5.1.4. Bio-optical modellingThe bio

5.1.4. Bio-optical modelling
The bio-optical framework of the Red Sea ocean-colourmodel can be
traced back to the work of Sathyendranath et al. (2001) and Devred
et al. (2006), whereby the absorption properties of two-component
groups (or assemblages) were shown to vary with chlorophyll concentration.
In our Red Sea ocean-colourmodel, all IOPs are tied to the chlorophyll
biomass and dominant assemblage of phytoplankton, with the
model assuming each assemblage resides in a distinctive bio-optical
environment (Alvain, Loisel, & Dessailly, 2012). Two- and threecomponent
models of phytoplankton absorption and backscattering,
based on the work of Sathyendranath et al. (2001), have been developed
and validated using data from different areas of the global ocean
(Brewin, Dall'Olmo, et al. 2012; Brewin et al., 2011; Devred et al.,
2006, 2011; Sathyendranath et al., 2001, 2004). In this study, we have
simply taken this modelling framework and re-parameterised it using
data in the Red Sea.
It has been shown that three-componentmodels can bemore representative
of the transition in optical properties from oligotrophic to eutrophic
waters when compared with two-component models (Brewin
et al., 2011; Devred et al., 2011). However, a two-component model was used in the case of the Red Sea as surface chlorophyll concentrations
rarely exceed 1 mg m−3 (Fig. 2), such that a three-component
model is unnecessary when considering the law of parsimony. However,
blooms of phytoplankton with high chlorophyll may occasionally
occur in the Red Sea (Genin et al., 1995), and it remains to be revealed
how well the two-component model copes under such conditions. The
Red Sea model is also fairly simplistic, not accounting for inelastic processes
such as Raman Scattering that can impact satellite retrievals
of optical constituents in oligotrophic waters (Lee et al., 2013;
Sathyendranath & Platt, 1998;Westberry, Boss, & Lee, 2013). However,
algorithms for deriving chlorophyll concentration (e.g. OC4 and OCI)
that are empirically parameterised using in situ Rrs(λ) and chlorophyll
data include, implicitly, the Raman effects. Thus the systematic overestimation
in chlorophyll observed in the Red Sea by these approaches is
unlikely to be attributable to inelastic effects, although higher CDOM
concentrations may depress Raman emission at bands used by OC4.
The parameterisation of any bio-optical model is ultimately related
to the quality of the datasets used and their inherent uncertainties.
With better quality datasets model parameterisation can be improved.
The Red Sea model was parameterised using Tara data, collected during
the month of January 2010, around the peak of the seasonal succession
of phytoplankton (Raitsos et al., 2013) (Fig. 11). Chlorophyll-specific
IOPs presented in Table 1 are likely to have seasonal (Devred et al.,
2006) and even inter-annual variations.We have already demonstrated
that the ϕ index has a clear seasonal cycle in the northern Red Sea
(Fig. 13). Retuning of OC4 and OCI algorithms for the Red Sea (OC4-RG
and OCI-RG respectively) was verified using data between November
and March (MIPOT, Tara and RSRC), but the performance of the algorithms
during the summer (May–October) is yet to be tested. Additional
data is required to evaluate the suitability of these retuned algorithms
for processing summer satellite data in the Red Sea.
Algorithms such as the OC4-RG and OCI-RG proposed here are empirical
in nature. The inferred relationship between chlorophyll and reflectance
ratios (or differences) contains implicit dependence of the
relationship on the change in phytoplankton community structure
with change in chlorophyll, and on the covariance of other absorbing
and scatteringmaterials with chlorophyll. These algorithms are not designed
to copewith changes in these relationshipswhichmay occur in a
future climate. For instance, in recent years there have been an increasing
frequency and intensity of Noctiluca scintillans blooms in the Indian
Ocean and Arabian Sea (Gomes et al., 2014). Blooms of this species have
also been observed in the Red Sea (Mohamed &Mesaad, 2007). If in the
future, the phytoplankton community structure changes, or if associated
variables change (e.g. CDOM and non-algal particle concentration),
these alterations will interfere with the performance of empirical
algorithms. On-going comparisons (and re-calibration) with in situ
data, coupled with surveillance of other products from satellite in
these regions (such as N. scintillans: Werdell, Roesler, & Goes, 2014),
is required to monitor performance of these empirical chlorophyll
algorithms.
