penginderaan jauh

Artikel

Pemodelan dan Karakterisasi Multi-Temporal Total

Suspended Matter dengan Penggunaan Gabungan
Data Sentinel 2-MSI dan Landsat 8-OLI:
Studi Kasus Danau Pertusillo (Italia)
Emanuele Ciancia 1,* , Alessandra Campanelli 2 , Teodosio Lacava 3 , Angelo Palombo 3 ,
Simone Pascucci 3 , Nicola Pergola 3 , Stefano Pignatti 3 , Valeria Satriano 1 dan Valerio
Tramutoli 1

1
Sekolah Teknik, Universitas Basilicata, Via dell'Ateneo Lucano 10, 85100 Potenza, Italia;
valeria.satriano@imaa.cnr.it (VS); valerio.tramutoli@unibas.it (VT)
2
Institut Sumber Daya Hayati dan Bioteknologi Kelautan—Dewan Riset Nasional (CNR-IRBIM),
L.go Fiera della Pesca, 2, 60125 Ancona, Italia; alessandra.campanelli@cnr.it
3
Institut Metodologi untuk Analisis Lingkungan—Dewan Riset Nasional (CNR-IMAA),
C.da Santa Loja, Tito Scalo, 85050 Potenza, Italia; teodosio.lacava@imaa.cnr.it (TL); angelo.palombo@cnr.it
(AP); simone.pascucci@imaa.cnr.it (SP); nicola.pergola@imaa.cnr.it (NP);
stefano.pignatti@imaa.cnr.it (SP)
* Korespondensi: emanuele.ciancia@imaa.cnr.it ; Telp.: +39-0971-427242; Faks: +39-0971-427271

Diterima: 25 Mei 2020; Diterima: 1 Juli 2020; Diterbitkan: 4 Juli 2020

Abstrak: Variabilitas total materi tersuspensi (TSM) memainkan peran penting dalam fungsi ekologi danau
dan siklus biogeokimia. Data Sentinel-2AMultiSpectral Instrument (MSI) dan Landsat 8 Operational Land
Instrument (OLI) offer peluang unik untuk menyelidiki konstituen dalam air tertentu (misalnya, TSM dan
klorofil-a) karena resolusi spasialnya (10–60 m). Dalam kerangka ini, kami menilai potensi data gabungan MSI-
OLI dalam mengkarakterisasi variabilitas TSM multi-temporal (2014-2018) di Danau Pertusillo (wilayah
Basilcata, Italia Selatan). Kami mengembangkan dan memvalidasi model TSM berbasis MSI (R2 = 0.81) dengan
memanfaatkan pengukuran tanah yang diperoleh selama kampanye pengukuran tertentu. Model tersebut
kemudian diekspor sebagai data OLI melalui prosedur interkalibrasi (R2 = 0.87), memungkinkan pembuatan
kumpulan data gabungan MSI–OLI multi-temporal TSM. Analisis peta bulanan TSM multi-tahun yang
diturunkan menunjukkan pengaruh faktor hidrologis terhadap dinamika musiman TSM di dua sub-wilayah
danau, wilayah barat dan timur. Sisi barat lebih dipengaruhi oleh aliran sungai dan fluktuasi muka air, e theff
yang cenderung menurun secara longitudinal, yang menyebabkan berkurangnya sedimen di sub-area timur.
Hasil yang dicapai dapat dimanfaatkan oleh otoritas daerah untuk pengelolaan kualitas air daratan dan
sistem pemantauan yang lebih baik.

Kata kunci: data satelit optik; multi-sensor; multi-waktu; refleksi air pedalaman; TSM

1. Perkenalan

Badan air tawar pedalaman adalah penyedia layanan utama bagi masyarakat lokal, menjadi sumber air
minum yang penting dan pusat utama untuk kegiatan rekreasi [1]. Namun, seperti banyak ekosistem lainnya,
danau adalahffdipengaruhi oleh meningkatnya tekanan lingkungan karena stresor yang terjadi bersama
seperti perubahan iklim, kontaminasi zat organik dan anorganik, dan pengaruh antropogenik, yang
mengancam fungsi ekologisnya.2,3]. Untuk alasan ini, undang-undang Eropa seperti Marine Strategy
Framework Directive (MSFD, 2008/56/EC) dan Water Framework Directive

Penginderaan Jauh 2020, 12, 2147; doi:10.3390/rs12132147 www.mdpi.com/journal/remotesensing

Penginderaan Jauh 2020, 12, 2147 2 dari 24

(WFD, 2000/60/EC dan amandemennya) mengharuskan negara-negara anggota untuk menilai status ekologi
badan air berdasarkan diffindikator kualitas yang ada, seperti transparansi air [4]. Parameter ini sangat terkait
dengan jumlah bahan tersuspensi (yaitu, total bahan tersuspensi—TSM) yang mengalir ke danau dari
lingkungan terestrial melalui debit sungai [5]. TSM terutama dicirikan oleh detritus organik non-alga dan
sedimen mineral, dan merupakan konstituen bio-optik utama dalam fungsi ekologi danau dan siklus
biogeokimia [6]. Sedimen secara langsung dapat mengurangi penetrasi cahaya, menghambat produktivitas
fitoplankton sertaffmempengaruhi dinamika nutrisi [7] dan pengangkutan mikropolutan, logam berat, dan
bahan lainnya [8]. Pengukuran medan TSM memakan waktu, mahal, dan bergantung pada lokasi, dan oleh
karena itu tidak selalu mungkin untuk mengukur dinamika TSM dalam domain spatiotemporal [9].
Penginderaan jauh warna laut (OC) dapat berguna untuk melengkapi pengukuran TSM in situ, karena dapat
memastikan tampilan sinoptik rutin dalam biaya-effcara efektif [10-12]. Sensor OC dapat memberikan
informasi tentang konstituen bio-optik dalam air seperti TSM, memperoleh pengukuran air yang
meninggalkan pancaran di daerah spektral yang terlihat (VIS) dan inframerah dekat (NIR).13]. Sebagai contoh,
teknologi Moderate-Resolution Imaging Spectroradiometer (MODIS) dan Medium-Resolution Imaging
Spectrometer (MERIS) telah banyak digunakan dalam berbagai penelitian yang bertujuan untuk menganalisis
distribusi TSM di perairan keruh di pedalaman dan pesisir.14-16]. Selanjutnya, sensor OC ini telah digunakan
untuk menyelidiki indikator kualitas air atau untuk mengembangkan model estimasi TSM, terutama untuk
danau besar seperti Danau Balaton.17], Danau Taihu [11], Danau besar [18], dan Danau Jenewa [19]. Namun,
sensor yang disebutkan di atas, yang terutama dirancang untuk penelitian kelautan (yaitu, perairan terbuka
dan pantai), memiliki resolusi spasial yang kasar, membuatnya tidak cocok untuk aplikasi penginderaan jauh di
sebagian besar danau dan waduk [20]. Sensor generasi baru seperti MultiSpectral Instrument (MSI) pada
Sentinel-2A/B(S2A/B) dan Operational Land Imager (OLI) pada Landsat 8 (L8) memungkinkan keterbatasan ini
diatasi, offmembuka peluang yang belum pernah terjadi sebelumnya untuk penginderaan jauh danau,
meskipun sebagian besar dirancang untuk aplikasi lahan [21].
Publikasi terbaru telah menguatkan kemampuan data MSI-S2A dan OLI-L8 (selanjutnya masing-masing MSI dan
OLI) untuk pemantauan sumber daya air, terutama untuk perairan pedalaman atau danau kecil. Misalnya, Gernez et
al. [22] menganalisis distribusi TSM yang diturunkan dari MSI di atas peternakan tiram di bawah diffkondisi pasang
surut. Liu dkk. [23] menilai penerapan data MSI-S2A untuk pengambilan TSM di Danau Poyang, dan Toming et al. [24]
menguji kesesuaian jenis data yang sama untuk pemetaan beberapa indikator kualitas air di setidaknya sembilan
danau kecil (≤3 km2). Merujuk juga pada data OLI, Eder et al. [25] menggunakan data ini untuk menyelidiki materi
tersuspensi yang kaya mineral di danau glasial, dan Giardino et al. [10] mengevaluasi nilainya untuk memperkirakan
konstituen bio-optik dalam air di Danau Garda (Italia). Dalam studi yang dilakukan dengan menggunakan data MSI
dan OLI, Manzo et al. [26] melakukan analisis sensitivitas kontribusi jenis materi aktif optik di pita spektral Landsat-8
dan Sentinel-2 untuk danau Italia, sementara Lavrova et al. [27] menggunakan data yang disebutkan di atas untuk
mempelajari proses hidrodinamik skala halus di dekat gumpalan sungai di Laut Hitam. Selanjutnya, Pahlvan et al. [28]
mendemonstrasikan bagaimana MSI–OLI menggabungkan data membuka peluang baru untuk memantau perairan
pesisir dan pedalaman dengan kecepatan yang belum pernah mungkin terjadi sebelumnya, karena cakupan temporal
yang ditingkatkan pada resolusi spasial 10–60 m. Peningkatan konsekuen dalam waktu interval kunjungan kembali
rata-rata, serta jumlah gambar bebas awan, dapat memastikan penangkapan yang lebih baik dari dinamika perairan
pedalaman [28]. Sebagian besar studi yang disebutkan di atas dilakukan pada skala regional/lokal berdasarkan
pengukuran radiometrik dan bio-optik spesifik lokasi, sehingga memungkinkan pengembangan dan implementasi
model TSM yang disesuaikan, terutama untuk waduk yang relevan secara ekologis atau danau yang kurang dipelajari.

