An improved algorithm for estimating chlorophyll-a in coastal waters of southern Brazil from multispectral satellite images

Talita Montagna; Alexander Christian Vibrans; Robson Ventura de Souza

doi:10.26848/rbgf.v18.1.p633-645

Autores

Talita Montagna Fundação Universidade Regional de Blumenau
Alexander Christian Vibrans Fundação Universidade Regional de Blumenau https://orcid.org/0000-0002-8789-5833
Robson Ventura de Souza Empresa de Pesquisa Agropecuária e Extensão Rural de Santa Catarina https://orcid.org/0000-0003-0588-0038

DOI:

https://doi.org/10.26848/rbgf.v18.1.p633-645

Palavras-chave:

Remote sensing, Monitoring

Resumo

Estimativas de sensoriamento remoto de clorofila-A (CLA) de modelos globais têm sido usadas para apoiar a tomada de decisões no sul do Brasil, a mais importante região de produção de moluscos bivalves (~9 mil toneladas em 2022) do país, e um estudo recente indicou que essas estimativas representam mal os níveis reais de CLA. O objetivo do estudo foi desenvolver um algoritmo aprimorado para estimar a clorofila-a nessas águas costeiras a partir de imagens multiespectrais. Um banco de dados CLA coletado in situ entre 2007 e 2009 foi utilizado para calibrar e validar algoritmos baseados em dados espectrais do Espectrômetro de Imagem de Média Resolução (MERIS) (satélite ENVISAT) (resolução espacial de 300m), incluindo algoritmos baseados em bandas vermelhas e infravermelhas próximas: duas bandas (2B e M2B), três bandas (3B) e o Índice de Clorofila por Diferença Normalizada (NDCI e MNDCI). Previsões dos modelos globais OC4ME e Rede Neural também foram avaliadas. Os resultados dos algoritmos NIR-red correlacionaram-se significativamente com o CLA medido, exceto para MNDCI. Os modelos com melhor desempenho durante a calibração, aqueles baseados em 2B e NDCI (R2 = 0,37, erro padrão residual = 2,57 mg.m^-3), foram validados e ajustaram-se melhor aos dados medidos (R² >= 0,22) e apresentaram menores valores de RMSE (cerca de 2,5 mg.m^-3) do que os resultados dos modelos globais, que nem sequer se correlacionaram significativamente (p>0,05) com as medições in situ de CLA. Os modelos desenvolvidos tiveram um desempenho melhor do que os modelos globais avaliados, no entanto têm um poder de previsão limitado quando comparados com algoritmos regionais desenvolvidos noutros locais e isto está provavelmente ligado à baixa gama de medições de CLA utilizadas para treinar os modelos.

Biografia do Autor

Alexander Christian Vibrans, Fundação Universidade Regional de Blumenau

Possuo graduação em Ciências Florestais Zonas Temperadas - Georg August Universität Göttingen (1987) e graduação em Ciências Florestais Zonas Tropicais e Subtropicais - Georg August Universität Göttingen (1987), mestrado em Engenharia Ambiental pela Universidade Regional de Blumenau (1999) e doutorado em Geografia pela Universidade Federal de Santa Catarina (2003). Atualmente sou professor do quadro da Universidade Regional de Blumenau, nas áreas de Dendrologia e Manejo Florestal. Sou pesquisador da área de Inventário Florestal, Ecologia Florestal e Sensoriamento Remoto. Atuo nos Programas de Pós-Graduação em Engenharia Ambiental (Mestrado e Doutorado) e Engenharia Florestal (Mestrado), ambos da Universidade Regional de Blumenau. Coordeno o Inventário Florístico Florestal de Santa Catarina (IFFSC) desde 2006. Fui Pro-Reitor de Pesquisa e Pós-Graduação da Universidade Regional de Blumenau de 2015 a 2019. Sou editor associado da Revista Biota Neotropica, para as áreas de Inventários Florísticos/Fitossociologia/Fitogeografia desde 2018. ORCID 0000-0002-8789-5833

Robson Ventura de Souza, Empresa de Pesquisa Agropecuária e Extensão Rural de Santa Catarina