5.1.5. Use of OC-CCI data
We chose to use OC-CCI data primarily due to improved coverage in
the Red Sea region when compared with individual sensors and other
merged products, so as to maximise the number of satellite and in situ
match-ups. However, given that this merged product is relatively new,
it would seem pertinent to verify whether the results found in our
study using OC-CCI data are consistent with data from individual sensors.
During 2010 when the Tara Oceans expedition sampled in the
Red Sea, SeaWiFS, MODIS-Aqua and MERIS were all operating in
parallel. Supplementary Fig. S6 shows results from a comparison of
match-ups of SeaWiFS, MODIS-Aqua and MERIS derived chlorophyll,
using standard band-ratio algorithms, OCI and the tuned algorithms
(Tables 3 and 4), with in situ chlorophyll data from Tara. Consistent
with OC-CCI, SeaWiFS, MODIS-Aqua and MERIS derived chlorophyll
all show a systematic overestimation in chlorophyll when using the OC4 and OCI algorithms. When using the revised algorithms (Tables 3
and 4) the systematic overestimation in chlorophyll disappears and
satellite chlorophyll is in better agreementwith in situ chlorophyll (Supplementary
Fig. S6), supporting the results using OC-CCI data.
Considering OC-CCI data are merged at Level-3 processing, satellite
and in situ match-ups in this study were conducted using daily Level-3
products, unlike standard NASA validation protocols (Bailey & Werdell,
2006). However, results from the match-ups presented here using the
RSRC data (Fig. 5) resonate with the results from Brewin et al. (2013 see
their Fig. 2) using Level 2 (1 km) MODIS-Aqua satellite data in-line with
NASA validation protocols, supporting the use of Level-3 products for
match-up analysis in this study.

ผลลัพธ์ (ไทย) 1:

5.1.4 การชีวภาพออพติคอลแบบจำลองได้กรอบแสงทางชีวภาพของทะเลแดงทะเล-colourmodelติดตามกลับไป Sathyendranath et al. (2001) และ Devredal. ร้อยเอ็ด (2006), โดยคุณสมบัติดูดซึมของสองส่วนกลุ่ม (หรือ assemblages) ได้แสดงให้แตกต่างกับความเข้มข้นของคลอโรฟิลล์ในของทะเลแดงทะเล-colourmodel, IOPs ทั้งหมดเกี่ยวพันกับคลอโรฟิลล์ชีวมวลและผสมผสานหลักของ phytoplankton มีการสมมติว่า รูปแบบผสมผสานแต่ละที่อยู่ในความโดดเด่นทางชีวภาพแสงสิ่งแวดล้อม (Alvain, Loisel, & Dessailly, 2012) 2 และ threecomponentแบบดูดซึม phytoplankton และ backscatteringจากงานของ Sathyendranath และ al. (2001), ได้รับการพัฒนาและตรวจโดยใช้ข้อมูลจากพื้นที่ต่าง ๆ ของโลก(Brewin, Dall'Olmo, et al. 2012 Brewin et al., 2011 Devred et al.,2006, 2011 Sathyendranath และ al., 2001, 2004) ในการศึกษานี้เพียงแค่นำนี้กรอบการสร้างแบบจำลอง และการ parameterised โดยใช้ข้อมูลในทะเลแดงมันได้รับการแสดงที่ 3 componentmodels สามารถแทน bemoreของการเปลี่ยนแปลงในคุณสมบัติของแสงจาก oligotrophic เพื่อ eutrophic นำน้ำเมื่อเปรียบเทียบกับรุ่นสองส่วน (Brewinร้อยเอ็ด al., 2011 Devred et al., 2011) อย่างไรก็ตาม ใช้แบบสองส่วนในกรณีของทะเลแดงเป็นความเข้มข้นของคลอโรฟิลล์ผิวไม่ค่อยเกิน m−3 1 มิลลิกรัม (Fig. 2), ที่ 3 ส่วนประกอบแบบจำลองจะไม่จำเป็นเมื่อพิจารณา parsimony ของกฎหมาย อย่างไรก็ตามblooms of phytoplankton with high chlorophyll may occasionallyoccur in the Red Sea (Genin et al., 1995), and it remains to be revealedhow well the two-component model copes under such conditions. TheRed Sea model is also fairly simplistic, not accounting for inelastic processessuch as Raman Scattering that can impact satellite retrievalsof optical constituents in oligotrophic waters (Lee et al., 2013;Sathyendranath & Platt, 1998;Westberry, Boss, & Lee, 2013). However,algorithms for deriving chlorophyll concentration (e.g. OC4 and OCI)that are empirically parameterised using in situ Rrs(λ) and chlorophylldata include, implicitly, the Raman effects. Thus the systematic overestimationin chlorophyll observed in the Red Sea by these approaches isunlikely to be attributable to inelastic effects, although higher CDOMconcentrations may depress Raman emission at bands used by OC4.The parameterisation of any bio-optical model is