Danau Pertusillo (selanjutnya PL) (wilayah Basilcata, Italia Selatan) adalah salah satu waduk yang paling
sedikit diselidiki di Semenanjung Italia dan belum pernah dipelajari menggunakan data satelit, meskipun
peningkatan aktivitas manusia di Lembah Agri yang tinggi meningkatkan relevansi lingkungannya. Kedekatan
dengan pabrik pengolahan air limbah, tempat pembuangan sampah, pertanian, plastik, dan kegiatan industri
lainnya mengancam keseimbangan lingkungan reservoir air tawar [29]. Di antara kegiatan-kegiatan ini, perlu
disebutkan eksploitasi, di wilayah yang sama, dari ladang minyak darat terbesar di Eropa Barat.
Penginderaan Jauh 2020, 12, 2147 3 dari 24

ditandai dengan ekstraksi minyak mentah dari 26 sumur untuk menghasilkan sekitar 104 × 103 barel·hari-1 (
kapasitas nominal pengobatan) [30]. Logam berat atau polutan mikro lainnya yang dikeluarkan oleh kegiatan
industri ini cenderung terakumulasi baik di tanah [31] dan di ekosistem danau, dalam bentuk tersuspensi
melalui runo, sehingga mengurangi transparansi air [32]. Dalam skenario ini, karakterisasi variabilitas TSM
mewakili tantangan lingkungan yang relevan untuk ditangani untuk reservoir air tawar ini, yang tidak memiliki
jaringan pemantauan in situ yang berkelanjutan dan, dengan demikian, dapat mengambil manfaat dari
integrasi data satelit. Dengan asumsi bahwa beberapa badan air pedalaman dicirikan oleh kondisi yang sama,
perlu didefinisikan pendekatan terpadu umum yang akan berguna untuk penyelidikan mereka.
Dalam konteks ini, karya ini menjelaskan pengembangan pendekatan metodologis multi-sumber (yaitu,
pengumpulan data in situ, pemodelan, dan pemrosesan data satelit) untuk menilai variabilitas multi-temporal TSM di
danau air tawar dengan memanfaatkan penggunaan gabungan MSI dan data OLI. Untuk mencapai tujuan ini,
penelitian ini bertujuan untuk (1) mengembangkan model TSM MSI versi PL yang disetel dengan memanfaatkan
kumpulan data pengukuran radiometrik dan TSM in situ; (2) mengekspor model TSM yang disebutkan di atas ke data
OLI melalui prosedur interkalibrasi; dan (3) menghasilkan peta TSM berdasarkan kumpulan data gabungan MSI–OLI
multi-tahun (2014–2018) untuk menilai variabilitas TSM atas PL. Penerapan pendekatan terpadu dan berkelanjutan
semacam itu dapat memberikan dasar yang berguna untuk studi lebih lanjut yang berfokus pada pemantauan
kualitas air di perairan pedalaman.

2. Bahan-bahan dan metode-metode

2.1. Area Studi

PL adalah reservoir air tawar buatan manusia (Gambar 1b) terletak di Lembah Agri yang tinggi (Basilicata
wilayah, Italia Selatan) dalam sistem agroforestry khas Mediterania [33]. PL dibentuk selama tahun 1957-1963
melalui pembangunan dam di seberang Sungai Agri, di bagian atas lembah ini, dan berada di dalam batas
kota Grumento Nova, Montemurro, dan Spinoso (Gambar1c).

Gambar 1. (a) Lokasi (disorot dengan warna kuning) wilayah Basilicata di semenanjung Italia; (b) jaringan hidrografi
wilayah Basilicata; (c) perbesaran daerah penelitian di dalam kotak merah (b). Sungai-sungai utama dan anak-anak
sungainya (garis biru) digambarkan, begitu pula desa-desa (segitiga hitam) yang dekat dengan PL. Titik-titik hitam di
dalam PL adalah stasiun pengambilan sampel yang direncanakan untuk kampanye pengukuran.
Penginderaan Jauh 2020, 12, 2147 4 dari 24

Waduk, dengan 5,27 km2 luas permukaan, menyimpan sekitar 155 juta m3 air untuk menyediakan
pasokan air untuk irigasi (32,3%), minum (67,7%), dan untuk menghasilkan energi listrik tenaga air [34]. PL
menunjukkan fluktuasi permukaan air yang kuat hingga 40 m, sesuai dengan variasi penyimpanan reservoir
sekitar 80 juta m3, terutama karena curah hujan musiman dan aliran sungai [29].
Angka 2 menunjukkan perbandingan antara variasi musiman volume bersih PL dan rata-rata muka air
bulanan di stasiun pengukur Sungai Agri yang paling dekat dengan perbatasan barat danau (yaitu, stasiun
Grumento—Ponte la Marmora) untuk periode 2014–2018 yang diselidiki [35].

Gambar 2. Rata-rata bulanan volume bersih PL (garis hijau) dan ketinggian air diukur di stasiun Grumento—
Ponte La Marmora (garis merah) untuk periode 2014–2018 yang diselidiki.

Variabel hidrologi yang disebutkan di atas sangat terkait dan menunjukkan siklus musiman yang
terdefinisi dengan baik. Secara rinci, volume bersih PL (garis hijau pada Gambar2) biasanya ditandai dengan
pengisian ulang awal dari akhir musim dingin ke awal musim semi (yaitu, Desember-Maret), fase dataran
tinggi dari musim semi ke awal musim panas (dengan nilai musiman maksimum), penarikan berikutnya selama
musim panas, dan dataran rendah akhir. fase (dengan nilai musiman minimum) yang terjadi dari akhir musim
panas hingga musim gugur (yaitu, Agustus–November). Semua fluktuasi musiman ini terutama bergantung
pada debit sungai affPL yang mempengaruhi, seperti Sungai Agri, yang merupakan salah satu sungai utama di
wilayah Basilicata, memasuki cekungan danau secara membujur dari barat (Gambar 1c). Anak-anak sungai
kecil lainnya mengalir ke PL, yang muncul dari sungai utara (Spartifave, Rifreddo, Spetrizzone/Scannamogliera,
Scazzero, dan Grumentino, hanya selama periode tegakan tinggi) dan selatan (sungai Maglia, Vella, dan
Sciaura selama periode tegakan tinggi). periode) margin, dengan rezim debit deras yang khas [36] (Gambar 1
c). Daerah aliran sungai ini terdiri dari beberapa satuan litologi detrital, sehingga menentukan diffjumlah dan
jenis sedimen di berbagai lokasi di reservoir [37].

2.2. Pengumpulan Data In Situ

Dalam kerangka proyek BASILICATA SMART (Kota Cerdas dan Komunitas dan Inovasi Sosial) yang didanai Uni
Eropa, enam kampanye pengukuran dilakukan di atas danau dengan mengambil sampel air dan parameter
radiometrik di lokasi stasiun (Gambar 1c) selama periode Mei 2017–Mei 2018 (Tabel 1). Tujuan utama dari kampanye
pengukuran adalah untuk mengkarakterisasi sifat bio-optik daerah tersebut dengan mengambil sampel secara
homogen hampir di seluruh danau. Setiap kampanye pengukuran bertujuan untuk memperoleh data dari sepuluh
stasiun yang direncanakan untuk lebih menghargai perbedaan musimanfferences konsentrasi konstituen dalam air
(Gambar 1c). Sampel air bawah permukaan (yaitu, 0-1 m) diperoleh dengan menggunakan botol Niskin untuk
pengukuran laboratorium selanjutnya dari konsentrasi TSM dan chl-a dan untuk analisis spektrum penyerapan (yaitu,
Bahan Organik Terlarut Kromoforik, CDOM). Sebanyak 75 pengukuran in situ diperoleh di stasiun pengambilan
sampel seperti yang direncanakan, yang ringkasan informasinya tercantum dalam Tabel1. Secara bersamaan,
pengukuran radiometrik di atas air (yaitu, penginderaan jauh)
Penginderaan Jauh 2020, 12, 2147 5 dari 24

pantulan Rr ()) diperoleh menggunakan spektroradiometer portabel untuk memungkinkan pengembangan

dan validasi model TSM yang disetel secara lokal.

Tabel 1. Informasi mendetail tentang kampanye pengukuran in situ. Pengukuran ditujukan untuk mengambil
informasi tentang: total zat tersuspensi—TSM, klorofil-a—chl-a, Cromophoric
Penyerapan Bahan Organik Terlarut—aCDOM(440), dan pemantulan penginderaan jauh—Rr ().

