Skip to content
بازگشت به نتایج جست‌وجو

کلروفیل-آ رنگ اقیانوس

معرفی‌شده توسط
Remote Sensing Community
سال
1978
نوع
bio-optical
خانواده
Remote Sensing

این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید

اندازه قلم

چه کاری انجام می‌دهد؟

سنجش از دور رنگ اقیانوس، روش اصلی جهانی برای استخراج غلظت کلروفیل-آ آب دریا و بهره‌وری فیتوپلانکتون‌ها از حسگرهای ماهواره‌ای است. الگوریتم‌های رنگ اقیانوس، بر اساس اصول بیواپتیکی که در دهه ۱۹۷۰ پایه‌گذاری شد، اندازه‌گیری‌های بازتاب طیفی ماهواره‌ای را به تخمین غلظت رنگدانه کلروفیل-آ تبدیل می‌کنند. این روش پایش در مقیاس جهانی و بلادرنگ بهره‌وری اولیه اقیانوسی و دینامیک پلانکتون‌ها را امکان‌پذیر می‌سازد.

شهود پشت روش

فیتوپلانکتون‌ها حاوی رنگدانه فتوسنتزی کلروفیل-آ هستند که نور آبی را به شدت جذب کرده و نور سبز را بازتاب می‌دهد. حسگرهای ماهواره‌ای، تابش طیفی بالارونده را در باندهای باریک متعدد (معمولاً آبی در ۴۴۰-۴۹۰ نانومتر و سبز در ۵۰۰-۵۷۰ نانومتر) اندازه‌گیری می‌کنند. نسبت بازتاب سبز به آبی با غلظت کلروفیل-آ همبستگی دارد. با به‌کارگیری الگوریتم‌های کالیبره شده تجربی یا نیمه‌تحلیلی، این نسبت‌های بازتاب به غلظت کلروفیل-آ تبدیل می‌شوند. نقشه‌های جهانی حاصل، مناطق با بهره‌وری بالا (شکوفایی‌ها، مناطق بالازدگی) و بیابان‌های کم‌تغذیه را آشکار می‌سازند و امکان ارزیابی بهره‌وری اقیانوس و حمایت از شبکه غذایی را فراهم می‌کنند.

تاریخ

سنجش از دور رنگ اقیانوس ریشه‌های خود را به اقیانوس‌شناسان اولیه که تشخیص دادند خواص طیفی فیتوپلانکتون‌ها را می‌توان از راه دور سنجید، می‌رساند. اولین الگوریتم‌های بیواپتیکی کمی در اواخر دهه ۱۹۷۰ و ۱۹۸۰ توسعه یافتند. CZCS (اسکنر رنگ منطقه ساحلی) که در سال ۱۹۷۸ راه‌اندازی شد، اولین نقشه‌های جهانی کلروفیل-آ را ارائه داد. حسگرهای بعدی (AVHRR، SeaWiFS، MODIS، Sentinel-3) وضوح طیفی و کالیبراسیون را به طرز چشمگیری بهبود بخشیدند. الگوریتم‌های تجربی و نیمه‌تحلیلی تکامل یافته‌اند و رویکردهای مدرن شامل یادگیری ماشین و هم‌افزایی چند حسگری هستند.

چه زمانی استفاده شود

بازیابی کلروفیل-آ رنگ اقیانوس، روش استاندارد برای پایش جهانی فیتوپلانکتون‌ها در صورت نیاز به دیدگاه در مقیاس بزرگ و بلندمدت است. از آن برای نقشه‌برداری الگوهای بهره‌وری، تشخیص شکوفایی‌ها، اعتبارسنجی مدل‌های اکوسیستم و حمایت از مدیریت شیلات استفاده کنید. این روش در آب‌های شفاف تا نسبتاً پربازده قابل اعتمادترین است؛ کاربرد در خورهای بسیار گل‌آلود یا آب‌های ساحلی غنی از رسوب به الگوریتم‌های تخصصی نیاز دارد. از استفاده در مناطقی با پوشش ابری پایدار یا درخشش شدید خورشید اجتناب کنید.

محدودیت‌ها و ملاحظات

  • اصلاح جو، عدم قطعیت زیادی را به ویژه در مناطق ساحلی و نزدیک ابرها ایجاد می‌کند؛ خطاهای آئروسل می‌توانند به صورت عدم قطعیت‌های ۳۰-۵۰٪ کلروفیل-آ منتشر شوند
  • کدورت بالا، تعلیق مجدد رسوبات، یا مواد آلی محلول رنگی (CDOM) مفروضات الگوریتم را در آب‌های ساحلی و خورها نقض می‌کنند
  • فقط کلروفیل-آ سطح (معمولاً عمق ۱ سکچی) را اندازه‌گیری می‌کند؛ کلروفیل یکپارچه عمودی یا حداکثر زیرسطحی تشخیص داده نمی‌شوند
  • پوشش ابری مانع اندازه‌گیری می‌شود و دسترسی به داده‌ها را در طول فصل‌های ابری محدود می‌کند

شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.