ultimately relatedto the quality of the datasets used and their inherent uncertainties.With better quality datasets model parameterisation can be improved.The Red Sea model was parameterised using Tara data, collected duringthe month of January 2010, around the peak of the seasonal successionof phytoplankton (Raitsos et al., 2013) (Fig. 11). Chlorophyll-specificIOPs presented in Table 1 are likely to have seasonal (Devred et al.,2006) and even inter-annual variations.We have already demonstratedthat the ϕ index has a clear seasonal cycle in the northern Red Sea(Fig. 13). Retuning of OC4 and OCI algorithms for the Red Sea (OC4-RGand OCI-RG respectively) was verified using data between Novemberand March (MIPOT, Tara and RSRC), but the performance of the algorithmsduring the summer (May–October) is yet to be tested. Additionaldata is required to evaluate the suitability of these retuned algorithmsfor processing summer satellite data in the Red Sea.Algorithms such as the OC4-RG and OCI-RG proposed here are empiricalin nature. The inferred relationship between chlorophyll and reflectanceratios (or differences) contains implicit dependence of therelationship on the change in phytoplankton community structurewith change in chlorophyll, and on the covariance of other absorbingand scatteringmaterials with chlorophyll. These algorithms are not designedto copewith changes in these relationshipswhichmay occur in afuture climate. For instance, in recent years there have been an increasingfrequency and intensity of Noctiluca scintillans blooms in the IndianOcean and Arabian Sea (Gomes et al., 2014). Blooms of this species havealso been observed in the Red Sea (Mohamed &Mesaad, 2007). If in thefuture, the phytoplankton community structure changes, or if associatedvariables change (e.g. CDOM and non-algal particle concentration),these alterations will interfere with the performance of empiricalalgorithms. On-going comparisons (and re-calibration) with in situdata, coupled with surveillance of other products from satellite inthese regions (such as N. scintillans: Werdell, Roesler, & Goes, 2014),is required to monitor performance of these empirical chlorophyllalgorithms.5.1.5. Use of OC-CCI dataWe chose to use OC-CCI data primarily due to improved coverage inthe Red Sea region when compared with individual sensors and othermerged products, so as to maximise the number of satellite and in situmatch-ups. However, given that this merged product is relatively new,it would seem pertinent to verify whether the results found in ourstudy using OC-CCI data are consistent with data from individual sensors.During 2010 when the Tara Oceans expedition sampled in theRed Sea, SeaWiFS, MODIS-Aqua and MERIS were all operating inparallel. Supplementary Fig. S6 shows results from a comparison ofmatch-ups of SeaWiFS, MODIS-Aqua and MERIS derived chlorophyll,using standard band-ratio algorithms, OCI and the tuned algorithms(Tables 3 and 4), with in situ chlorophyll data from Tara. Consistentwith OC-CCI, SeaWiFS, MODIS-Aqua and MERIS derived chlorophyllall show a systematic overestimation in chlorophyll when using the OC4 and OCI algorithms. When using the revised algorithms (Tables 3and 4) the systematic overestimation in chlorophyll disappears andsatellite chlorophyll is in better agreementwith in situ chlorophyll (SupplementaryFig. S6), supporting the results using OC-CCI data.Considering OC-CCI data are merged at Level-3 processing, satelliteand in situ match-ups in this study were conducted using daily Level-3products, unlike standard NASA validation protocols (Bailey & Werdell,2006). However, results from the match-ups presented here using theRSRC data (Fig. 5) resonate with the results from Brewin et al. (2013 seetheir Fig. 2) using Level 2 (1 km) MODIS-Aqua satellite data in-line withNASA validation protocols, supporting the use of Level-3 products formatch-up analysis in this study.