Hari Pengambilan Sampel Jumlah Sampel Jenis Pengukuran

10 Mei 2017 10 TSM, chl-a, aCDOM(440), Rrs()

26 Mei 2017 10 TSM, chl-a, aCDOM(440), Rrs()

14 Juni 2017 10 TSM, chl-a, aCDOM(440), Rrs()

15 Juni 2017 10 TSM, chl-a, aCDOM(440), Rrs()

19 September 2017 9 TSM, chl-a, aCDOM(440)

12 Oktober 2017 8 TSM, chl-a, aCDOM(440), Rrs()

21 November 2017 8 TSM, chl-a, aCDOM(440), Rrs()

17 Mei 2018 10 TSM, chl-a, aCDOM(440), Rrs()

Untuk pengukuran yang disebutkan di atas, deskripsi yang lebih rinci tentang TSM in situ dan
radiometrik Rrs() pengukuran disajikan dalam paragraf berikut.

In Situ TSM dan Radiometrik Rrs()Pengukuran

Sampel air bawah permukaan dikumpulkan secara paralel dengan pengukuran spektral dan satelit
melewati dengan menggunakan botol Niskin. Nilai konsentrasi TSM dari sampel yang dikumpulkan kemudian
ditentukan secara gravimetri menurut Strickland & Parsons [38] dan protokol Joint Global Ocean Flux Study
(JGOFS) [39] di laboratorium kami. Sampel air (500-1000 mL sesuai dengan jumlah partikel) disaring melalui 0,7
μm filter serat kaca GF/F yang telah ditimbang sebelumnya (Whatman), dicuci dengan air suling, dan segera
dikeringkan dalam oven pada suhu 100 ◦C. Kemudian ditimbang kembali di laboratorium menggunakan
timbangan elektronik Mettler Toledo AG245 dengan limit deteksi 0,1 mg.
Data radiometrik in situ diperoleh dari dek kapal (pada ketinggian 1 m di atas permukaan danau)
menggunakan spektroradiometer lapangan portabel (yaitu, spektrometer FieldSpec FR PRO, Analytical Spectral
Devices (ASD), Boulder, CO, USA) yang dilengkapi dengan 8◦ foreoptic, mengikuti protokol optik laut National
Aeronautics and Space Administration (NASA) untuk validasi sensor warna laut satelit [40]. Karakteristik
spektral dari instrumen yang disebutkan di atas cocok untuk mengukur sifat optik perairan pedalaman dalam
domain yang terlihat, berkat lebar penuh 3 nm pada setengah maksimum (FWHM) dan pengambilan sampel
spektral (yaitu, 1 nm). Cahaya yang meninggalkan langit dan air diperoleh dan dinormalisasi melalui panel abu-
abu (30% albedo) (Spektralon standar, Labsphere, NH, USA), diasumsikan memiliki
perilaku dekat-Lambertian, dan digunakan untuk memperkirakan radiasi spektral downwelling (Es()). Secara rinci,
radiometer diarahkan secara bergantian ke bawah untuk melihat danau dan ke atas untuk melihat langit di
yg dibutuhkan [40] sudut zenith (45) dan sudut azimuth (90◦ atau 180). Selanjutnya, spektroradiometer dilengkapi
dengan goniometer untuk mendapatkan sudut azimuth terhadap sudut azimut matahari, dan dengan gelembung
untuk memastikan sudut zenit yang benar. Setelah setiap set pengukuran pancaran (dalam kasus kami, 10
pengukuran) menuju danau dan langit diambil, radiometer memperoleh pancaran yang diturunkan oleh panel abu-
abu horizontal. Untuk memperhitungkan variabilitas spasial sinyal, beberapa spektrum (yaitu, setidaknya lima)
diperoleh di stasiun yang direncanakan dan dirata-ratakan untuk setiap stasiun pengukuran. Selain itu, untuk
meminimalkan kemungkinan sumber kebisingan,Rrs() spektrum affdipengaruhi oleh kondisi akuisisi yang dicurigai
(yaitu, kondisi cahaya variabel, cakupan awan, dan kecepatan angin yang lebih tinggi dari 5 m/s) dibuang, dan
dengan demikian tidak mempengaruhi magnitudo spektrum rata-rata. Semua spektrum yang diperoleh kemudian
diproses dengan menggunakan perangkat lunak ViewSpec Pro 6.0 (ASD Inc., Boulder, CO, USA; [41]).
Penginderaan Jauh 2020, 12, 2147 6 dari 24

Pengukuran tersebut bertujuan untuk mengambil refleksi penginderaan jauh Rrs() (sr-1), didefinisikan sebagai
rasio antara air yang meninggalkan pancaran Lw(,φ,λ) dan radiasi spektral downwelling Es() [42].
Itu Rrs() dihitung sebagai
Lw(, , )
Rrs() = (1)
Es()

dimana Lw(,φ,λ) adalah air yang meninggalkan pancaran (Wm-2nm-1sr-1) dan Es() adalah radiasi spektral
downwelling di atas permukaan (Wm-2nm-1). Perhitungan kedua variabel ini dilakukan
sesuai dengan protokol standar optik laut, seperti yang dibahas dalam Zibordi et al. [43].
Misalnya, Gambar 3 menunjukkan Rrs() spektrum yang diperoleh dengan spektrometer dengan nilai
konsentrasi TSM relatif yang ditentukan di laboratorium, di atas PL pada tanggal 26 Mei 2017.

Gambar 3. (a) Rrs spektrum yang diperoleh melalui PL pada tanggal 26 Mei 2017 menggunakan spektrometer ASD, dan (
b) nilai konsentrasi TSM relatif ditentukan di laboratorium.

2.3. Data Satelit

Untuk membuat kumpulan data satelit gabungan beberapa tahun, data MSI dan OLI dianalisis dalam pekerjaan
ini. MSI adalah imager 13 band dengan resolusi spasial 10–60 m dalam domain spektral 440–2202 nm [44], sedangkan
OLI memiliki resolusi spasial 30 m (dengan sembilan pita) dalam rentang spektral yang sama (Tabel 2); dengan
demikian, keduanya cocok untuk penilaian dinamika ekosistem danau [45].

Meja 2. Panjang gelombang pita pusat (nm) untuk pita sensor MSI dan OLI yang digunakan dalam pekerjaan ini.
Angka dalam kurung mewakili resolusi spasial pita (m). Pita pankromatik dan cirrus OLI dan pita cirrus dan uap
MSI tidak dipertimbangkan. Inframerah Dekat (NIR) dan Gelombang Pendek
Pita inframerah (SWIR) juga ditunjukkan.

Sensor biru1 Biru2 hijau merah1 Merah 2 Merah3 merah4 NIR1 NIR2 SWIR1 SWIR2
443 492 560 665 704 740 783 833 865 1614 2202
MSI
(60 m) (10 m) (10 m) (10 m) (20 m) (20 m) (20 m) (20 m) (20 m) (20 m) (20 m)
443 483 561 655 865 1609 2201
OLI
(30 m) (30 m) (30 m) (30 m) (30 m) (30 m) (30 m)

Secara rinci, Level-1T (L1T) OLI dan Level-1C (L1C) MSI data, yang berisi lokasi geografis dan
pemantulan atas atmosfer (TOA) yang dikalibrasi secara radiometrik, diperoleh dari portal web Survei Geologi
Amerika Serikat (USGS).46] dan pusat sains ESA [47], masing-masing. Asumsi
Penginderaan Jauh 2020, 12, 2147 7 dari 24

bahwa data MSI-S2B bersamaan dengan kampanye pengukuran tidak tersedia, hanya data MSI-L1C yang
diunduh untuk periode 2016–2018. Pada saat yang sama, proses pengunduhan memungkinkan pengumpulan
semua data OLI-L1T yang tersedia dalam rentang waktu 2014–2018 (data OLI tersedia untuk semua bulan
sejak 2014).
Semua data MSI-L1 disampling ulang pada grid homogen dengan sel resolusi spasial 30 m dan diproses
untuk mendapatkan produk L2 turunan (yaitu, parameter geofisika seperti Rrs()) melalui perangkat lunak
ACOLITE [48], alat akses terbuka untuk mengoreksi dan memproses data Landsat-8 dan Sentinel-2 secara
atmosfer, terutama untuk aplikasi penginderaan jauh akuatik. Sebanyak 164 MSI dan 64 gambar bebas awan
OLI (masing-masing terkait dengan periode waktu 2016–2018 dan 2014–2018) dieksploitasi untuk
mengembangkan kumpulan data TSM MSI–OLI gabungan.