Graduou-se em Medina Veterinária pela Universidade Federal do Paraná (2004), tem mestrado em Ciências Veterinárias pela mesma instituição (2006) e doutorado em Aquicultura pela Universidade Federal de Santa Catarina (2017). De 2003 a 2008 fez parte do Grupo Integrado de Aquicultura e Estudos Ambientais da Universidade Federal do Paraná. Em 2006 foi professor substituto do Departamento de Zootecnia da Universidade Federal do Paraná. Desde 2009 é pesquisador do Centro de Desenvolvimento em Aquicultura e Pesca da Empresa de Pesquisa Agropecuária e Extensão Rural de Santa Catarina. Tem experiência na área de Recursos Pesqueiros, com ênfase em Aquicultura, atuando principalmente nos seguintes temas: modelagem matemática aplicada a aquicultura, ciência de dados, monitoramentos sanitários de áreas destinadas a aquicultura, controle higiênico-sanitário de moluscos bivalves e desenvolvimento de tecnologia para a produção de formas jovens de organismos aquáticos para fins de repovoamento.

Referências

Aranha, T. R. B. T., Martinez, J. M., Souza, E. P., Barros, M. U. G., & Martins, E. S. P. R. (2022). Remote analysis of the chlorophyll-a concentration using Sentinel-2 MSI images in a Semiarid environment in northeastern Brazil. Water, 14 (3), 451. https://doi.org/10.3390/w14030451.

Bresciani M., Cazzaniga I., Austoni M., Sforzi T., Buzzi F., Morabito G., & Giardino C. (2018). Mapping phytoplankton blooms in deep subalpine lakes from Sentinel-2A and Landsat-8. Hydrobiology, 824(1), 197-214. https://doi.org/10.1007/s10750-017-3462-2(0123456789().,-volV()0123456789().,-volV).

Bonilla, S., Aguilera, A., Aubriot, L., Huszar, V., Almanza, V., Haakonsson, S., Izaguirre, I., O'Farrell, I., Salazar, A., Becker, V., Cremella, B., Ferragut, C., Hernandez, E., Palacio, H., Rodrigues, L. C., Sampaio da Silva, L. H., Santana, L. M., Santos, J., Somma, A., & Antoniades, D. (2023). Nutrients and not temperature are the key drivers for cyanobacterial biomass in the Americas. Harmful Algae, 121. https://doi.org/10.1016/j.hal.2022.102367

Dai, Y., Yang, S., Zhao, D., Hu, C., Xu, W., Anderson, D.M.; Li, Y., Song, X., Boyce, D., & Gibson, L. (2023). Coastal phytoplankton blooms expand and intensify in the 21st century. Nature, 615, 280-284. http://dx.doi.org/10.1038/s41586-023-05760-y.

Dall'Olmo, G., Gitelson, A. A., & Rundquist, D. C. (2003). Towards a unified approach for remote estimation of chlorophyll-a in both terrestrial vegetation and turbid productive waters. Geophysical Research Letters, 30(18). https://doi.org/10.1029/2003GL018065.

Dekker, A. G. (1993). Detection of optical water quality parameters for eutrophic waters by high resolution remote sensing. Amsterdam: Free University.

EPAGRI - Agricultural Research and Rural Extension Company of Santa Catarina. (2020). Database of environmental variables of Santa Catarina. Epagri, ISSN 2674-9521.

ESA, (2006). MERIS Product Handbook. https://earth.esa.int/eogateway/documents/20142/37627/MERIS-product-handbook.pdf.

Escudero, L., Ledesma, J., Xu, H., & Grados, D. (2024). Análisis comparativo de la clorofila-a del sensor Modis-Aqua con datos in situ frente a la costa peruana durante el verano 2018. Boletin Instituto del Mar del Perú, 39 (1), 65-78. http://dx.doi.org/10.53554/boletin.v39i1.406.

Flores-Anderson, A. I., Griffin, R., Dix, M., Romero-Oliva, C. S., Ochaeta, G., Skinner-Alvarado, J., Ramirez Moran, M. V., Hernandez, B., Cherrington, E., Page, B., & Barreno, F. (2020). Hyperspectral Satellite Remote Sensing of Water Quality in Lake Atitlán, Guatemala. Frontiers in Environmental Science, 8. https://doi.org/10.3389/fenvs.2020.00007.