ผลลัพธ์ (ไทย) 2:

5.1.4 Bio-แสงการสร้างแบบจำลองกรอบชีวภาพแสงของทะเลแดงทะเล colourmodel สามารถตรวจสอบกลับไปทำงานของSathyendranath et al, (2001) และ Devred et al, (2006) โดยคุณสมบัติการดูดซึมของสององค์ประกอบกลุ่ม(หรือ assemblages) มีการแสดงที่แตกต่างกันกับความเข้มข้นของคลอโรฟิล. ในทะเลแดงของเรามหาสมุทร colourmodel, IOPs ทั้งหมดจะถูกผูกติดอยู่กับคลอโรฟิลชีวมวลและการชุมนุมที่โดดเด่นของแพลงก์ตอนพืชที่มีรูปแบบสมมติว่าแต่ละชุมนุมอยู่ในไบโอออปติคอลที่โดดเด่นสภาพแวดล้อม (Alvain, Loisel และ Dessailly 2012) สองและ threecomponent รูปแบบของการดูดซึมและแพลงก์ตอนพืช backscattering, ขึ้นอยู่กับการทำงานของ Sathyendranath et al, (2001) ได้รับการพัฒนาและตรวจสอบโดยใช้ข้อมูลจากพื้นที่ที่แตกต่างกันของมหาสมุทรทั่วโลก(Brewin, Dall'Olmo, et al 2012;. Brewin et al, 2011;. Devred, et al. 2006, 2011; Sathyendranath et al, 2001, 2004) ในการศึกษานี้เราได้ดำเนินการเพียงแค่กรอบการสร้างแบบจำลองนี้และอีกครั้ง parameterised โดยใช้ข้อมูลในทะเลแดง. จะได้รับการแสดงให้เห็นว่าสาม componentmodels สามารถ bemore ตัวแทนของการเปลี่ยนแปลงในคุณสมบัติของแสงจากoligotrophic เพื่อ eutrophic น้ำเมื่อเทียบกับสอง รุ่นส่วนประกอบ (Brewin et al, 2011;.. Devred et al, 2011) แต่รูปแบบที่สองส่วนถูกนำมาใช้ในกรณีของทะเลแดงเป็นความเข้มข้นของคลอโรฟิลพื้นผิวไม่เกิน 1 มิลลิกรัมม. 3 (รูปที่. 2) เช่นว่าสามองค์ประกอบรูปแบบไม่จำเป็นเมื่อพิจารณากฎหมายของประหยัด แต่บุปผาแพลงก์ตอนพืชที่มีคลอโรฟิลสูงในบางครั้งอาจจะเกิดขึ้นในทะเลแดง(Genin et al., 1995) และมันก็ยังคงที่จะเผยให้เห็นวิธีการที่ดีรูปแบบสององค์ประกอบcopes ภายใต้เงื่อนไขดังกล่าว รูปแบบทะเลสีแดงยังเป็นที่ค่อนข้างง่ายไม่คิดเป็นกระบวนการที่ไม่ยืดหยุ่นเช่นรามันกระเจิงที่สามารถส่งผลกระทบต่อการสืบค้นดาวเทียมขององค์ประกอบแสงในน้ำoligotrophic (Lee et al, 2013;. Sathyendranath และแพลต 1998; Westberry, Boss, และลี 2013) แต่ขั้นตอนวิธีการสำหรับ deriving ความเข้มข้นคลอโรฟิล (เช่น OC4 และ OCI) ที่มีการสังเกตุ parameterised ใช้ในแหล่งกำเนิด Rrs (λ) และคลอโรฟิลข้อมูลรวมถึงปริยายผลกระทบรามัน