Koreksi Atmosfer dan Skema Pemrosesan Data

Dimulai dari data L1 (L1T atau L1C), koreksi atmosfer dilakukan melalui dua langkah berturut-turut. Yang
pertama, yaitu koreksi Rayleigh, memungkinkan hamburan molekul udara diperhitungkan dengan
mengadopsi tabel pencarian (LUT) yang diturunkan dari model transfer radiasi 6SV [49]. Model seperti itu
perlu diffparameter atmosfer saat ini, seperti tekanan atmosfer
P(z), jumlah ozon O3, dan uap air H2O. P(z) diturunkan dari kombinasi data yang diperoleh dari model prediksi
cuaca resolusi kasar (satu derajat, enam jam waktu) yang tersedia
dari Sistem Asimilasi Data Global (GDAS), sedangkan tekanan permukaan laut, Psl, dan ketinggian,
z (km), diberikan oleh model elevasi digital pada resolusi 0,05 derajat [49]. O3 dan H2Jumlah O disediakan oleh
GDAS melalui informasi tambahan yang disertakan dalam pantulan permukaan MODIS
jaringan pemodelan iklim (MOD09CMA) [49]. Langkah kedua menuju implementasi koreksi atmosfer adalah
koreksi aerosol, dan dilakukan melalui penerapan teknik "pelengkapan spektrum gelap" multi-band (DSF) yang
diusulkan oleh Vanhellemont & Ruddick [50]. Metode DSF secara inheren dikembangkan untuk
mengidentifikasi piksel dalam pemandangan dengan pantulan permukaan lautρs ≈ 0
di setidaknya satu dari pita sensor, di mana reflektansi jalur atmosfer (ρjalan) dapat diperkirakan dan dianggap
konstan selama adegan yang menarik [51]. Input ke metode DSF adalah sensor
pantulan TOA ρTOA (), dari mana "spektrum gelap" ρgelap() diidentifikasi dan digunakan untuk memilih kombinasi
model pita dan aerosol yang pas untuk diambil ρjalan (). Mempertimbangkan bahwa DSF mengidentifikasi band yang
memberikan nilai terendah ρjalan estimasi, piksel dan pita dengan kilau matahari tinggi dikeluarkan dari ρjalan proses
komputasi. Untuk alasan ini, koreksi kilatan matahari kemudian diterapkan pada
data MSI–OLI menggunakan pendekatan ambang batas berbasis SWIR (piksel dengan ρs pada 1600 nm <0,11
terlibat dalam koreksi kilatan) melalui prosedur semi-otomatis (ditentukan pengguna) yang tersedia di
alat ACOLIT.
Setelah melakukan koreksi atmosfer dan glint, non-water masking dilakukan untuk mengecualikan piksel
tanah atau berawan dari pemrosesan data L2. Masking dilakukan dengan menggunakan fixed using
ambang batas 2,15% pada ρs pada 1600 nm untuk mengecualikan piksel non-air dari pemrosesan lebih lanjut.
Pengolahan data diakhiri dengan estimasi produk L2, seperti:Rrs(), itu adalah variabel input untuk
model TSM. Seluruh skema pemrosesan data diringkas dalam owchart yang ditunjukkan pada Gambar4.
Penginderaan Jauh 2020, 12, 2147 8 dari 24

Gambar 4. Rrs() Bagan alir pemrosesan data tingkat 2.

2.4. Perbandingan antara Satelit dan Data In Situ

Perbandingan antara data satelit dan data in situ mempertimbangkan penilaian akurasi dari satelit yang
diturunkan Rrs() serta validasi model TSM yang disetel secara lokal. Untuk tujuan ini, in situ
Rrs() pengukuran yang diperoleh hanya dengan tidak adanya tutupan awan dan dengan kecepatan angin
rendah (tidak lebih tinggi dari 5 m/s) dipertahankan untuk analisis pencocokan satelit-in situ. Selain itu, ada
baiknya menentukan kriteria spasial dan temporal yang diadopsi untuk analisis yang disebutkan di atas. Data
Satelit Level 2 dirata-ratakan pada 3× Kotak 3 piksel berpusat pada lokasi pengukuran in situ, dan hanya kotak
yang berisi setidaknya 50% piksel valid yang dipertahankan untuk analisis pencocokan [52]. Meskipun kriteria
temporal standar a±Jendela waktu 3 jam di sekitar jalan layang satelit biasanya diadopsi untuk pengambilan
sampel air di tempat [52], kami dengan hati-hati menjadwalkannya untuk ±1 jam, sehingga memastikan
bahwa kondisi atmosfer dapat dianggap lebih stabil.
Penilaian akurasi didasarkan pada beberapa indeks regresi dan indikator statistik seperti koefisien
determinasiFFIkuno (R2), rasio rata-rata data satelit-ke-in-situ (r), rata-rata persen absolut (tidak
ditandatangani) difference (APD), dan root-mean-square error (RMSE). Definisi dari r,
APD, dan RMSE diberikan oleh persamaan berikut, dimana xsaya adalah sayaini nilai yang diturunkan dari satelit
(atau dimodelkan dengan analisis regresi), kamusaya adalah sayaini nilai turunan in situ, dan tidak adalah jumlah
sampel yang dipilih.

1Σ
tidak

(
xsaya
r= (2)
tidak y)
saya =1

|||saya ||
1 tidak
Σ x -saya
kamu saya|
APD = 100 ( ) (3)
tidak kamusaya
saya =1
Penginderaan Jauh 2020, 12, 2147 9 dari 24

√
√
√
1Σ
tidak

2
RMSE = (xsaya - kamusaya) (4)
tidak
saya =1

Selanjutnya, Nash–SutcliffeeFFIciency (NSE) digunakan untuk mengevaluasi ketahanan

TSMmodel yang disetel secara lokal [53]. NSE dihitung dengan persamaan berikut, dimanaTSMyi adalah sayaini
nilai yang diamati dari variabel terikat, TSM
variabel yang diberikan oleh model yang dikalibrasi, dan TSMyi_mean adalah nilai rata-rata yang diamati dari dependen
variabel [53].
Σxi adalah nilai prediksi yang
tidak 2 sesuai dari dependen
NSE = 1 - Σ saya=(1 (TSMyi - TSMxi) )2 (5)
tidak

saya =1 TSMyi - TSMyiberarti

Perangkat lunak statistik sumber terbuka R ver. 3.3.1 [54] digunakan untuk semua analisis statistik.

2.5. Pemodelan TSM Menggunakan Data Gabungan MSI–OLI

Pemodelan TSM melalui penggunaan gabungan data MSI-OLI terdiri dari dua langkah utama yang
berurutan, yaitu pengembangan model TSM yang disesuaikan dan proses kalibrasi antarsensor. Fase pertama
ditujukan untuk penyetelan skala lokal dari algoritma TSM empiris yang sudah ada atau, sebagai alternatif,
untuk mengembangkan model TSM baru yang disesuaikan. Untuk alasan ini, pertama-tama kami
mengevaluasi keakuratan algoritma TSM empiris, yaitu yang dikembangkan oleh Nechad et al. [55]. Algoritme
ini telah berhasil diuji di seluruh dunia, karena konfigurasinya memungkinkan penyesuaian untukffsensor atau
pita aktif [56]. Ini didasarkan pada penggunaan pita tunggal dalam rentang spektral Red-to-NIR (dalam TSM
kisaran 0–100 g/m3), dan dapat ditentukan dengan persamaan berikut [55].

SEBUAH
p () × ρw()
TSM = (6)
1 - ρw()
Cp()

dimana ρw() adalah air yang meninggalkan reflektansi (dalam pita Merah atau NIR), dan SEBUAHp() dan Cp() adalah
koefisien spesifik sensorFFIilmiah (khusus dikalibrasi untuk sensor MSI dan OLI pada September 2016) [48].
Mempertimbangkan kondisi kekeruhan rendah-sedang dari perairan PL (yaitu, dengan nilai TSM in situ
maksimum ~7 g/m3), kami menggunakan pita Merah yang tersedia (lihat Gambar 3a) untuk menerapkan
algoritma TSM yang disebutkan di atas, karena penggunaan pita ini cocok untuk nilai TSM hingga 50 g/m3 [9].
Nechad dkk. [55Penyetelan algoritma dan pengembangan model TSM yang disesuaikan keduanya didasarkan
pada pemilihan dua set data yang homogen tetapi independen, yaitu yang kalibrasi dan validasi, yang
dicirikan oleh persentase stasiun musim panas dan musim gugur yang sama (dipilih secara acak) dan yang
cocok dengan yang disebutkan di atas. kriteria -up (lihat Bagian 2.4).
Akhirnya, model TSM yang disetel secara lokal yang diusulkan diekspor ke data OLI-L8 untuk memperbesar kumpulan
data analisis hingga 2014, sehingga memberikan lebih banyak gambar bebas cloud (kumpulan data gabungan MSI-OLI) yang
berguna untuk menyelidiki lebih baik variabilitas TSM multi-tahun di PL . Untuk tujuan ini, kami melakukan prosedur
interkalibrasi yang bertujuan untuk beralih dari pita Merah MSI-S2A ke pita OLI-L8 yang sesuai.