Freire A. S., Varela A. R. D., Fonseca A. L., Menezes B. S., Fest C. B., Obata C. S., Gorri C., Franco D., Machado E. C., Barros G., Molesani, L. S., Madureira, L. A. S., Coelho, M. P., Carvalho, M., & Pereira, T. l. (2017). The Oceanographic Environment. In: Segal, B., Freire, As., Lindner, A., Krajevski, Jp., Soldateli, M. (Eds.), Monitoring of the Marine Biological Reserve of Arvoredo and Surroundings. Florianopolis. Federal University of Santa Catarina, 159–200.

Garcia, C. A. E., Garcia, V. M. T., & McClain, C. R. (2005). Evaluation of SeaWiFS chlorophyll algorithms in the Southwestern Atlantic and Southern Oceans. Remote Sensing of Environment. 95 (1), 125-137. https://doi.org/10.1016/j.rse.2004.12.006.

Gilerson, A. A., Gitelson, A. A., Zhou, J., Gurlin, D., Moses, W., Ioannou, I., & Ahmed, S. A. (2010). Algorithms for remote estimation of chlorophyll-a in coastal and inland waters using red and near infrared bands. Optics Express, 18 (23), 24109. https://doi.org/10.1364/OE.18.024109.

Gurlin, D., Gitelson, A. A., & MOSES, W. J. (2011). Remote estimation of chl-a concentration in turbid productive waters — Return to a simple two-band NIR-red model? Remote Sensing of Environment, 115 (12), 3479-3490. https://doi.org/10.1016/j.rse.2011.08.011.

Hunter, P. D., Tyler, A. N., Willby, N. J., & Gilvear, D. J. (2008). The spatial dynamics of vertical migration by Microcystis aeruginosa in a eutrophic shallow lake: a case study using high spatial resolution time-series airborne remote sensing. Limnology and Oceanography, 53 (6), 2391-2406. https://doi.org/10.4319/lo.2008.53.6.2391.

Kirk, J. T. O. (2011). Light and photosynthesis in aquatic ecosystems. 3 ed. Cambridge: Cambridge University Press. 528p.

Lins, R., Martinez, J. M., Marques, D. M., Cirilo, J., & Fragoso, C. (2017). Assessment of Chlorophyll-a Remote Sensing Algorithms in a Productive Tropical Estuarine-Lagoon System. Remote Sensing, 9 (6), 516-530. https://doi.org/10.3390/rs9060516.

Mascarenhas Jr., A. S., & IKEDA, Y. (1994). Water bodies. IN. Castro, F. B. M., Campos, E. J. D., Mascarenhas Jr., A. S., Ikeda, Y., Melo, F. E., Lorenzzetti J. A., Garcia, C. A. E., Moller Jr, O. O., Weber, R. R., Knoppers, B. A., Fillmann, G. Oceanic and Coastal Environmental Diagnosis of the South and Southeast Regions of Brazil. Physical Oceanography, 363.

Mishra, S., & Mishra, D. R. (2012). Normalized difference chlorophyll index: a novel model for remote estimation of chlorophyll-a concentration in turbid productive waters. Remote Sensing of Environment, 117, 394-406. https://doi.org/10.1016/j.rse.2011.10.016.

Mishra, D. R., Schaeffer, B. A., & Keith, D. (2014). Performance evaluation of normalized difference chlorophyll index in northern Gulf of Mexico estuaries using the Hyperspectral Imager for the Coastal Ocean. Giscience & Remote Sensing, 51 (2), 175-198. https://doi.org/10.1080/15481603.2014.89558.

Moore, T. S., Campbell, J. W., & Dowell, M. D. (2009). A class-based approach to characterizing and mapping the uncertainty of the MODIS ocean chlorophyll product. Remote Sensing of Environment, 113 (11), 2424-2430. https://doi.org/10.1016/j.rse.2009.07.016.

Moraes, V. M. C., Ribeiro, H. M. C., Oliveira, É. S., Picanço, A. R. S., Meireles, R. R., Almeida, T. C., Silva, F. C.; Santos, W. A. S., Anaisse, C. C. R., & Carneiro, C. R. O. (2023). Avaliação Comparativa entre Dados de Sensor Remoto e In Situ para Predição do Índice de Estado Trófico a partir da Clorofila “a” na região do Marajó. Revista Brasileira de Geografia Física, 6 (6), 3073-3087. http://dx.doi.org/10.26848/rbgf.v16.6.p3073-3087.