ดังนั้นประเมินค่าสูงเป็นระบบในคลอโรฟิลตั้งข้อสังเกตในทะเลแดงโดยวิธีการเหล่านี้คือไม่น่าจะเป็นส่วนที่เป็นผลกระทบที่ไม่ยืดหยุ่นแม้ว่าCDOM สูงกว่าความเข้มข้นที่อาจกดดันการปล่อยรามันที่วงดนตรีที่ใช้โดยOC4. parameterisation ของรูปแบบชีวภาพแสงใด ๆ ที่เกี่ยวข้องในท้ายที่สุดไปคุณภาพของชุดข้อมูลที่ใช้และความไม่แน่นอนโดยธรรมชาติของพวกเขา. ด้วยรูปแบบที่ดีกว่าชุดที่มีคุณภาพ parameterisation ได้ดีขึ้น. รุ่นทะเลแดง parameterised โดยใช้ข้อมูลธาราเก็บในช่วงเดือนมกราคมปี2010 รอบจุดสูงสุดของการทดแทนตามฤดูกาลของแพลงก์ตอนพืช(Raitsos et al., 2013) (รูปที่. 11) คลอโรฟิลเฉพาะIOPs แสดงในตารางที่ 1 มีแนวโน้มที่จะมีฤดูกาล (Devred et al., 2006) และแม้กระทั่งระหว่างปี variations.We ได้แสดงให้เห็นแล้วว่าดัชนีφมีวงจรตามฤดูกาลที่ชัดเจนในทะเลแดงทางตอนเหนือ(รูปที่. 13 ) retuning ของ OC4 และ OCI อัลกอริทึมสำหรับทะเลแดง (OC4-RG และ OCI-RG ตามลำดับ) ถูกตรวจสอบโดยใช้ข้อมูลระหว่างเดือนพฤศจิกายนถึงเดือนมีนาคม(MIPOT ทาราและ RSRC) แต่ประสิทธิภาพการทำงานของอัลกอริทึมที่ในช่วงฤดูร้อน(พฤษภาคมถึงเดือนตุลาคม) ก็ยังไม่ได้รับการทดสอบ เพิ่มเติมข้อมูลที่จำเป็นต้องมีการประเมินความเหมาะสมของขั้นตอนวิธีการเหล่านี้ retuned สำหรับการประมวลผลข้อมูลดาวเทียมในช่วงฤดูร้อนในทะเลแดง. อัลกอริทึมเช่น OC4-RG และ OCI-RG เสนอที่นี่เป็นเชิงประจักษ์ในธรรมชาติ ความสัมพันธ์ระหว่างการสรุปและคลอโรฟิลสะท้อนอัตราส่วน (หรือความแตกต่าง) มีการพึ่งพาอาศัยกันโดยนัยของความสัมพันธ์กับการเปลี่ยนแปลงในโครงสร้างของชุมชนของแพลงก์ตอนพืชที่มีการเปลี่ยนแปลงในคลอโรฟิลและความแปรปรวนของการดูดซับอื่นๆและมีคลอโรฟิล scatteringmaterials ขั้นตอนวิธีการเหล่านี้ไม่ได้ออกแบบมาเพื่อ copewith การเปลี่ยนแปลงเหล่านี้ relationshipswhichmay เกิดขึ้นในภูมิอากาศในอนาคต ยกตัวอย่างเช่นในปีที่ผ่านมามีการเพิ่มขึ้นความถี่และความรุนแรงของ Noctiluca scintillans บุปผาในอินเดียมหาสมุทรและทะเลอาหรับ(Gomes et al., 2014) บุปผาของสายพันธุ์นี้ได้นอกจากนี้ยังมีการตั้งข้อสังเกตในทะเลแดง (โมฮาเหม็และ Mesaad 2007) หากในอนาคตมีการเปลี่ยนแปลงโครงสร้างของชุมชนของแพลงก์ตอนพืชหรือถ้าเกี่ยวข้องตัวแปรเปลี่ยน(เช่น CDOM