3. Hasil

3.1. Penilaian Akurasi Rrs Berasal dari MSI ()

Keakuratan koreksi atmosfer DSF dinilai melalui perbandingan antara MSI-Rrs() dan pengukuran in situ
yang sesuai, mengingat tidak ada jalan layang OLI yang bersamaan dengan tanggal pengambilan sampel in
situ. Selanjutnya, hanya MSI-Rrs() data yang diperoleh pada 14 Juni 2017 dan 12 Oktober 2017 dilengkapi
dengan kriteria temporal yang disebutkan di atas (yaitu, ±3 h), sehingga membuatnya tersedia untuk analisis
semacam itu. Angka5 menunjukkan hasil analisis kecocokan antara MSI dan in situ Rrs() pengukuran untuk
lima pita MSI pertama (yaitu, 443, 492, 560, 665, dan 704 nm), karena nilai pancaran yang sangat rendah pada
panjang gelombang ≥ 700 nm (karena penyerapan air yang kuat pada
Penginderaan Jauh 2020, 12, 2147 10 dari 24

panjang gelombang ini). Koreksi atmosfer DSF dilakukan secara umum dengan baik untuk PL, sebagaimana
dibuktikan oleh R . yang tinggi2 (0,95) dengan signifikan secara statistik p-nilai < 0,001. Berasal dari MSIRrs()
cenderung sedikit meremehkan simultan in situ Rrs() (dengan r = 0.88) (Gambar 5Sebuah). Mengacu pada
panjang gelombang MSI, perlu dipertimbangkan bahwa kesalahan statistik relatif pada 443 nm, 492 nm, 560
nm, 665 nm, dan 704 nm kurang dari 30% (yaitu, nilai APD pada Gambar5b). Secara khusus, pita Merah (665
nm dan 704 nm) menunjukkan akurasi terbaik (yaitu, APD kurang dari 10%), dengan nilai RMSE berkisar antara
0,29 dan 00,36× 10–3 sr-1, yang cukup kecil untuk mempertimbangkan penggunaan pita ini dalam analisis tren
jangka panjang.

Gambar 5. (a) Plot pencar in situ versus turunan MSI-S2A Rrs() nilai untuk rentang spektral 443-704 nm. Dalam
plot, garis putus-putus adalah garis 1:1. (b) Histogram indikator kesalahan (APD dan RMSE) untuk lima pita MSI-
S2A pertama (yaitu, 443, 492, 560, 665, dan 704 nm).

Hasil ini, yaitu kinerja terbaik dari koreksi atmosfer DSF pada 665 nm dan 704 nm, dikombinasikan
dengan sensitivitas tinggi yang terkenal dari pita Merah terhadap TSM (hingga 50 g/m3) [9], menyarankan
penerapan model berdasarkan pita MSI ini untuk pengambilan TSM.

3.2. Kalibrasi dan Validasi TSMModel yang Disetel Secara Lokal

Pelaksanaan Nechad et al. [55] algoritma untuk pengambilan TSM (tidak ditampilkan demi singkatnya)
pada kedua pita MSI-Red (665 dan 704 nm) menghasilkan akurasi yang tidak memuaskan dalam hal
konsentrasi TSM (0,57 < R2 < 0,72, 90,56% < APD < 105,98%, 1,4 g/m3 < RMSE < 1,85 g/m3).
Penginderaan Jauh 2020, 12, 2147 11 dari 24

Oleh karena itu, kami memilih untuk mengembangkan model TSM yang disesuaikan berdasarkan pita MSI-
Red, daripada menyetel pada skala PL algoritma empiris yang ada oleh Nechad et al. [55]. Di antara fungsi
matematika (yaitu, linier, hukum pangkat, logaritmik, eksponensial) yang digunakan untuk menetapkan
hubungan antara in situRrs (Merah) dan data TSM dalam set data kalibrasi, fungsi eksponensial memastikan
kinerja terbaik, menghasilkan R2 nilai 0,72 (p-nilai < 0,001 pada Rp(665) dan 0,78 (p-nilai < 0,001 pada
Rp(704) (Angka 6a, b).

Gambar 6. (a) Kalibrasi model TSM berdasarkan Rrs pada 665nm. (b) Kalibrasi model TSM berdasarkan Rrs pada
704nm. Dalam plot, persamaan yang ditumpangkan adalah fungsi eksponensial "paling pas" (garis merah putus-
putus).

Dua model TSM yang diusulkan didefinisikan oleh Persamaan (7) dan (8).

TSM = 0,4774 × exp[425.17 ×Rrs(665)] (7)

TSM = 0,7198 × exp[329.73 ×Rrs(704)] (8)

Kedua model TSM yang disetel secara lokal memastikan ketahanan yang dapat diterima, karena nilai NSE adalah 0,6 dan
0,85 untuk MSI Rp(665)- dan MSI Rrs(704)-model berbasis, masing-masing. Dalam dataset validasi, kedua
model berkinerja baik, menunjukkan koefisien determinasiFFIR . kuno2 dari 0,81 dan 0,84 (dengan p-nilai-nilai
< 0,001), masing-masing. Selanjutnya nilai estimasi TSM cukup merata di sepanjang garis putus-putus 1:1,
meskipun umumnya menunjukkan sedikit underestimasi, dapat dideteksi dengan rentang nilai r antara 0,86
dan 0,90, seperti yang ditunjukkan pada Gambar.7a, b. Mempertimbangkan dataset validasi yang sama,
Nechad et al. [55] Algoritma TSM pada kedua pita MSI-Red (665 dan 704 nm) mengkonfirmasi
Penginderaan Jauh 2020, 12, 2147 12 dari 24

kinerja yang tidak memuaskan dalam hal pengambilan TSM dengan menunjukkan overestimasi yang jelas (nilai r
berkisar antara 1,57 dan 1,85), seperti yang ditunjukkan pada Gambar 7CD.

Gambar 7. Analisis pencocokan TSM dalam set data validasi. (Sebuah) Model TSM berdasarkan Rrs di 665 (b) nm.
Model TSM berdasarkan Rrs pada 704nm. (c) Nechad dkk. [55] Algoritma TSM berdasarkan Rrs di 665 (d) nm.
Nechad dkk. [55] Algoritma TSM berdasarkan Rrs pada 704nm. Garis putus-putus adalah garis 1:1.

Dalam analisis komparatif, metrik kesalahan yang direkam oleh dua TSM . yang disesuaikan model
diusulkan dan Nechad et al. [55] Algoritma TSM (pada 665 nm dan 704 nm) diringkas dalam Tabel 3.

Tabel 3. Metrik kesalahan dari dua model TSM yang disesuaikan dan Nechad dkk. [55] algoritma TSM.

Model r R2 APD RMSE

MSI Rp(665) 0,86 0,81 27.72 0,89
MSI Rrs(704) 0,90 0,84 26 0,95
Nechad dkk. [55] Algoritma TSM(665) 1.57 0,66 72 1.32
Nechad dkk. [55] algoritma TSM(704) 1.85 0,79 86.29 1.79

Kedua model TSM khusus yang diusulkan menunjukkan akurasi yang lebih baik secara signifikan dalam
hal pengambilan TSM (nilai APD dan RMSE pada Tabel 3), sehingga menegaskan mereka untuk menjadi lebih
cocok daripada yang ada [55] Algoritma TSM untuk kondisi spesifik lokasi ini. Meskipun MSI
Rrs(704)-model eksponensial berbasis (didefinisikan oleh Persamaan (8)) menunjukkan kinerja yang baik (R2 =
0,78 dengan p-nilai < 0,001 dalam set data kalibrasi dan akurasi yang sedikit lebih baik dalam fase validasi (R2 =
0,84, APD = 26% dan RMSE = 0,95 g/m3), kami mengadopsi model TSM yang disetel secara lokal berdasarkan
Rrs pada 665 nm agar dapat diekspor (melalui proses interkalibrasi) ke sensor OLI, mengingat bahwa 704 nm
berada di luar jangkauan untuk konfigurasi spektral sensor OLI (sensor ini ditandai dengan pita Merah tunggal
di 630–680 nm domain spektral).
Penginderaan Jauh 2020, 12, 2147 13 dari 24

3.3. Interkalibrasi antara MSI dan OLI

Mempertimbangkan bahwa S2A dan L8 ditempatkan di orbit yang memungkinkan pengumpulan hampir
bersamaan, kami menganalisis, dalam periode 2014–2018, 4 hari (yaitu, 5 Oktober 2017, 24 Desember 2017, 21
Agustus 2018, dan 9 November 2018) ditandai dengan waktu akuisisi di acquisitionfference < 30 menit. Secara
rinci, kami memplot MSIRp(665) dengan OLI bersamaan Rp(655) untuk menemukan fungsi "yang paling cocok"
antara dua variabel. Fungsi linier didefinisikan oleh Persamaan berikut (9).

MSI Rrs(665) = 0,9132 ×OLI Rrs(655) - 0,0006 (9)

Angka 8 menunjukkan scatterplot yang diperoleh untuk semua piksel bebas air dan awan yang tersedia (N = 11.977).

Angka 8. Plot pencar dari turunan MSI-S2A Rp(665) dan turunan OLI-L8 Rp(655) untuk semua piksel air yang
tersedia (N = 11.977) dalam 4 hari yang dipertimbangkan. Persamaan yang ditumpangkan adalah fungsi linear
"paling pas" (garis merah putus-putus).

