Υπολογιστική διερεύνηση ροϊκού πεδίου τεχνητών υφάλων με παράλληλη διερεύνηση της θαλάσσιας θερμοκρασίας στην παράκτια ζώνη από in-situ και δορυφορικές μετρήσεις

2020 ◽  
Author(s):  
Δημήτριος Ανδρουλάκης
Keyword(s):  
Surface Temperature ◽  
Sea Surface Temperature ◽  
Protected Areas ◽  
Marine Protected Areas ◽  
Sea Surface ◽  
Wake Region

Η παράκτια ζώνη προσφέρει ζωτικής σημασίας πεδίο ανθρώπινων δραστηριοτήτων εξυπηρετώντας πλήθος διαδραστικών με το περιβάλλον πρακτικών, όπως, την εξασφάλιση τροφής μέσω αλιευμάτων, την παροχή διόδων εμπορικών και πολιτισμικών συναλλαγών μέχρι και την πρόσφατη εκμετάλλευση της για λόγους αναψυχής. Στα ούτως ή άλλως έντονα φυσικά φαινόμενα που χαρακτηρίζουν την παράκτια ζώνη, καθώς αποτελεί τον χώρο του θαλάσσιου περιβάλλοντος που έρχεται σε άμεση επαφή με την χέρσο, προστίθενται έντονα τις τελευταίες δεκαετίες και οι ανθρωπογενείς δραστηριότητες. Μία από αυτές τις ανθρωπογενείς δραστηριότητες που επιβαρύνουν την παράκτια ζώνη, αποτελεί και η πρόσφατη ανάπτυξη της κατάδυσης αναψυχής και του καταδυτικού τουρισμού. Ως μέτρο αντιμετώπισης του παραπάνω προβλήματος αλλά και σαν πρόταση αειφόρου ανάπτυξης της παράκτιας ζώνης, αναπτύχθηκε η Τεχνολογία Τεχνητών-Υφάλων-ΕΛΚΕΘΕTM. Αυτοί οι τεχνητοί ύφαλοι (ΤΥ) προσβλέπουν στην κατασκευή ενδιαιτημάτων που μιμούνται αισθητικά τα τοπικά φυσικά ενδιαιτήματα (εν προκειμένω, τον φυσικό πετρώδη Μεσογειακό βράχο/ύφαλο) και λειτουργούν ως πόλος έλξης θαλάσσιων οργανισμών, με στόχο την προσέλκυση δυτών αναψυχής. Αποσυμφορώντας, κατ’ αυτό τον τρόπο, περιοχές φυσικού ενδιαφέροντος ή/και θαλάσσιες προστατευμένες περιοχές (Marine Protected Areas-MPAs) με την δημιουργία καταδυτικών περιοχών/πάρκων σε κοντινές τους περιοχές. Την πόντιση 12 τέτοιων μονάδων ΤΥ στο Υποθαλάσσιο Βιοτεχνολογικό Πάρκο Κρήτης (ΥΒΠΚ) το 2015, ακολούθησε η παρακολούθηση και αξιολόγηση τους. Μέρος αυτής της διαδικασίας αποτελεί και η παρούσα διερεύνηση προς εξακρίβωση εάν η Υπολογιστική Ρευστοδυναμική αποτελεί κατάλληλο εργαλείο σχεδιασμού και αξιολόγησης ΤΥ. Ένα από τα βασικά χαρακτηριστικά που υπαγορεύουν την λειτουργικότητα, συνεπώς και την επιτυχία, της εγκατάστασης ΤΥ θεωρείται το ροϊκό τους πεδίο και η αλληλεπίδραση τους με τα θαλάσσια ρεύματα. Η εκτροπή της προσπίπτουσας σε έναν ΤΥ ροής, είναι αυτό που του προσδίδει τα επιθυμητά χαρακτηριστικά της ανοδικής (upwelling) ανάντη ροής και την δημιουργία της κατάντη ζώνης σκίασης (wake region). Έτσι εξασφαλίζεται η επαναιώρηση του ιζήματος και των θρεπτικών συστατικών του πυθμένα, για να ευδοκιμήσει η ύπαρξη στατικών επικαθήμενων και κινητικών βενθικών οργανισμών στους υφάλους. Αυτοί οι οργανισμοί θα προσελκύσουν μεγαλύτερους οργανισμούς (ψάρια κ.α.), οι οποίοι εκμεταλλευόμενοι την wake region κατάντη ενός TY (ζώνη με τιμές ταχύτητας ροής < 0.35 m/s) θα συναθροιστούν, για να ξεκουραστούν/προφυλαχθούν από τα θαλάσσια ρεύματα και τους μεγαλύτερους θηρευτές ή για να βρουν καταφύγια για εποίκηση και αναπαραγωγή. Στην παρούσα μελέτη, τα τρισδιάστατα σαρωμένα πλέγματα των ΤΥ υπόκεινται σε υπολογιστικές προσομοιώσεις και αποτυπώνονται όλα τα επιθυμητά ροϊκά τους χαρακτηριστικά. Παρόλο που η διαστασιολόγηση των προσομοιώσεων δεν είναι υπό κλίμακα και οι συγκεκριμένοι ΤΥ είναι πολύπλοκες κατασκευές μορφολογικά, τα αποτελέσματα είναι αντίστοιχα με αυτά προηγούμενων υπό κλίμακα μελετών που περιλαμβάνουν ΤΥ απλούστερης γεωμετρίας (π.