และความเข้มข้นของอนุภาคที่ไม่ใช่สาหร่าย) การเปลี่ยนแปลงเหล่านี้จะยุ่งเกี่ยวกับประสิทธิภาพการทำงานของเชิงประจักษ์ขั้นตอนวิธีการ การเปรียบเทียบที่กำลัง (และอีกครั้งการสอบเทียบ) ที่มีในแหล่งกำเนิดข้อมูลควบคู่กับการเฝ้าระวังผลิตภัณฑ์อื่นๆ จากดาวเทียมในภูมิภาคเหล่านี้(เช่นเอ็น scintillans: Werdell, Roesler และ Goes 2014) จำเป็นต้องมีการตรวจสอบประสิทธิภาพการทำงานของเหล่านี้ คลอโรฟิลเชิงประจักษ์อัลกอริทึม. 5.1.5 ใช้ OC-CCI ข้อมูลที่เราเลือกที่จะใช้OC-CCI ข้อมูลหลักเนื่องจากการคุ้มครองที่ดีขึ้นในภูมิภาคทะเลแดงเมื่อเทียบกับเซ็นเซอร์ของแต่ละบุคคลและอื่นๆผลิตภัณฑ์ที่ผสานเพื่อเพิ่มจำนวนของดาวเทียมและแหล่งกำเนิดการแข่งขันอัพ แต่ให้ที่ผลิตภัณฑ์ที่ผสานนี้ค่อนข้างใหม่ก็จะดูเหมือนที่เกี่ยวข้องกับการตรวจสอบว่าผลที่พบในของเราการศึกษาโดยใช้ข้อมูลOC-CCI มีความสอดคล้องกับข้อมูลจากเซ็นเซอร์ของแต่ละบุคคล. ในช่วงปี 2010 เมื่อเดินทางมหาสมุทรธาราตัวอย่างในทะเลแดงSeaWiFS, Aqua MODIS-และ MERIS ทุกการดำเนินงานในแบบคู่ขนาน เสริมรูป S6 แสดงให้เห็นถึงผลที่ได้จากการเปรียบเทียบของการแข่งขันอัพSeaWiFS, Aqua MODIS-และคลอโรฟิล MERIS มาใช้ขั้นตอนวิธีอัตราส่วนวงมาตรฐานOCI และขั้นตอนวิธีการปรับจูน(3 ตารางและ 4) มีแหล่งกำเนิดในข้อมูลจากคลอโรฟิลธารา สอดคล้องกับ OC-CCI, SeaWiFS, Aqua MODIS-MERIS และคลอโรฟิลที่ได้มาทั้งหมดแสดงประเมินค่าสูงระบบในคลอโรฟิลเมื่อใช้OC4 และขั้นตอนวิธีการ OCI เมื่อใช้ขั้นตอนวิธีการแก้ไข (3 ตารางและ4) การประเมินค่าสูงระบบในคลอโรฟิลจะหายไปและคลอโรฟิลดาวเทียมอยู่ในagreementwith ที่ดีขึ้นในแหล่งกำเนิดคลอโรฟิล (เสริมรูป. S6) สนับสนุนผลโดยใช้ข้อมูล OC-CCI. พิจารณาข้อมูล OC-CCI มีการควบรวมกิจการ ระดับที่ 3 การประมวลผลสัญญาณดาวเทียมและในแหล่งกำเนิดการแข่งขันอัพในการศึกษาครั้งนี้ได้ดำเนินการใช้ในชีวิตประจำวันระดับ3 ผลิตภัณฑ์ที่แตกต่างจากมาตรฐานนาซาโปรโตคอลการตรวจสอบ (เบลีย์และ Werdell, 2006) อย่างไรก็ตามผลจากการแข่งขันอัพนำเสนอที่นี่โดยใช้ข้อมูล RSRC (รูปที่. 5) สะท้อนกับผลที่ได้จาก Brewin et al, (2013 เห็นรูปของพวกเขา. 2) โดยใช้ระดับ 2 (1 กม.)-Aqua MODIS ข้อมูลดาวเทียมในแนวเดียวกันกับนาซ่าโปรโตคอลการตรวจสอบสนับสนุนการใช้ระดับ3 ผลิตภัณฑ์สำหรับการวิเคราะห์การแข่งขันขึ้นในการศึกษานี้