Morel, A., Huot, Y., Gentili, B., Werdell, P. J., Hooker, S. B., & Franz, B. A. (2007). Examining the consistency of products derived from various ocean color sensors in open ocean (Case 1) waters in the perspective of a multi-sensor approach. Remote Sensing of Environment, 111 (1), 69-88. https://doi.org/10.1016/j.rse.2007.03.012.

Nazeer, M., Wong, M.S., & Nichol, J.E. (2017). A new approach for the estimation of phytoplankton cell counts associated with algal blooms. Science of The Total Environment. 590–591. https://doi.org/10.1016/j.scitotenv.2017.02.18.

NCCOS - National Centers for Coastal Ocean Science. Sistema de monitoramento de proliferação de algas nocivas. USA.gov. 2023. https://coastalscience.noaa.gov/science-areas/habs/hab-monitoring-system/.

Neil, C., Spyrakos, E., Hunter, P.D., & Tyler, A.N. (2020). A global approach for chlorophyll-a retrieval across optically complex inland waters based on optical water types. Remote Sensing Of Environment, 229, 159-178. http://dx.doi.org/10.1016/j.rse.2019.04.027.

Ninio, S., Lupu, A., Viner-Mozzini, Y., Zohary, T., & Sukenik, A. (2020). Multiannual variations in Microcystis bloom episodes – Temperature drives shift in species composition. Harmful Algae, 92, 101710. http://dx.doi.org/10.1016/j.hal.2019.101710.

Oliveira, E. N., Fernandes, A. M., Kampel, M., Cordeiro, R. C. C., Brandini, N., Vinzon, S. B., Grassi, R. M., Pinto, F. N., Fillipo, A. M., & Paranhos, R. (2016). Assessment of remotely sensed chlorophyll-a concentration in Guanabara Bay, Brazil. Journal of Applied Remote Sensing. 10(2), https://doi.org/10.1117/1.JRS.10.026003.

Pinto, L. R. C., Filippo, A., Souza, L. S., Fernandes, A. M., Oliveira, I. A., Viana, C. G., & Romano, A. L. T. (2019). Estimativa do Tempo de Renovação da Água do Complexo Lagunar da Baixada de Jacarepaguá Através de Modelagem Numérica. Anuário do Instituto de Geociências - UFRJ, 42 (3), 289-298. https://doi.org/10.11137/2019_3_289_298.

Qi, L., & Hu, C. (2021). To what extent can Ulva and Sargassum be detected and separated in satellite imagery? Harmful Algae, 103. https://doi-org.ez71.periodicos.capes.gov.br/10.1016/j.hal.2021.102001

R Core Team. A: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. 2020. URL https://www.R-project.org/.

Resgalla, C., Jr. (2011). The holoplankton of the Santa Catarina coast, southern Brazil. Anais Da Academia Brasileira De Ciencias, 83, 575–588.

Ruddick, K. G., GONS, H. J., Rijkeboer, M., & Tilstone, G. (2001). Optical remote sensing of chlorophyll a in case 2 waters by use of an adaptive two-band algorithm with optimal error properties. Applied optics, 40 (21), 3575-3585.

Ruiz-villarreal, M., Sourisseau, M., Anderson, P., Cusack, C., Neira, P., Silke, J., Rodriguez, F., Ben-gigirey, B., Whyte, C., Giraudeau-potel, S., Quemener, L., Arthur, G., & Davidson, K. (2022). Novel Methodologies for Providing In Situ Data to HAB Early Warning Systems in the European Atlantic Area: The PRIMROSE Experience. Frontiers in Marine Science, 9. https://doi.org/10.3389/fmars.2022.791329

Schramm, M. A., & Proença, L. A. O. (2005). Florações de Algas Nocivas e o Risco das Ficotoxinas em Moluscos. Panorama da Aquicultura, 15(89), 25-27. https://panoramadaaquicultura.com.br/floracoes-de-algas-nocivas-e-o-risco-das-ficotoxinas-em-moluscos/#:~:text=Flora%C3%A7%C3%B5es%20de%20algas%20nocivas%20X%20Cultivo%20de%20moluscos&text=A%20contamina%C3%A7%C3%A3o%20dos%20moluscos%20pode,Figura%201)%2C%20provocando%20doen%C3%A7as.

Silva, G. S. M., & Garcia, C. A. E. (2021). Evaluation of Ocean Chlorophyll-A Remote Sensing Algorithms Using in Situ Fluorescence Data in the Southern Brazilian Coastal Waters. Ocean and coastal research, 69, 1-2. https://doi.org/10.1590/2675-2824069.20-014gsdms.