χ. κύβους). Η Θαλάσσια Επιφανειακή Θερμοκρασία (Sea Surface Temperature - SST), συμπεριλαμβανομένης και αυτής της παράκτιας ζώνης, θεωρείται ζωτικής σημασίας παράμετρος του κλιματικού συστήματος. Η SST ελέγχει σε μεγάλο βαθμό την ατμοσφαιρική απόκριση στον ωκεανό τόσο σε μετεωρολογικές όσο και σε κλιματικές χρονικές κλίμακες και ασκεί σημαντική επιρροή στις ανταλλαγές ενέργειας, ορμής και αερίων μεταξύ του ωκεανού και της ατμόσφαιρας. Υπ’ αυτό το πρίσμα, στην παρούσα Διατριβή, έγινε μία σύγκριση μετρήσεων SST από τους δορυφόρους Aqua και Terra της NASA, με μετρήσεις από in situ όργανα που έχουν εγκατασταθεί στο ΥΒΠΚ, για να διερευνηθεί η καταλληλότητα μιας τέτοιας in situ χρονοσειράς προς έλεγχο (validation) δορυφορικών μετρήσεων. Για να επιτευχθεί ασφαλώς κάτι τέτοιο, υποδομές όπως αυτές του ΥΒΠΚ, με την βελτίωση τόσο της ακρίβειας όσο και του υπολογισμού της αβεβαιότητας των μετρήσεων τους, πρέπει να δημιουργηθούν και να διασφαλιστεί η απρόσκοπτη και συνεχής λειτουργία τους. Επιπλέον, μελετάται η επίδραση της χέρσου στην ποιότητα και την ακρίβεια των δορυφορικών τιμών SST μέσω της σύγκρισης δυο γειτονικών κελιών μέτρησης των δορυφόρων. Με την παρούσα παράλληλη διερεύνηση της Υπολογιστικής Ρευστοδυναμικής και της θερμοκρασιακής παρακολούθησης καταδεικνύεται η προτεινόμενη μεθοδολογία για αντίστοιχες παράκτιες, και όχι μόνο, εφαρμογές. Πιο συγκεκριμένα, η θερμοκρασία και τα υποθαλάσσια ρεύματα χαρακτηρίζονται ως βασικές φυσικές παράμετροι που μπορεί να καθορίσουν τα λειτουργικά χαρακτηριστικά τεχνητών υφάλων. Συνεπώς, η παρακολούθηση αυτών των φυσικών παραμέτρων πρέπει να εφαρμόζεται τόσο κατά την λειτουργία αντίστοιχων ποντισμένων κατασκευών (προς αξιολόγηση τους), όσο και προηγούμενα δεδομένα παρακολουθήσεων πρέπει να λαμβάνονται υπ’ όψη στο σχεδιασμό των κατασκευών. Συγκρίνοντας δορυφορικά δεδομένα με αντίστοιχα in-situ, στην παρούσα Διατριβή και για την συγκεκριμένη περιοχή μελέτης, βάσει της ταύτισης των συγκριτικών τους στατιστικών θα μπορούν πλέον να χρησιμοποιούνται δορυφορικές χρονοσειρές προγενέστερες της εγκατάστασης των in-situ αισθητήρων με στόχο μία πιο διευρυμένη αποτύπωση των τοπικών φυσικών χαρακτηριστικών. Ή ακόμα να γίνει χρήση δορυφορικών χρονοσειρών για την εκτίμηση επιθυμητών φυσικών παραμέτρων και σε άλλες υποψήφιες παρόμοιες παράκτιες περιοχές εγκατάστασης αντίστοιχων κατασκευών όπου δεν υπάρχουν in-situ χρονοσειρές. Τελικά, αυτή η παρακολούθηση/εκτίμηση των τοπικών φυσικών παραμέτρων είναι που θα επιτρέψει στην αειφόρο σχεδίαση παράκτιων έργων υποδομής, συνυπολογίζοντας τις κατά τόπους γεωμορφολογικές και φυσικές/περιβαλλοντικές ιδιαιτερότητες και μεταβολές, ώστε να συντείνουν αμοιβαία στην Ολιστική Διαχείριση της Παράκτιας Ζώνης μίας περιοχής.

