Can chlorophyll-a in meso-oligotrophic shallow waters be estimated using statistical approaches and empirical models from MODIS imagery?

Abstract

Accurate estimation of chlorophyll-a (Chl-a) concentration in inland waters through remote-sensing techniques is complicated by local differences in the optical properties of water. In this study, we applied multiple linear regression (MLR), artificial neural network (ANN), nonparametric multiplicative regression (NPMR) and four models (Appel, Kahru, FAI and O14a) to estimate the Chl -a concentration from combinations of spectral bands from the MODIS sensor. The MLR, NPMR and ANN models were calibrated and validated using in-situ Chl -a measurements. The results showed that a simple and efficient model, developed and validated through multiple linear regression analysis, offered advantages (i.e., better performance and fewer input variables) in comparison with ANN, NPMR and four models (Appel, Kahru, FAI and O14a). In addition, we observed that in a large shallow subtropical lake, where the wind and hydrodynamics are essential factors in the spatial heterogeneity (Chl-a distribution), the MLR model adjusted using the specific point dataset, performed better than using the total dataset, which suggest that would not be appropriate to generalize a single model to estimate Chl-a in these large shallow lakes from total datasets. Our approach is a useful tool to estimate Chl -a concentration in meso-oligotrophic shallow waters and corroborates the spatial heterogeneity in these ecosystems.Keywords: Chl-a; MLR; ANN; NPRM; Remote sensing; Lake Mangueira. RESUMOA estimativa da concentração de Clorofila-a (Chl-a) em ambientes aquáticos através de técnicas de sensoriamento remoto é complexa devido as diferenças entre as propriedades óticas da água. O objetivo deste trabalho foi estimar concentrações de Chl-a a partir das combinações de bandas espectrais do sensor MODIS, aplicando análise de regressão linear múltipla (MLR), redes neurais artificiais (ANN), regressão multiplicativa não paramétrica e quatro modelos (Appel, Kahru, FAI e O14a). Os modelos de regressão linear múltipla (MLR), NPMR e ANN foram calibrados e validados utilizando medições in-situ de Clorofila-a. Os resultados demostraram que um simples e eficiente modelo desenvolvido e validado através de regressão linear múltipla (MLR) produz vantagens (i.e., melhor performance e poucas variáveis de entrada) em comparação com os modelos ANN, NPMR e quatro modelos (Appel, Kahru, FAI e O14a). Além disso, foi observado que em um grande lago raso subtropical, no qual o vento (intensidade e direção) e a hidrodinâmica são fatores essenciais na heterogeneidade espacial (distribuição de Chl-a), o modelo MLR desenvolvido utilizando um ponto específico do lago teve melhor performance que utilizando o total de dados, sugerindo que não seria apropriado generalizar um único modelo para estimar Clorofila-a nesses grandes lagos rasos utilizando o total de dados. Esta abordagem é uma ferramenta útil para estimar concentrações de Chl-a em ambientes rasos meso -oligotróficos e corroborar a heterogeneidade espacial desses ecossistemas. Can chlorophyll-a in meso-oligotrophic s...

Empirical and semi-empirical chlorophyll-a modeling for water quality assessment through river-lake transition in extreme Southern Brazil

“…Yellow ellipses (Fig. 4) show high concentrations of Chl-a (from 15 to 40μg.L -1 ) representing shallower areas which average 3m deep (Munar et al 2018), providing less water circulation and increasing primary productivity (Baumgarten et al 1995). The highest concentration predicted by the model was 153.2μg.L -1 , a value high above the maximum concentration found in situ One of the phytoplankton functions is to regulate the primary productivity rate in aquatic ecosystems (Kosten et al 2012).…”