SNAP - ESA Sentinel Application Platform v2.0.2, 2022.

Simões, P. H. C., Costa, J. F. S., Provenza, M. M., Xavier, V. L., & Goulart, J. L. J. (2021). Ressurgência: um Estudo Estatístico de Temperatura e Salinidade da Boia 19°00’S34°00’W. Revista internacional de ciências, 11(2), 194-213. https://doi.org/10.12957/ric.2021.55302.

Souza, R. V., Novaes, A. L. T., Garbossa, L. H. P., & Rupp, G. S., (2017). Variações de salinidade nas Baías Norte e Sul da Ilha de Santa Catarina: implicações para o cultivo de moluscos bivalves. Agropecuária Catarinense 29 (3), 45–48. https://doi.org/10.52945/rac.v29i3.147.

Souza, R. V., & Santos, A. A. (2021). Síntese anual da agricultura de Santa Catarina. pp. 141- 143. Florianópolis: Epagri/Cepa.

Suplicy, F. M., Vianna, L. F. N, Rupp, G. S., Novaes, A. L. T., Garbossa, L. H. P., & Souza, R. V. (2015). Planning and management for sustainable coastal aquaculture development in Santa Catarina State, south Brazil. Reviews in Aquaculture. https://doi.org/10.1111/raq.12107

Valério. L. P. (2013). Análises e Estimativas Bio-Ópticas de Dados Da Estação Antares-Ubatuba, Litoral Norte de São Paulo. Dissertação de Mestrado do Curso de Pós-Graduação em Sensoriamento Remoto. chrome-extension://efaidnbmnnnibpcajpcglclefindmkaj/http://mtc-m16d.sid.inpe.br/col/sid.inpe.br/mtc-m19/2013/10.24.20.04/doc/publicacao.pdf

Vianna, L.F., Trabaquini, K., Garbossa, L.H.P., & Guzenski, J. (2016). Acompanhamento remoto do aumento na concentração de clorifila-a se apresenta como um instrumento potencial para tomada de decisão e análises sobre os impactos das ficotoxinas na maricultura. Panorama da Aquicultura. 26, 46–53.

Vianna, L. F. N., Souza, R. V., Schramm, M. A., & Alves, T. P. (2023). Using climate reanalysis and remote sensing-derived data to create the basis for predicting the occurrence of algal blooms, harmful algal blooms and toxic events in Santa Catarina, Brazil. Science of the Total Environment, 880, 163086. https://doi.org/10.1016/j.scitotenv.2023.163086.

Wang, J., Kuang, C., Ou, L., Zhang, Q., Qin, R., Fan, J., & Zou, Q. (2022). A Simple Model for a Fast Forewarning System of Brown Tide in the Coastal Waters of Qinhuangdao in the Bohai Sea, China. Applied Sciences, 12 (13), 6477. http://dx.doi.org/10.3390/app12136477.

Watanabe, F. S. Y., Alcântara, E., & Stech, J. L. (2018). High performance of chlorophyll-a prediction algorithms based on simulated OLCI Sentinel-3A bands in cyanobacteria-dominated inland Waters. Advances in Space Research, 62 (2), 265-273. https://doi.org/10.1016/j.asr.2018.04.024.

Xiao, X., Peng, Y., Zhang, W., Yang, X., Zhang, Z., Ren, B., Zhu, G., & Zhou, S. (2024) Current status and prospects of algal bloom early warning technologies: a review. Journal Of Environmental Management, 349, 119510. http://dx.doi.org/10.1016/j.jenvman.2023.119510.

You, L., Tong, X., Te, S.H., Tran, N.H., Bte Sukarji, N.H., He, Y., & Gin, K.Y.(2022). Multi-class secondary metabolites in cyanobacterial blooms from a tropical water body: distribution patterns and real-time prediction. Water Research, 212. https://doi-org.ez71.periodicos.capes.gov.br/10.1016/j.watres.2022.118129

Zhou, X., Rowe, M., Liu, Q., & Xue, P. (2023). Comparison of Eulerian and Lagrangian transport models for harmful algal bloom forecasts in Lake Erie. Environmental Modelling & Software, 162. https://doi-org.ez71.periodicos.capes.gov.br/10.1016/j.envsoft.2023.105641