Fungsi linear "pencocokan terbaik" menunjukkan kinerja terbaik, mencatat koefisien determinasi
tertinggiFFIkuno (R2 = 0,87; p-nilai <0,001) dan nilai RMSE 0,1 × 10-2 sr-1 di OLI Rp(655) data (Gambar 8).
Prosedur interkalibrasi yang diusulkan memastikan penerapan MSIRp(665)-berdasarkan model TSM pada OLI
Rp(655) data juga, sehingga memungkinkan untuk pengembangan multi-tahun (2014–2018) kumpulan data
gabungan MSI-OLI dari pengambilan TSM.

3.4. Variasi TSM Musiman

Berdasarkan kumpulan data TSM gabungan MSI–OLI untuk periode 2014–2018, kami membuat peta rata-rata
bulanan TSM multi-tahun (2014–2018) (yaitu, rata-rata TSM Januari 2014–2018, rata-rata TSM Februari 2014–2018,
dll.), seperti yang ditunjukkan dalam Gambar 9, untuk mengevaluasi fluktuasi TSM musiman dan pola spasialnya.
Melihat peta rata-rata bulanan TSM pada Gambar9, peta TSM musim dingin dan awal musim semi
(yaitu, dari Januari hingga Maret) menunjukkan nilai konsentrasi TSM tertinggi (sampai sekitar 10 g/m3)
terutama di sisi barat daya PL. Pindah dari musim semi ke awal musim panas (dari April hingga Juni), nilai TSM
lebih rendah dari 2 g/m3 diamati di seluruh area PL. Akhirnya, musim panas dan gugur menunjukkan
peningkatan umum berikutnya dalam konsentrasi TSM (dengan nilai berkisar antara 5 dan 8 g/m3), mungkin
karena fluktuasi permukaan air yang terjadi pada periode musiman ini [29].
Untuk lebih mengidentifikasi sub-wilayah yang dicirikan oleh dinamika spasial TSM yang serupa dalam
tren musiman, kami melakukan analisis klasifikasi. Skema klasifikasi non-supervised ISODATA (Iterative Self-
Organizing Data Analysis) [57] diimplementasikan, memasukkan sebagai “dalam pita spektral input” sarana
bulanan TSM multi-tahun (2014–2018) yang sudah dihitung dari setiap bulan kalender
Penginderaan Jauh 2020, 12, 2147 14 dari 24

(yaitu, 12 peta pada Gambar 9). Secara rinci, klasifikasi ISODATA tanpa pengawasan secara iteratif menghitung rata-rata
"spektral" dari setiap kelas yang teridentifikasi, dan kemudian mengelompokkan piksel yang tersisa secara iteratif
menggunakan teknik jarak minimum. Selama setiap iterasi, proses menghitung ulang rata-rata dan mengklasifikasi ulang
piksel sehubungan dengan yang baru, dengan menetapkan parameter ambang batas yang ditentukan pengguna, seperti
jumlah maksimum iterasi (diatur ke 10) dan ambang batas perubahan (sama dengan 10%). Peta yang diperoleh dengan
klasifikasi non-diawasi ISODATA, ditunjukkan pada Gambar10, adalah keluaran asli dari pekerjaan ini yang dapat digunakan
di masa mendatang untuk definisi yang lebih baik dari stasiun in situ yang akan dijadikan sampel.

Gambar 9. Peta rata-rata bulanan TSM multi-tahun (2014–2018) untuk setiap bulan kalender. Piksel hitam sesuai
dengan data non-air, keruh, atau tidak terjawab.

Melihat peta pada Gambar 10, ada baiknya mengenali dua sub-wilayah (yaitu "Barat"
dan himpunan bagian “Timur”), mungkin dicirikan oleh differences karena jumlah sedimen atau besarnya kekuatan
hidrologi. Subset Barat (digambarkan dengan warna hijau pada Gambar10) meliputi sisi barat daya danau sebagian
besar affdipengaruhi oleh debit sungai, dengan mempertimbangkan arus keluar memanjang Sungai Agri serta arus
keluar selatan dari anak-anak sungai kecil seperti Maglia dan Vella (lihat Gambar 1c). Timur
Rem 24

kembali ed
oleh es.
Di 18
TS

Gambar 10. Peta yang dihasilkan dari klasifikasi non-supervised ISODATA (Iterative Self-Organizing Data Analysis).

Gambar 11. Siklus musiman TSM 2014–2018 secara spasial rata-rata di atas himpunan bagian Barat dan Timur, masing-
masing digambarkan oleh garis hijau dan biru terus menerus.

Kedua sub-wilayah yang ditentukan menunjukkan pola musiman yang hampir sebanding (terutama dari
April hingga Desember), meskipun subset Barat umumnya menunjukkan nilai TSM yang lebih tinggi selama
sebagian besar bulan. Secara rinci, perbedaan yang paling signifikanffPerbedaan antara dua sub-wilayah
diamati pada musim dingin, ketika subset Barat menunjukkan nilai rata-rata spasial TSM yang jelas lebih tinggi
daripada yang tercatat di subset Timur (rata-rata sekitar 2 g/m3). Sebaliknya, dalam periode April–Juni, perlu
dicatat bahwa tidak ada perbedaan yang berarti antara dua sub-area, yang diduga karena nilai volume bersih
PL yang terus-menerus tinggi cenderung menentukan nilai TSM terdeteksi yang lebih rendah secara homogen
seluruh danau.
Meskipun parameter hidrologi yang disebutkan di atas sebagian besar dapat memengaruhi dinamika
musiman TSM di atas PL, topografi danau patut dipertimbangkan sebagai faktor kunci lain yang memengaruhi
pola spasial TSM di kedua sub-kawasan ini. Untuk tujuan ini, kami mengadopsi batimetri asli yang diukur pada
bulan September 2007 oleh Consiglio per la Ricerca e la Sperimentazione di Agricoltura—Centro per
l'Agrobiologia e la Pedologia (CRA – ABP) [29], mengingat tidak ada peta batimetri yang diperbarui. Dalam
kerangka ini, kami melapiskan peta batimetri yang disebutkan di atas dengan peta TSM rata-rata antar tahun
September (2014–2018) (lihat Gambar9), dengan asumsi sebanding
Penginderaan Jauh 2020, 12, 2147 16 dari 24

kondisi geomorfologi semaksimal mungkin. Secara rinci, kami menganalisis hubungan antara variabilitas TSM dan kedalaman
di sepanjang transek A-C, dengan mempertimbangkan peta klasifikasi ISODATA sebagai lapisan latar belakang (Gambar10,
Gambar 12). Scatterplot yang diturunkan pada Gambar12d, diperoleh dengan merata-ratakan semua nilai TSM yang
terkandung dalam setiap piksel pada kedalaman yang konstan, menunjukkan bagaimana TSM bervariasi dengan kedalaman
untuk setiap sub-wilayah yang diidentifikasi (yaitu, titik hijau dan biru masing-masing mewakili wilayah Barat dan Timur).

Gambar 12. (a) Peta batimetri September 2007 diadaptasi dari CRA-ABP. Garis merah kontinu adalah transek A–C;
(b) September antar tahun (2014–2018) rata-rata TSMmap; (c) peta klasifikasi tanpa pengawasan ISODATA; (d)
Scatterplot nilai TSM dan kedalaman di sepanjang transek A–C. Segitiga hijau dan titik biru menunjukkan variasi
kedalaman TSM dalam himpunan bagian Barat dan Timur, masing-masing. Garis putus-putus dan kontinu adalah
fungsi yang paling sesuai yang diperkirakan untuk wilayah Barat dan Timur, masing-masing.
Penginderaan Jauh 2020, 12, 2147 17 dari 24

Berfokus pada subset Barat dan khususnya di sepanjang bagian A–B transek, konsentrasi TSM menurun dengan
bertambahnya kedalaman, seperti yang digambarkan oleh garis hitam putus-putus pada Gambar 12d dan menurut
hukum pangkat negatif (R2 = 0,72; p-nilai < 0,001). Sebaliknya, untuk subset Timur (yaitu, sepanjang bagian BC dari
transek), tidak ada gunanya mendefinisikan fungsi yang paling cocok sebagai fungsi linier (yaitu, garis hitam kontinu
pada Gambar.12d) menunjukkan R . yang sangat rendah2 nilai (0,033) dan secara statistik tidak signifikan p-nilai
(0,04). Berdasarkan analisis ini, masuk akal untuk berspekulasi bahwa batimetri danau merupakan faktor relevan
yang mempengaruhi terutama bagian barat PL, karena nilai TSM tidak bervariasi dengan kedalaman di subset Timur.

