DOI: https://doi.org/10.3389/frsen.2026.1710758
تاريخ النشر: 2026-03-18
المؤلف: Dagmar Müller وآخرون
الموضوع الرئيسي: النظم البيئية البحرية والساحلية
نظرة عامة
تقدم هذه القسم نظرة عامة على تطوير وتطور خوارزمية Case-2 Regional CoastColour (C2RCC)، التي بدأها دورفر وشيلر في التسعينيات لتحليل لون المحيط في المياه الساحلية المعقدة باستخدام تقنيات الشبكات العصبية المعتمدة على الفيزياء. تتناول الخوارزمية عكس نقل الإشعاع الشمسي، بما في ذلك التصحيحات الجوية، لتقدير الخصائص البصرية الجوهرية (IOPs) لمكونات المياه. بعد ذلك، يتم استخدام نماذج بيو-بصرية تجريبية لاشتقاق تركيزات المكونات من هذه IOPs.
تم تصميم C2RCC في البداية لجهاز استشعار MERIS على ENVISAT، وأصبحت المعالج التشغيلي لإنتاج منتجات المياه المعقدة من بيانات Sentinel-3 OLCI وSentinel-2 MSI ضمن خدمة كوبرنيكوس البحرية عالية الدقة للون المحيط. تم تعديل الخوارزمية لمهام الأقمار الصناعية المختلفة، بما في ذلك SeaWiFS وMODIS وVIIRS وLandsat OLI، وهي متاحة عبر منصة تطبيقات Sentinel (SNAP). يناقش المقال نتائج التحقق من صحة الخوارزمية، وتقييمات أداء المستخدمين، وفعاليتها في المياه من النوع Case-2 التي تمتص أو تشتت الضوء بشكل معتدل، بينما يتناول أيضًا قيودها والمجالات المحتملة للتحسين في المستقبل.
مقدمة
تناقش مقدمة هذه الورقة البحثية أهمية الاستشعار عن بعد البصري في تحليل لون المياه لاشتقاق معلومات حول مكونات المياه في العمود المائي العلوي. تبرز دور الخصائص البصرية الجوهرية (IOPs) لمكونات مختلفة، بما في ذلك العوالق النباتية، والمواد العضوية المتحللة، والمواد العضوية الملونة المذابة (CDOM)، في تغيير الخصائص الطيفية للضوء الشمسي الساقط. تميز الورقة بين مياه Case-1، المتأثرة بشكل أساسي بالعوالق النباتية، ومياه Case-2، التي تشمل مساهمات إضافية من المواد العضوية المتحللة وCDOM، وغالبًا ما توجد في البيئات الساحلية أو الداخلية. تتطلب تعقيدات التصحيح الجوي والتحديات التي تطرحها الخصائص البصرية المتغيرة خوارزميات عكس متطورة لاسترجاع IOPs بدقة من الانعكاس الناتج عن المياه.
يؤكد المؤلفون على تطور تقنيات التعلم الآلي، وخاصة الشبكات العصبية، كحل لمشكلة العكس، مع تحقيق توازن بين الدقة والكفاءة الحسابية لمعالجة بيانات الأقمار الصناعية على نطاق واسع. يتم تسليط الضوء على خوارزمية C2RCC (Case-2 Regional CoastColour) لتوفيرها مجموعة واسعة من منتجات المياه، بما في ذلك قيم الانعكاس وIOPs، جنبًا إلى جنب مع تقديرات عدم اليقين. توضح الورقة الاستخدام التشغيلي لمنتجات C2RCC من قبل منظمات مثل ESA وEUMETSAT وتقدم مشروع C2RCC Community الذي يهدف إلى تعزيز الخوارزمية وتعزيز التعاون بين الباحثين. تختتم هذه القسم بمقدمة حول تركيز الورقة على الأسس النظرية لمعالج C2RCC، وتحليل الأداء، وإمكانات التطوير المستقبلية.
نقاش
تستخدم خوارزمية C2RCC سلسلة من خطوات المعالجة لاشتقاق معلومات جودة المياه من بيانات الأقمار الصناعية، باستخدام الشبكات العصبية (NNs) لتصحيح الغلاف الجوي، والعكس في المياه، وتقدير عدم اليقين. في البداية، يتم تصنيف بيانات الأقمار الصناعية إلى أراضٍ، ومياه، وفئات أخرى، تليها تحويل إشعاع قمة الغلاف الجوي (TOA) إلى انعكاس قمة الغلاف الجوي القياسي (TOSA). تعالج الخوارزمية بكسلات المياه الخالية من السحب، باستخدام انعكاس TOSA وزوايا الملاحظة كمدخلات لعشر شبكات عصبية مترابطة. تقوم هذه الشبكات العصبية بإجراء تصحيحات جوية لتقدير الانعكاس الناتج عن المياه، واسترجاع الخصائص البصرية الجوهرية (IOPs)، وقياس عدم اليقين المرتبط بهذه المعلمات. تعتبر IOPs المستمدة، مثل معاملات الامتصاص والارتداد، مؤشرات على تركيز مكونات المياه النشطة بصريًا، والتي يمكن قياسها بشكل أكبر باستخدام نماذج بيو-جيو-بصرية.
