[FI] Satelliitti-instrumenttien havainnoista seurataan veden näkösyvyyttä pilvettömiltä alueilta sulan veden aikana Suomen merialueilta ja järviltä.
Näkösyvyys kuvaa veden läpäisevyyttä, ja sen arvioiminen liittyy mm. rehevöitymistason määrittämiseen. Satelliittihavainnoista tulkittu näkösyvyys on aineistona menetelmäkehitysvaiheessa ja rajapinnalla oleva aineisto kattaa esimerkkihavaintoja. Näkösyvyyttä tulkitaan Sentinel-2-satelliittisarjan MSI-instrumentin (sekä Lansat-8 OLI-instrumentin, erillinen metadata) havainnoista vuodesta 2016 lähtien. Tulkinta tehdään 60 metrin tarkkuudella.
Tulkintaan käytetään C2RCC-mallia (Case-2 Regional CoastColour), (Brockmann et al. 2016). Malli on avoimesti saatavilla SNAP-ohjelmiston kautta. Syken aineistoissa mallin lopputulos on kuitenkin sovitettu vastaamaan Suomen rannikko- ja järvialueiden optisia ominaisuuksia. Sovitus perustuu kenttäkampanjoihin ja ympäristöhallinnon asemanäytteenottoon rannikolla ja järvillä (perusperiaate kuvattu Attila et al., 2013).
Käyttötarkoitus: Itämeren ja Suomen järvien vedenlaadun seuranta.
Aineisto kuuluu SYKEn avoimiin aineistoihin (CC BY 4.0).
[EN] Satellite observations are used to monitor the Secchi depth from cloudless regions during ice-free periods from Finnish sea areas and lakes.
Secchi depth describes the transparency of the water. The Secchi depth interpreted from the satellite observations is as material in the method development phase and the material consists of sample interpretations. The interpretation is based on the MSI (Multi-spectral Instrument) of the Sentinel-2 series of the EU Copernicus program (also OLI instrument of the NASA Landsat8 satellite, see separate metadata) starting from year 2016. The interpretation is made with an accuracy of 60 meters.
Secchi depth is estimated from the satellite instrument observations using a neural network model C2RCC (Case-2 Regional CoastColour), (Brockmann et al. 2016). The final result of the model has been adapted to correspond to the optical properties of Finland's coastal and lake areas by Syke. The adaptation is based on field campaigns and station sampling (as exemplified e.g. in Attila et al., 2013).
Viitteet / References
Attila, J., Koponen, S., Kallio, K., Lindfors, A., Kaitala, S., & Ylöstalo, P. (2013). MERIS Case II water processor comparison on coastal sites of the northern Baltic Sea, Remote Sensing of Environment, 128, 138–149.
Brockmann, C & Doerffer, R. (2016). Evolution of the C2RCC neural network for Sentinel 2 and 3 for the retrieval of ocean colour products in normal and extreme optically complex waters. Proc. Living Planet Symposium, ESA SP-470.
WMS-palvelin / WMS service endpoint: https://geoserver2.ymparisto.fi/geoserver/eo/wms
WMS-taso / WMS layer: EO_HR_WQ_S2_SDT