4. Diskusi

Penilaian variabilitas spatiotemporal TSM memainkan peran penting dalam pengelolaan perairan
pedalaman, mengingat bagaimana fluktuasi ini mempengaruhi transparansi air, ketersediaan cahaya, dan
proses fisik, kimia, dan biologis (seperti produksi primer) [58-60]. Peluang baru untuk memantau parameter
kualitas tertentu (misalnya, klorofil-a, TSM) telah muncul berkat kesesuaian sensor multispektral resolusi
menengah seperti OLI dan MSI, masing-masing pada platform satelit Landsat 8 dan Sentinel-2 [61,62].
Selanjutnya, penggunaan bersama dari sensor iniffers kesempatan untuk membangun deret waktu dengan
waktu kunjungan kembali yang lebih baik [63], sehingga memungkinkan ahli limnologi, ahli kelautan pesisir,
ahli ekologi perairan, dan manajer sumber daya air untuk meningkatkan pemantauan mereka.ffort [64,65].
Ilmuwan NASA menghasilkan produk pantulan permukaan Landsat dan Sentinel-2 (HLS) yang harmonis [66]
dengan mengusulkan metode yang menciptakan koefisien transformasi per-band tetap globalFFIuntuk
mengurangi perbedaan reflektansiffperbedaan antara Landsat 8 dan Sentinel-2. Meskipun produk HLS
mewakili peluang gratis dan berguna untuk membuat kumpulan data gabungan MSI–OLI, produk ini memiliki
beberapa kelemahan yang menghambat eksploitasinya oleh komunitas warna laut. Secara rinci, produk HLS
sebagian besar dirancang untuk aplikasi lahan, dan metode koreksi atmosfer yang diadopsi tidak tepat untuk
kedekatan effdll, salah satu isu utama mengenai aplikasi air pedalaman menggunakan data satelit [67]. Selain
itu, kumpulan data yang diselaraskan hanya tersedia untuk situs terpilih (120 di seluruh dunia), tidak
memungkinkan replikasi pendekatan yang diusulkan di mana pun di dunia. Dalam kerangka ini, kami
mengevaluasi kemampuan data gabungan MSI-OLI dalam mengkarakterisasi variabilitas multi-tahun TSM di
PL.

4.1. Kalibrasi dan Validasi TSModel

Penerapan metode koreksi atmosfer yang memadai merupakan langkah awal yang diperlukan untuk
mengembangkan model TSM yang mudah dioperasikan berdasarkan data satelit, karena perairan pedalaman
biasanya merupakanffdipengaruhi oleh beberapa masalah (misalnya, kedekatanffatau heterogenitas optik
atmosfer) yang dapat membatalkan asumsi yang melekat yang menjadi dasar algoritma koreksi atmosfer laut [
68,69]. Selain itu, kompleksitas optik perairan pedalaman menghasilkan air yang tidak dapat diabaikan
meninggalkan pantulan di domain NIR, yang biasanya digunakan untuk menghilangkan kontribusi aerosol
atmosfer (yaitu, "asumsi piksel hitam" [70]). Teknik "pemasangan spektrum gelap" (DSF) [50], yang digunakan
dalam pekerjaan ini, dimulai dari asumsi yang serupa dengan yang mendasari metode koreksi atmosfer
umum, seperti piksel air "hitam" yang disebutkan di atas dalam NIR [70] dan SWIR [71] wilayah. Namun,
hipotesis ini digabungkan dengan cara baru, karena metode DSF tidak mempertimbangkan pemilihan apriori
dari pita "hitam", tetapi mengidentifikasi pita yang paling pas dan kombinasi model aerosol untuk
mengambil reflektansi jalur atmosfer ρjalan [50]. Pemilihan pita dinamis ini memungkinkan amplifikasi efek
ketetanggaanffefek dalam koreksi atmosfer harus dihindari, mengingat pergeseran dari
Band NIR atau SWIR menjadi kurang affpita yang terpengaruh (misalnya, Biru atau Merah) dapat menghasilkan kesalahan yang lebih rendah pada ρjalan

perkiraan [50].
Indeks regresi dan indikator statistik yang diperoleh dengan analisis kecocokan antara turunan MSI-S2A
dan in situ Rrs() (R2 = 0,95 dan nilai RMSE antara 0,00029 dan 0,00036 sr-1)
membuktikan kesesuaian skema DSF untuk wilayah studi ini, sehingga menguatkan hasil yang dicapai oleh
Vanhellemont [51] selama lebih dari 30 tahun data dari Landsat 5/7/8 hingga Sentinel-2A/B. Akurasi terbaik
Penginderaan Jauh 2020, 12, 2147 18 dari 24

koreksi atmosfer pada 665 dan 704 nm, yaitu pita yang lebih cocok untuk pengambilan TSM (hingga 50 g/m3 [
72]), memungkinkan kami untuk mengembangkan dan memvalidasi model berbasis Red-band yang
disesuaikan untuk mengambil konsentrasi TSM dengan data MSI-S2A. Setelah analisis mendalam dari fase
kalibrasi, koefisien determinasi tinggiFFI(berkisar antara 0,72 dan 0,78) dan nilai NSE yang baik (berkisar antara
0,6 dan 0,85) yang ditunjukkan oleh MSI Rp(665)- dan Rrs(704)-model eksponensial berbasis dijelaskan oleh
terjadinya perairan keruh rendah-sedang (lihat nilai pada Gambar 3). Penggunaan pita Merah telah
dikonfirmasi sesuai untuk estimasi TSM di perairan tersebut (yaitu, hingga 50 g/m3),
di mana perubahan konsentrasi TSM menyebabkan respons spektral yang lebih tinggi di VIS (yaitu, terutama di
wilayah 600-700 nm) daripada di domain spektral NIR [9]. Meskipun kedua model TSM yang disetel secara lokal
memastikan akurasi yang baik dalam fase validasi, perolehan data pengambilan sampel di semua kondisi
musiman harus mengarah pada rentang variabilitas TSM yang lebih tinggi dan membuat fase validasi lebih
signifikan secara statistik [73]. Selanjutnya, kumpulan data pengukuran in situ harus mencakup parameter
lebih lanjut yang berguna untuk mengkarakterisasi kondisi bio-optik daerah penelitian dengan lebih baik.
Misalnya, pengukuran kedalaman cakram Secchi (ZSD, m) dan coe hamburan balikFFIkuno bbp() perkiraan
dapat memberikan informasi yang lebih rinci tentang transparansi air [74] dan distribusi ukuran partikel
tersuspensi dan komposisi, masing-masing [75]. Patut dikatakan bahwa sementara pendekatan metodologis
yang diusulkan di sini dapat dengan mudah direplikasi di lokasi geografis lain, penerapan model TSM yang
diturunkan seperti yang disajikan tidak dapat dilakukan tanpa adaptasi atau kalibrasi khusus wilayah.

4.2. Kumpulan Data Gabungan MSI–OLI untuk Analisis Musiman TSM

Ekspor berikutnya dari model TSM berbasis MSI ke data OLI memungkinkan kombinasi satelit S2A-L8
untuk dieksploitasi, sehingga memberikan peningkatan umum dalam jumlah pengamatan yang tersedia dan
meminimalkan waktu kunjungan ulang [64]. Dalam studi kasus ini, penambahan data OLI ke kumpulan data
gabungan menghasilkan 30% peningkatan jumlah gambar bebas awan dan rata-rata interval kunjungan ulang
hingga sekitar 4 hari untuk bulan-bulan musim panas (ditandai dengan lebih seringnya gambar bebas awan )
pada koordinat PL (lat/lon). Selanjutnya, perbedaan waktufference sekitar 18 menit antara koleksi MSI-OLI
yang hampir bersamaan (perkiraan nilai rata-rata untuk 4 hari yang dianalisis) seharusnya memastikan kondisi
atmosfer dan air yang serupa, sehingga meminimalkan sumber ketidakpastian dan memastikan analisis
interkomparasi yang lebih akurat [76]. Dalam kerangka ini, ada baiknya menunjukkan koefisien determinasi
tinggiFFIkuno (R2 = 0,87; p-nilai < 0,001 yang ditunjukkan oleh fungsi linear best fit antara MSI Rp(665) dan OLI
bersamaan Rp(655). Keandalan statistik interkalibrasi memungkinkan kami untuk membuat kumpulan data
TSM gabungan MSI-OLI yang berguna untuk menyelidiki variabilitas TSM musiman dan dinamika spasialnya.

Peta bulanan TSM multi-tahun (2014–2018) yang berasal dari kumpulan data gabungan MSI–OLI
menunjukkan pengaruh variabel hidrologi (yaitu, curah hujan, aliran sungai, dan volume bersih) terhadap
fluktuasi musiman TSM. Rezim debit deras dari sungai yang mengalir (yaitu, Agri, Maglia, dan Vella)
menginduksi peningkatan konsentrasi TSM dari musim dingin ke awal musim semi. Selanjutnya, curah hujan
menurun dan volume bersih yang selalu tinggi di musim semi menyebabkan penurunan konsentrasi TSM,
sementara perubahan volume bersih tampaknya menjadiffdll peningkatan TSM selama musim panas dan
musim gugur. Meskipun penilaian variasi musiman TSM sudah menyarankan terjadinya area yang lebih
terbuka (yaitu, area barat daya), klasifikasi yang tidak diawasi memberikan karakterisasi yang lebih baik dari
pola spasial TSM berkat identifikasi dua sub-wilayah yang berbeda. , yaitu wilayah Barat dan Timur. Analisis
musiman yang dilakukan pada sub-area ini semakin menguatkan seberapa besar sisi barat PL adalahff
dipengaruhi oleh faktor hidrologi,ffyang cenderung menurun secara longitudinal. Sebaliknya, sisi timur PL
mungkin mencerminkan tidak adanya anak sungai utama lainnya, sehingga menunjukkan jumlah materi
tersuspensi yang lebih kecil. Berdasarkan analisis mendalam, topografi danau juga terbukti menjadi faktor
pentingffmempengaruhi terutama bagian barat PL. Daerah ini, yang dicirikan oleh beberapa delta longitudinal
dan lateral, sangat dipengaruhi oleh fenomena deposisi dan erosi.29], yang biasanya terjadi di danau dangkal
karena fluktuasi muka air [77-79]. Untuk alasan ini, kami berspekulasi bahwa air maksimum
Penginderaan Jauh 2020, 12, 2147 19 dari 24

penurunan level yang terjadi pada musim panas-musim gugur dapat menyebabkan episode erosi dan resuspensi
sedimen yang lebih sering di sub-area delta dan barat yang lebih dangkal, dengan konsekuensi peningkatan
konsentrasi TSM.