نقاط قوت

  • پوشش مکانی جهانی و فرکانس زمانی بی‌سابقه (روزانه تا چند روزه) را از پلتفرم‌های ماهواره‌ای متعدد فراهم می‌کند
  • داده‌های بایگانی شده دهه‌ها، تحلیل روند در مقیاس ده ساله و تغییرات بهره‌وری ناشی از اقلیم را امکان‌پذیر می‌سازد
  • غیرتهاجمی و مقرون به صرفه در مقایسه با نمونه‌برداری درجا از مناطق وسیع اقیانوسی
  • الگوریتم‌ها به صورت بین‌المللی استاندارد شده‌اند و محصولات داده جهانی سازگار و مقایسه‌های بین حسگری را امکان‌پذیر می‌سازند

کاربردها

  • پایش تغییرات بهره‌وری اولیه ناشی از تغییرات اقلیمی و گرمایش اقیانوس در پاسخ به نیروهای انسان‌ساخت
  • حمایت از مدیریت شیلات با شناسایی شکوفایی‌های پلانکتونی که بر تخم‌ریزی ماهی و بقای لاروها در مناطق زادآوری ساحلی تأثیر می‌گذارند
  • تشخیص شکوفایی‌های مضر جلبکی و صدور هشدارهای بهداشت عمومی برای مناطق آبزی‌پروری در زمان واقعی
  • اعتبارسنجی مدل‌های بیوژئوشیمیایی جهانی که چرخه کربن اقیانوس و بودجه مواد مغذی را پیش‌بینی می‌کنند

چگونه کار می‌کند

چگونه کار می‌کند

1

حسگرهای ماهواره‌ای (مانند MODIS، SeaWiFS، Sentinel-3) تابش طیفی را در باندهای مرئی با وضوح مکانی ۳۰۰ متر تا ۱ کیلومتر اندازه‌گیری می‌کنند؛ عبورهای متعدد در روز پوشش جهانی تقریباً روزانه را امکان‌پذیر می‌سازند.

2

تابش بالای جو به تابش خروجی از آب با کسر پراکندگی و جذب جو تبدیل می‌شود؛ عمق نوری آئروسل و پراکندگی ریلی با استفاده از مدل‌های انتقال تابش حذف می‌شوند.

3

بازتاب سنجش از دور (Rrs) به صورت نسبت تابش خروجی از آب به تابش خورشیدی فرودی محاسبه می‌شود؛ نسبت باندها (مانند Rrs(555)/Rrs(440)) محاسبه می‌شوند.

4

کلروفیل-آ با استفاده از الگوریتم‌های تجربی (مانند OC2، OC3، OC4) مبتنی بر نسبت باندها، یا مدل‌های نیمه‌تحلیلی که جذب را بین کلروفیل و مواد آلی محلول رنگی تفکیک می‌کنند، تخمین زده می‌شود.

5

نقشه‌های کلروفیل-آ برای شناسایی مناطق پربازده، ردیابی دینامیک شکوفایی‌ها، اعتبارسنجی مدل‌های بیوژئوشیمیایی و تخمین تولید اولیه خالص تجزیه و تحلیل می‌شوند.

دام‌های رایج

  • فرض کردن اینکه تخمین‌های کلروفیل-آ ماهواره‌ای بدون اعتبارسنجی محلی دقیق هستند؛ خطاهای الگوریتم می‌توانند در آب‌های ساحلی پیچیده از ۵۰٪ فراتر روند
  • اشتباه گرفتن غلظت کلروفیل-آ با زیست‌توده فیتوپلانکتون؛ اندازه سلول و ترکیب گونه‌ها بر نسبت رنگدانه به کربن تأثیر می‌گذارند
  • استفاده از داده‌های پیکسل منفرد ماهواره‌ای به گونه‌ای که گویی اندازه‌گیری‌های نقطه‌ای را نشان می‌دهند؛ پیکسل‌های ماهواره‌ای حدود ۱ کیلومتر مربع آب را یکپارچه می‌کنند و تغییرات در مقیاس ریز را پنهان می‌سازند

پرسش‌های متداول

چرا الگوریتم‌های مختلف رنگ اقیانوس تخمین‌های متفاوتی از کلروفیل-آ ارائه می‌دهند؟

الگوریتم‌های مختلف برای انواع مختلف آب بهینه شده‌اند: الگوریتم‌های تجربی (OC2، OC4) در اقیانوس باز به خوبی کار می‌کنند اما در آب‌های ساحلی با CDOM بالا شکست می‌خورند. مدل‌های نیمه‌تحلیلی جذب رنگدانه را از جذب بقایای آلی تفکیک می‌کنند اما به مفروضات اضافی نیاز دارند. انتخاب الگوریتم به نوع آب محلی بستگی دارد؛ رویکردهای چند الگوریتمی، سوگیری سیستماتیک را کاهش می‌دهند.

حسگری رنگ اقیانوس تا چه عمقی نفوذ می‌کند؟

نور مرئی تقریباً تا عمق یک سکچی نفوذ می‌کند؛ کلروفیل-آ سنجش از دور معمولاً منطقه نوری (بالاترین ۱-۱۰۰ متر بسته به شفافیت آب) را یکپارچه می‌کند. حداکثر کلروفیل زیرسطحی که در آب‌های طبقه‌بندی شده رایج است، توسط روش‌های ماهواره‌ای کمتر تخمین زده می‌شود.

آیا می‌توان از کلروفیل-آ ماهواره‌ای برای تخمین تولید اولیه استفاده کرد؟

غلظت کلروفیل به تنهایی بهره‌وری را تعیین نمی‌کند؛ راندمان فتوسنتزی، در دسترس بودن مواد مغذی و در دسترس بودن نور نیز مهم هستند. مدل‌های بهره‌وری، کلروفیل-آ را با داده‌های کمکی (نور، دما، اقلیم‌شناسی مواد مغذی) و الگوریتم‌های تولید اولیه مانند VGPM یا CbPM ترکیب می‌کنند.

روش‌های مرتبط

منابع

  1. Gordon, H. R., & Morel, A. Y. (1983). Remote Assessment of Ocean Color for Interpretation of Satellite Visible Imagery. Springer-Verlag.

    باز کردن مرجع انتشار
    کپی شد.
  2. Behrenfeld, M. J., & Falkowski, P. G. (2001). A consumer's guide to phytoplankton primary productivity models. Limnology and Oceanography, 46(7), 1639-1654.

    باز کردن مرجع انتشار
    کپی شد.