scholarly journals Validation of Sea Surface Temperature from GCOM-C Satellite Using iQuam Datasets and MUR-SST in Indonesian Waters

2021 ◽  
Vol 53 (1) ◽  
Author(s):  
Bambang Sukresno ◽  
Dinarika Jatisworo ◽  
Rizki Hanintyo
Keyword(s):  
High Resolution ◽  
Error Analysis ◽  
Surface Temperature ◽  
Sea Surface Temperature ◽  
Important Variable ◽  
Sea Surface ◽  
Analysis Method ◽  
Validation Process ◽  
Indonesian Seas

Sea surface temperature (SST) is an important variable in oceanography. One of the SST data can be obtained from the Global Observation Mission-Climate (GCOM-C) satellite. Therefore, this data needs to be validated before being applied in various fields. This study aimed to validate SST data from the GCOM-C satellite in the Indonesian Seas. Validation was performed using the data of Multi-sensor Ultra-high Resolution sea surface temperature (MUR-SST) and in situ sea surface temperature Quality Monitor (iQuam). The data used are the daily GCOM-C SST dataset from January to December 2018, as well as the daily dataset from MUR-SST and iQuam in the same period. The validation process was carried out using the three-way error analysis method. The results showed that the accuracy of the GCOM-C SST was 0.37oC.

scholarly journals RETRIEVAL OF SEA SURFACE TEMPERATURE OVER POTERAN ISLAND WATER OF INDONESIA WITH LANDSAT 8 TIRS IMAGE: A PRELIMINARY ALGORITHM

2015 ◽  
Vol XL-2/W4 ◽  
pp. 87-90 ◽  
Author(s):  
M. A. Syariz ◽  
L. M. Jaelani ◽  
L. Subehi ◽  
A. Pamungkas ◽  
E. S. Koenhardono ◽  
...  
Keyword(s):  
Surface Temperature ◽  
Sea Surface Temperature ◽  
Brightness Temperature ◽  
Sea Surface ◽  
Coefficient Of Determination ◽  
Landsat 8 ◽  
In Situ Data ◽  
The North ◽  
Thermal Band

The Sea Surface Temperature (SST) retrieval from satellites data Thus, it could provide SST data for a long time. Since, the algorithms of SST estimation by using Landsat 8 Thermal Band are sitedependence, we need to develop an applicable algorithm in Indonesian water. The aim of this research was to develop SST algorithms in the North Java Island Water. The data used are in-situ data measured on April 22, 2015 and also estimated brightness temperature data from Landsat 8 Thermal Band Image (band 10 and band 11). The algorithm was established using 45 data by assessing the relation of measured in-situ data and estimated brightness temperature. Then, the algorithm was validated by using another 40 points. The results showed that the good performance of the sea surface temperature algorithm with coefficient of determination (<i>R</i><sup>2</sup>) and Root Mean Square Error (<i>RMSE</i>) of 0.912 and 0.028, respectively.