ผลลัพธ์ (ไทย) 3:

5.1.4 . ไบโอ ไบโอ แสงแบบแสง
กรอบของทะเลมหาสมุทร colourmodel สามารถ
ติดตามกลับไปงานของ sathyendranath et al . ( 2001 ) และ devred
et al . ( 2006 ) โดยการดูดซึม คุณสมบัติของกลุ่มแบบ
( หรือทะเลของทะเล ) ถูกแสดงที่แตกต่างกันด้วยคลอโรฟิลล์เข้มข้น ในทะเลมหาสมุทรของเรา
colourmodel ทุกระบบจะเชื่อมโยงกับคลอโรฟิลล์
มวลชีวภาพ และวงศ์เด่นของแพลงก์ตอนพืชด้วยแบบจำลองสมมติแต่ละชุมนุมอยู่

โดดเด่น ไบโอ แสงสภาพแวดล้อม ( alvain loisel & , , dessailly , 2012 ) สอง - threecomponent
รูปแบบการดูดซึมของแพลงก์ตอนพืชและ backscattering
, ตามงานของ sathyendranath et al . ( 2001 ) ได้พัฒนา
และตรวจสอบโดยใช้ข้อมูลจากพื้นที่ต่างๆของโลกมหาสมุทร
( บรูเอิ้น dall'olmo , et al . 2012 ; บรูเอิ้น et al . , 2011 ; devred et al . ,
2006 2011 ; sathyendranath et al . , 2544 , 2547 ) ในการศึกษานี้ เรามีเพียงแค่นี้การถ่าย
( Re parameterised โดยใช้ข้อมูลในทะเลแดง
.
มันได้ถูกแสดงว่า สาม componentmodels สามารถมีตัวแทนของการเปลี่ยนแปลงในคุณสมบัติแสง

จากโอลิโกโทรฟิกให้ยูโทรฟิกน้ำเมื่อเทียบกับรุ่นสององค์ประกอบ ( บรูเอิ้น
et al . , 2011 ; devred et al . , 2011 ) อย่างไรก็ตาม รูปแบบแบบที่ใช้ในกรณีของทะเลสีแดงเป็นปริมาณคลอโรฟิลล์ผิว
ไม่ค่อยเกิน− 1 มก. 3 ( รูปที่ 2 ) เช่น รุ่นสามองค์ประกอบ
ไม่จำเป็นเมื่อพิจารณากฎหมายของความตระหนี่ . อย่างไรก็ตาม บุปผาแพลงก์ตอนพืชที่มีคลอโรฟิลล์สูง

อาจเป็นครั้งคราวเกิดขึ้นในทะเลสีแดง ( เกะนิน et al . , 1995 ) , และมันยังคงที่จะเปิดเผย
ว่าโมเดลแบบ copes ภายใต้เงื่อนไขดังกล่าว
ทะเลสีแดง รูปแบบเป็นยังค่อนข้างง่าย , ไม่บัญชีสำหรับกระบวนการที่ยืดหยุ่น
เช่นรามันกระจัดกระจายที่สามารถส่งผลกระทบต่อดาวเทียม retrievals
แสงสารโอลิโกโทรฟิกน้ำ ( ลี et al . , 2013 ;
sathyendranath & Platt , 1998 ; westberry เจ้านาย&ลี , 2013 ) อย่างไรก็ตาม ความเข้มข้นของคลอโรฟิลล์
ขั้นตอนวิธีสำหรับใช้ ( เช่น และ oc4 oci )
ที่ใช้ parameterised ใช้ในแหล่งกำเนิด rrs ( λ ) และข้อมูลคลอโรฟิลล์
รวมถึงโดยปริยาย รามันผล . ดังนั้น
ประเมินมากเกินไประบบคลอโรฟิลล์ พบในทะเลสีแดงโดยวิธีเหล่านี้คือ
ไม่น่าจะเหลือผล ซึ่งแม้ว่า
cdom สูงกว่า