لتحسين قوة مجموعات بيانات التدريب للشبكات العصبية، يتم استخدام محاكاة نقل الإشعاع، مع الأخذ في الاعتبار مجموعة متنوعة من المعلمات الجوية والسطحية التي تؤثر على انعكاس TOA. تساعد هذه المحاكاة في التغلب على قيود مجموعات بيانات الملاحظات الميدانية، مما يضمن تمثيلًا شاملاً للتنوع البصري الطبيعي. تشمل بنية الخوارزمية عدة شبكات عصبية تم تدريبها على مجموعة واسعة من الظروف، بما في ذلك أنواع مختلفة من الهباء الجوي ومكونات المياه، لتقدير IOPs وغيرها من معلمات جودة المياه بدقة. تم التحقق من أداء خوارزمية C2RCC مقابل القياسات في الموقع، مما يوضح فعاليتها عبر أنواع المياه المختلفة ويساهم في المشاريع الدولية المستمرة التي تركز على لون المحيط ومراقبة جودة المياه.
DOI: https://doi.org/10.3389/frsen.2026.1710758
Publication Date: 2026-03-18
Author(s): Dagmar Müller et al.
Primary Topic: Marine and coastal ecosystems
Overview
The section provides an overview of the development and evolution of the Case-2 Regional CoastColour (C2RCC) algorithm, initiated by Doerffer and Schiller in the 1990s for analyzing ocean color in complex coastal waters using physics-based neural network techniques. The algorithm addresses solar radiative transfer inversions, including atmospheric corrections, to estimate inherent optical properties (IOPs) of water constituents. Subsequently, empirical bio-optical models are employed to derive constituent concentrations from these IOPs.
Initially designed for the MERIS sensor on ENVISAT, C2RCC has become the operational processor for generating complex water products from Sentinel-3 OLCI and Sentinel-2 MSI data within the Copernicus Marine High Resolution Ocean Colour Service. The algorithm has been adapted for various satellite missions, including SeaWiFS, MODIS, VIIRS, and Landsat OLI, and is accessible via the Sentinel Application Platform (SNAP). The article discusses the algorithm’s validation results, user performance evaluations, and its effectiveness in moderately absorbing or scattering Case-2 waters, while also addressing its limitations and potential areas for future enhancement.
Introduction
The introduction of this research paper discusses the significance of optical remote sensing in analyzing water color to derive information about water constituents in the upper water column. It highlights the role of inherent optical properties (IOPs) of various constituents, including phytoplankton, detritus, and colored dissolved organic matter (CDOM), in altering the spectral characteristics of incident sunlight. The paper distinguishes between Case-1 waters, primarily influenced by phytoplankton, and Case-2 waters, which include additional contributions from detritus and CDOM, often found in coastal or inland environments. The complexity of atmospheric correction and the challenges posed by varying optical properties necessitate sophisticated inversion algorithms for accurate retrieval of IOPs from water-leaving reflectance.
The authors emphasize the evolution of machine learning techniques, particularly neural networks, as a solution to the inversion problem, balancing accuracy and computational efficiency for large-scale satellite data processing. The C2RCC (Case-2 Regional CoastColour) algorithm, developed for various ocean color sensors, is highlighted for its capability to provide a wide range of water products, including reflectance values and IOPs, along with uncertainty estimates. The paper outlines the operational use of C2RCC products by organizations such as ESA and EUMETSAT and introduces the C2RCC Community Project aimed at enhancing the algorithm and fostering collaboration among researchers. The section concludes with a preview of the paper’s focus on the C2RCC processor’s theoretical foundations, performance analysis, and future development potential.
Discussion
The C2RCC algorithm employs a series of processing steps to derive water quality information from satellite data, specifically utilizing neural networks (NNs) for atmospheric correction, in-water inversion, and uncertainty estimation. Initially, satellite data is classified into land, water, and other categories, followed by the conversion of top-of-atmosphere (TOA) radiance to top-of-standard-atmosphere (TOSA) reflectance. The algorithm processes cloud-free water pixels, using TOSA reflectance and observation angles as inputs to ten interconnected NNs. These NNs perform atmospheric corrections to estimate water-leaving reflectance, retrieve inherent optical properties (IOPs), and quantify uncertainties associated with these parameters. The derived IOPs, such as absorption and backscattering coefficients, serve as indicators of the concentration of optically active water constituents, which can be further quantified using bio-geo-optical models.
To enhance the robustness of the training datasets for the NNs, radiative transfer simulations are employed, accounting for various atmospheric and surface parameters that influence TOA reflectance. These simulations help overcome limitations of field observation datasets, ensuring a comprehensive representation of natural optical variability. The algorithm’s architecture includes multiple NNs trained on a wide range of conditions, including different aerosol types and water constituents, to accurately estimate IOPs and other water quality parameters. The performance of the C2RCC algorithm has been validated against in situ measurements, demonstrating its effectiveness across various water types and contributing to ongoing international projects focused on ocean color and water quality monitoring.