scholarly journals Adjusting for Desert-Dust-Related Biases in a Climate Data Record of Sea Surface Temperature

2020 ◽  
Vol 12 (16) ◽  
pp. 2554
Author(s):  
Christopher J. Merchant ◽  
Owen Embury
Keyword(s):  
Surface Temperature ◽  
Sea Surface Temperature ◽  
Large Scale ◽  
Dust Aerosol ◽  
Sea Surface ◽  
Climate Data ◽  
Desert Dust ◽  
Data Record ◽  
Climate Data Record

Atmospheric desert-dust aerosol, primarily from north Africa, causes negative biases in remotely sensed climate data records of sea surface temperature (SST). Here, large-scale bias adjustments are deduced and applied to the v2 climate data record of SST from the European Space Agency Climate Change Initiative (CCI). Unlike SST from infrared sensors, SST measured in situ is not prone to desert-dust bias. An in-situ-based SST analysis is combined with column dust mass from the Modern-Era Retrospective analysis for Research and Applications, Version 2 to deduce a monthly, large-scale adjustment to CCI analysis SSTs. Having reduced the dust-related biases, a further correction for some periods of anomalous satellite calibration is also derived. The corrections will increase the usability of the v2 CCI SST record for oceanographic and climate applications, such as understanding the role of Arabian Sea SSTs in the Indian monsoon. The corrections will also pave the way for a v3 climate data record with improved error characteristics with respect to atmospheric dust aerosol.

scholarly journals Satellite-based time-series of sea-surface temperature since 1981 for climate applications

2019 ◽  
Vol 6 (1) ◽  
Author(s):  
Christopher J. Merchant ◽  
Owen Embury ◽  
Claire E. Bulgin ◽  
Thomas Block ◽  
Gary K. Corlett ◽  
...  
Keyword(s):  
Surface Temperature ◽  
Sea Surface Temperature ◽  
Ocean Model ◽  
Sea Surface ◽  
Climate Data ◽  
Satellite Measurements ◽  
Data Record ◽  
The Mean ◽  
Climate Data Record

Abstract A climate data record of global sea surface temperature (SST) spanning 1981–2016 has been developed from 4 × 1012 satellite measurements of thermal infra-red radiance. The spatial area represented by pixel SST estimates is between 1 km2 and 45 km2. The mean density of good-quality observations is 13 km−2 yr−1. SST uncertainty is evaluated per datum, the median uncertainty for pixel SSTs being 0.18 K. Multi-annual observational stability relative to drifting buoy measurements is within 0.003 K yr−1 of zero with high confidence, despite maximal independence from in situ SSTs over the latter two decades of the record. Data are provided at native resolution, gridded at 0.05° latitude-longitude resolution (individual sensors), and aggregated and gap-filled on a daily 0.05° grid. Skin SSTs, depth-adjusted SSTs de-aliased with respect to the diurnal cycle, and SST anomalies are provided. Target applications of the dataset include: climate and ocean model evaluation; quantification of marine change and variability (including marine heatwaves); climate and ocean-atmosphere processes; and specific applications in ocean ecology, oceanography and geophysics.

scholarly journals Evaluation of global monitoring and forecasting systems at Mercator Océan

Ocean Science ◽  
2013 ◽  
Vol 9 (1) ◽  
pp. 57-81 ◽  
Author(s):  
J.-M. Lellouche ◽  
O. Le Galloudec ◽  
M. Drévillon ◽  
C. Régnier ◽  
E. Greiner ◽  
...  
Keyword(s):  
Quality Control ◽  
Sea Ice ◽  
Surface Temperature ◽  
Sea Surface Temperature ◽  
Sea Surface ◽  
Altimeter Data ◽  
Open Boundary ◽  
Vertical Profiles ◽  
Validation Procedure

