wq指标(例如:有机质,总悬浮物)。为了使这一问题更加复杂,大气中的气溶胶颗粒的不均匀分布和邻近陆地的明亮辐射极大地阻碍了从遥感图像中精确估计铬-A对大气的影响。最近的几项研究表明,由于选择了不适当的RS数据带比率,被广泛使用的检索Chl-A算法产生了大量的不确定性。因此,本研究的目的是利用尖端机器学习和人工智能技术开发一种健壮的CHL-A检索算法,以便更精确地估计CHL-A。将利用哨兵-3号海洋和陆地彩色仪器和哨兵-2号多光谱仪器卫星的遥感图像来评估传统和混合算法,以便对CRL-A进行估计。这项研究的结果可能有助于更准确地从遥感数据中获得CRL-A数据,这可能有助于改进传统的监测方案,解决这一方法的现有局限性。将利用哨兵-3号海洋和陆地彩色仪器和哨兵-2号多光谱仪器卫星的遥感图像来评估传统和混合算法,以便对CRL-A进行估计。这项研究的结果可能有助于更准确地从遥感数据中获得CRL-A数据,这可能有助于改进传统的监测方案,解决这一方法的现有局限性。将利用哨兵-3号海洋和陆地彩色仪器和哨兵-2号多光谱仪器卫星的遥感图像来评估传统和混合算法,以便对CRL-A进行估计。这项研究的结果可能有助于更准确地从遥感数据中获得CRL-A数据,这可能有助于改进传统的监测方案,解决这一方法的现有局限性。