Atmosphärenkorrektur über schwebstoffreichen Küstengewässern für MERIS

Abstract

Zur Entwicklung einer Atmosphärenkorrektur über schwebstoffreichen Küstengewässern wurde die Methode der inversen Modellierung angewandt. Neuronale Netze, die das inverse Modell emulieren, wurden mit Daten, die Ergebnisse von Monte-Carlo Simulationen darstellen, trainiert. Das zu diesem Zwecke entwickelte Monte-Carlo-Programm beschreibt den Strahlungstransport im gekoppelten System Atmosphäre-zean und berücksichtigt die Polarisationseigenschaften des Lichtes. Zusätzlich zu dem Netz, das zur Atmosphärenkorrektur verwendet wurde, konnte ein Neuronales Netz darauf trainiert werden, erstmals die Konzentrationen von Schweb- und Gelbstoff direkt aus MERIS-Daten abzuleiten. Beide Netze wurden anhand von in situ Daten validiert und liefern für schwebstoffreiche Typ-II Gewässer stabilere Ergebnisse als die operationell eingesetzte Methode. Für noch zu behebende Probleme der vorgestellten Methode wurden Lösungsvorschläge entwickelt.

For the development of an atmospheric correction over coastal waters with a high load of suspended matter an inverse modelling technique was used. Neural Networks emulating the inverse model were trained with results of Monte-Carlo calculations. The designed Monte-Carlo program describes the radiative transfer in a coupled atmosphere-ocean system and takes into account the polarization properties of light. Additionally to the Neural Network for the atmospheric correction another one was trained in order to derive for the first time concentrations of suspended matter and yellow substance directly from MERIS-data. Both Networks were validated using in situ data. They turned out to be more stable over case-II waters with a high load of suspended matter than the operational algorithm. Remaining problems were discussed and possible solutions were presented.