[FI] Vuosittainen kooste Itämeren avomerialueen pintalevälauttahavainnoista yhdistetään kesäkauden päivittäisistä pintalevähavainnoista, tämä kuvaus kattaa vuosien 2003-2011 aineistot. Pintalevälautoista tehdään neliluokkainen tulkintakartta, joka kuvaa pintalevän esiintymistodennäköisyyttä tietyllä alueella. Kartan luokat ovat 1) ei pintalevää, 2) mahdollista, 3) todennäköistä sekä 4) varmaa pintalevää. Vuosittainen kooste kokoaa yhteen Itämeren pääaltaan, Selkämeren ja Suomenlahden pintalevähavainnot kesä-elokuun ajalta. Kooste kuvaa suurinta havaittua levän määrää kesä-elokuun aikana kullakin alueella. Koosteiden maastoerotuskyky on 500 metriä.
Pintalevähavainnot perustuvat a-klorofyllin ja sameuden määrään. Aineistot on laskettu Envisat MERIS (Medium Resolution Imaging Spectrometer) instrumentin 3rd Reprocessing. a-klorofyllipitoisuus on tulkittu käyttäen neuroverkkolaskentaan perustuvaa FUB-mallia (Freie University of Berlin) (Shcroeder et al., 2007). Sameus on tulkittu mallilla, joka perustuu C2R-neuroverkkoon (Case-2 Regional), (Brockmann et al. 2016; Doerffer et al. 2007; 2008a; 2008b).
Aineiston käyttötarkoitus: Itämeren vedenlaadun seuranta, levätiedotus.
Aineisto kuuluu SYKEn avoimiin aineistoihin (CC BY 4.0).
[EN] The annual Baltic Sea offshore algae composite is a combination of all surface floating algae bloom observations in the summerly cyanobacteria bloom period. The data covers Baltic Sea offshore areas. Surface algae bloom data is produced using a four-class interpretation map that describes the probability of the occurrence of surface algae blooms. Algae classes are: 1) no, 2) potential, 3) likely and 4) evident surface algae. Annual composites describe the extent of surface algae blooms during June-August. The composites from years 2003–2011 are made with a ground resolution of 500 meters.
Surface algal observations are based on the amount of chlorophyll-a and turbidity using the 3rd Reprocessing data of the Envisat MERIS (Medium Resolution Imaging Spectrometer) instrument. Chl-a was modelled using the FUB model based on neural network computation (Freie University of Berlin) (Shcroeder et al., 2007). The turbidity estimation is based on a C2R neural network model (Case-2 Regional), (Brockmann et al. 2016; Doerffer, et al. 2007; 2008a; 2008b).
Purpose of use: Monitoring of water quality in the Baltic Sea, algal watch.
Viitteet / References
Anttila, S., Fleming-Lehtinen, V., Attila, J., Junttila S., Alasalmi, H., Hällfors, H., Kervinen, M., Koponen, S., (2018). A novel cyanobacterial surface accumulation indicator for the Baltic Sea. A novel earth observation based ecological indicator for cyanobacterial blooms. International Journal of Applied Earth Observation and Geoinformation 64:145-155. DOI: 10.1016/j.jag.2017.09.007. Available online (Oct/2017)
Schroeder, T., Schaale, M., & Fischer, J. (2007). Retrieval of atmospheric and oceanic properties from MERIS measurements: A new Case-2 water processor for BEAM. International Journal of Remote Sensing, 28(24), 5627–5632.
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.
Doerffer, R. & Schiller, H. (2007). The MERIS Case 2 algorithm. International Journal of Remote Sensing, 28 (3–4), 517–535. doi:10.1080/01431160600821127.
Doerffer, R., & Schiller, H. (2008a). MERIS Regional Coastal and Lake Case 2 Water Project Atmospheric correction ATBD (Algorithm Theoretical Basis Document) 1.0. 41 p. pdf
Doerffer, R. & Schiller, H., (2008b). MERIS Lake Water Project - Lake Water Algorithm for BEAM, ATBD (Algorithm Theoretical Basis Document) 1.0, 17 p.
WMS-palvelin / WMS service endpoint: https://geoserver2.ymparisto.fi/geoserver/eo/wms
WMS-taso / WMS layer, (vuodet aineistossa/years in data 2003-2011): eo:EO_SEASONAL_ALGAE