Abstract. Since December 2010, the MyOcean global analysis and forecasting system has consisted of the Mercator Océan NEMO global 1/4° configuration with a 1/12° nested model over the Atlantic and the Mediterranean. The open boundary data for the nested configuration come from the global 1/4° configuration at 20° S and 80° N. The data are assimilated by means of a reduced-order Kalman filter with a 3-D multivariate modal decomposition of the forecast error. It includes an adaptive-error estimate and a localization algorithm. A 3-D-Var scheme provides a correction for the slowly evolving large-scale biases in temperature and salinity. Altimeter data, satellite sea surface temperature and in situ temperature and salinity vertical profiles are jointly assimilated to estimate the initial conditions for numerical ocean forecasting. In addition to the quality control performed by data producers, the system carries out a proper quality control on temperature and salinity vertical profiles in order to minimise the risk of erroneous observed profiles being assimilated in the model. This paper describes the recent systems used by Mercator Océan and the validation procedure applied to current MyOcean systems as well as systems under development. The paper shows how refinements or adjustments to the system during the validation procedure affect its quality. Additionally, we show that quality checks (in situ, drifters) and data sources (satellite sea surface temperature) have as great an impact as the system design (model physics and assimilation parameters). The results of the scientific assessment are illustrated with diagnostics over the year 2010 mainly, assorted with time series over the 2007–2011 period. The validation procedure demonstrates the accuracy of MyOcean global products, whose quality is stable over time. All monitoring systems are close to altimetric observations with a forecast RMS difference of 7 cm. The update of the mean dynamic topography corrects local biases in the Indonesian Throughflow and in the western tropical Pacific. This improves also the subsurface currents at the Equator. The global systems give an accurate description of water masses almost everywhere. Between 0 and 500 m, departures from in situ observations rarely exceed 1 °C and 0.2 psu. The assimilation of an improved sea surface temperature product aims to better represent the sea ice concentration and the sea ice edge. The systems under development are still suffering from a drift which can only be detected by means of a 5-yr hindcast, preventing us from upgrading them in real time. This emphasizes the need to pursue research while building future systems for MyOcean2 forecasting.

scholarly journals Comparison of Satellite-Based Sea Surface Temperature to In Situ Observations Surrounding Coral Reefs in La Parguera, Puerto Rico

2020 ◽  
Vol 8 (6) ◽  
pp. 453
Author(s):  
Andrea M. Gomez ◽  
Kyle C. McDonald ◽  
Karsten Shein ◽  
Stephanie DeVries ◽  
Roy A. Armstrong ◽  
...  
Keyword(s):  
Puerto Rico ◽  
Coral Reefs ◽  
Surface Temperature ◽  
Sea Surface Temperature ◽  
Thermal Stresses ◽  
In Situ Measurements ◽  
Sea Surface ◽  
Strong Positive Correlation ◽  
La Parguera

Coral reefs are among the most biologically diverse ecosystems on Earth. In the last few decades, a combination of stressors has produced significant declines in reef expanse, with declining reef health attributed largely to thermal stresses. We investigated the correspondence between time-series satellite remote sensing-based sea surface temperature (SST) datasets and ocean temperature monitored in situ at depth in coral reefs near La Parguera, Puerto Rico. In situ temperature data were collected for Cayo Enrique and Cayo Mario, San Cristobal, and Margarita Reef. The three satellite-based SST datasets evaluated were NOAA’s Coral Reef Watch (CoralTemp), the UK Meteorological Office’s Operational SST and Sea Ice Analysis (OSTIA), and NASA’s Jet Propulsion Laboratory (G1SST). All three satellite-based SST datasets assessed displayed a strong positive correlation (>0.91) with the in situ temperature measurements. However, all SST datasets underestimated the temperature, compared with the in situ measurements. A linear regression model using the SST datasets as the predictor for the in situ measurements produced an overall offset of ~1 °C for all three SST datasets. These results support the use of all three SST datasets, after offset correction, to represent the temperature regime at the depth of the corals in La Parguera, Puerto Rico.

Sign in / Sign up

Export Citation Format

Share Document