Retrieval of Oceanic Constituents with Artificial Neural Network Based on Radiative Transfer Simulation Techniques

Abstract

In this thesis, a method for the retrieval of oceanic constituents from ocean colour in Case I and Case II waters is reported. The method is derived from radiative transfer simulations and subsequent application of Artificial Neural Network (ANN) techniques. Three applications of this method are presented in this thesis. Firstly, an ANN-based algorithm is developed for the retrieval of the pigment concentration in Case I waters from the remote sensing reflectance just above sea surface. The performance of the algorithm is assessed by comparing it to the in-situ measurement data sets SeaBAM and COASTLOOC. The results show that the performance of the ANN-based retrieval scheme is comparable to the most successful empirical algorithms such as OC4. Secondly, an ANN-based algorithms is developed for the retrieval of oceanic constituents concentrations (CHL, SPM and CDOM) in Case II waters from the hemispherical reflectance just below sea surface. The performance of the algorithm is assessed by comparing it to the in situ measurement data sets COASTLOOC, PMNS. The results show that the performance of the ANN-based retrieval scheme is better than that of the empirical algorithms developed by PMNS. Thirdly, an ANN-based algorithm is developed for the retrieval of oceanic constituents concentrations (CHL, SPM and CDOM) in Case II waters from MERIS imagery. This algorithm has the capability to deal with various atmospheres from weakly to strongly absorbing aerosols. Applying this algorithm to MERIS images taken over the North Sea and the China Seas, reasonable results were obtained except for the highly turbid areas in the China Seas.

In dieser Arbeit wird eine Methode zur Bestimmung von Wasserinhaltsstoffen aus der Ozeanfarbe von Case-1 und Case-2 Gewässern vorgestellt. Die Methode basiert auf der Inversion von Strahlungstransportsimulationen unter Verwendung von künstlichen neuronalen Netzen. In dieser Arbeit werden insgesamt drei unterschiedliche Inversionsverfahren präsentiert. Zunächst wird ein Inversionsalgorithums für Case-1 Gewässern aufgestellt, mit dem die Pigmentkonzentration aus dem Reflektionsvermögen direkt an der Wasseroberfläche ableitet werden kann. Die Genauigkeit des Algorithmus wird mit Hilfe von in situ Messungen der SeaBAM und COASTLOOC Datensätze bestimmt und ist vergleichbar mit der Genauigkeit des empirischen OC4-Algorithmus. Zweitens wird ein Algorithmus auf Basis von künstlichen neuronalen Netzen zur Ableitung von Wasserinhaltsstoffen (CHL, SPM, und CDOM) in Case-2 Gewässern aus dem hemisphärischen Reflektionsvermögen direkt unter der Wasseroberfläche entwickelt. Die Genauigkeit dieses Algorithmus wird durch Vergleich mit in situ Messungen der COASTLOOC und PMNS Datensätze ermittelt und ist besser als die empirischen Algorithmen, die von PMNS entwickelt wurden. Schließlich wird ein Inversionsalgorithums auf Basis von künstlichen neuronalen Netzen zur Bestimmung von Wasserinhalsstoffen aus MERIS Daten entwickelt, der für verschiedene Atmosphären mit schwach und stark absorbierenden Aerosolen entworfen wurde. Bei der Anwendung des Algorithmus an MERIS Daten der Nord- und Chinasee konnten realistische Ergebnisse, mit Ausnahme der sehr trüben Gewässerareale der Chinasee, erzielt werden.