4.3. Perspektif Masa Depan

Pekerjaan ini memungkinkan karakterisasi variabilitas musiman TSM atas PL dan mengidentifikasi sub-
wilayah yang lebih terpapar pada fluktuasi TSM, terutama pada periode musiman tertentu (yaitu, musim
dingin dan musim panas-musim gugur). Pencapaian tersebut dapat dimanfaatkan secara menguntungkan
untuk mendukung kegiatan pemantauan yang diminta WFD yang dimaksudkan untuk memastikan status
kualitas badan air yang baik. Program pemantauan biasanya terdiri dari tiga fase berturut-turut: (i) surveilans,
(ii) operasional, dan (iii) fase investigasi. Langkah surveilans melibatkan perolehan informasi tentang status
kualitatif awal badan air, dan langkah operasional melibatkan penilaian kesesuaian tindakan pemantauan yang
diadopsi. Langkah investigasi dimaksudkan untuk mendeteksi kemungkinan sumber pencemaran yang tidak
disengaja yang dapat mencegah tercapainya tujuan ekologis [80]. Dalam tahap surveilans, hasil yang diperoleh
dapat bermanfaat bagi badan lingkungan hidup daerah dalam menetapkan tindakan yang akan diambil pada
langkah operasional selanjutnya. Identifikasi musim lebihffdipengaruhi oleh nilai TSM yang tinggi dan deteksi
daerah yang lebih rentan dapat berkontribusi untuk menentukan jumlah minimum titik pengambilan sampel,
lokasinya, dan frekuensi pengambilan sampel, sehingga memfasilitasi pengembangan rencana pemantauan
yang memadai.
Namun, periode studi 5 tahun (2014–2018) saat ini tidak cukup besar untuk memungkinkan penilaian
variasi jangka panjang dalam kualitas air karena aktivitas alam dan antropogenik. Selanjutnya, relevansi
lingkungan yang tinggi dari reservoir ini menunjukkan perlunya memperpanjang periode analisis untuk
menyelidiki kemungkinan perubahan kualitas air sebelum dan sesudah terjadinya tekanan yang disebabkan
oleh manusia (yaitu, kegiatan ekstraksi minyak dan pra-pengolahan yang dilakukan oleh ENI di domain
Lembah Agri sejak 2001 [81]). Untuk membuat kumpulan data gabungan jangka panjang dan
mengkarakterisasi kondisi PL yang tidak terganggu, perlu mengekspor model TSM yang disetel secara lokal ini
ke Landsat 5 Thematic Mapper (1984–2011) dan Landsat 7 Enhance Thematic Mapper plus (1999–sekarang),
dengan mempertimbangkan bahwa sistem sensor satelit ini menunjukkan konfigurasi spektral yang sesuai
(yaitu, pita Merah yang mirip dengan sistem OLI-L8). Dalam fase pemantauan investigasi, pengembangan dan
implementasi selanjutnya dari indeks deteksi perubahan berbasis statistik dapat memungkinkan pembuatan
alat deteksi dini yang berguna untuk mengidentifikasi setiap anomali (dalam domain ruang-waktu) bulu TSM.
Selanjutnya, dalam 10-15 tahun ke depan, konstelasi potensial OLI di atas Landsat-8/9 dan MSI di atas misi
Sentinel-2 akan memungkinkan lebih dari 40 tahun data gabungan untuk dieksploitasi untuk investigasi
kemungkinan perubahan terkait iklim di PL. Frekuensi pengamatan yang sangat tinggi (yaitu, ~2,9 hari) yang
dijamin oleh konstelasi virtual ini mulai tahun 2021 (ketika Landsat-9 mulai beroperasi) juga penting untuk
mengurangi kesenjangan akuisisi [65].

5. Kesimpulan

Dalam studi ini, kami mengevaluasi potensi data gabungan MSI-OLI dalam mengkarakterisasi variabilitas
TSM multi-tahun (2014-2018) di Danau Pertusillo (wilayah Basilcata, Italia selatan).
Dengan memanfaatkan metode koreksi atmosfer DSF, algoritma standar yang ada untuk pengambilan
TSM [55] pertama kali diterapkan. Akurasi yang tidak memuaskan yang dihasilkan oleh algoritma TSM yang
disebutkan di atas menyarankan kalibrasi dan validasi model TSM yang disesuaikan berdasarkan data MSI.
Selanjutnya, kinerja yang baik dari metode koreksi atmosfer DSF (R2 = 0,95 dengan p-nilai < 0,001), terutama
untuk pita MSI Red (nilai RMSE berkisar antara 0,00029 dan
0,00036 sr-1) memungkinkan pengembangan MSI Rp(665)-model berbasis untuk pengambilan TSM. Model TSM yang
disetel secara lokal ini berkinerja baik dalam dataset validasi, menunjukkan koefisien determinasiFFIR . kuno2 = 0,81
(dengan p-nilai < 0,001) dan mengembalikan nilai APD dan RMSE sebesar 27,72% dan 0,89 g/m3,
masing-masing. Model TSM berbasis MSI juga diekspor ke data OLI melalui proses interkalibrasi, yang
keandalan statistiknya dibuktikan dengan koefisien determinasi yang tinggi.FFIR . kuno2 = 0,87
Penginderaan Jauh 2020, 12, 2147 20 dari 24

(p-nilai <0,001) dari fungsi linear "paling pas". Fase interkalibrasi menghasilkan pembuatan kumpulan data
gabungan MSI–OLI multi-tahun (2014–2018) dari pengambilan TSM yang memungkinkan penyelidikan yang
lebih baik dari variabilitas musiman TSM di PL.
Peta bulanan TSM multi-tahun yang diturunkan menunjukkan nilai konsentrasi TSM tertinggi (hingga
sekitar 10 g/m3) selama musim dingin-musim semi, terutama di sisi barat daya PL; penurunan homogen
spasial dari musim semi ke awal musim panas (nilai TSM lebih rendah dari 2 g/m3); dan peningkatan TSM baru
selama musim panas dan gugur (nilai TSM berkisar antara 5 dan 8 g/m3). Melalui skema klasifikasi ISODATA
tanpa pengawasan, dua sub-wilayah yang berbeda, yaitu himpunan bagian Barat dan Timur, dicirikan oleh diff
erensi dalam jumlah sedimen atau besarnya kekuatan hidrologis diidentifikasi. Selanjutnya, temuan yang
dicapai menunjukkan pengaruh yang melekat pada batimetri danau pada nilai TSM di bagian barat PL. Dalam
kerangka ini, kami berspekulasi bahwa delta dan sisi barat yang lebih dangkal lebih dipengaruhi oleh curah
hujan, aliran sungai, dan fluktuasi muka air,ffefeknya cenderung menurun secara longitudinal, sehingga
menghasilkan jumlah materi tersuspensi yang lebih kecil di dalam sub-area timur berenergi rendah.

Hasil yang diperoleh dalam pekerjaan ini dapat digunakan secara menguntungkan oleh otoritas regional dan lokal
untuk pengelolaan kualitas air daratan yang lebih baik (pengisian sedimen pada reservoir) dan sistem pemantauannya.

Kontribusi Penulis: EC, TL dan NP merancang penelitian dan mengembangkan metodologinya. EC menulis sebagian besar
kertas. AC, AP dan SP (Simone Pascucci) mengumpulkan dan memproses pengukuran in situ. EC mengumpulkan dan
memproses data MSI dan OLI. EC dan VS melakukan analisis data. EC, NP, TL, SP (Stefano Pignatti) dan SP (Simone Pascucci)
berkontribusi dalam menginterpretasikan hasil. NP, TL, SP (Simone Pascucci) dan VT merevisi naskah. Semua penulis telah
membaca dan menyetujui versi naskah yang diterbitkan.

Pendanaan: Penelitian ini dilakukan dalam rangka proyek 'Smart Basilicata', yang telah disetujui oleh Kementerian
Pendidikan, Universitas dan Penelitian Italia (Pemberitahuan MIUR n.84/Ric 2012, PON 2007-2013 tanggal 2 Maret 2012) dan
telah didanai dengan Dana Kohesi 2007–2013 dari otoritas Regional Basilicata.

Ucapan terima kasih: Rekan-rekan dari CNR IRBIM dan CNR IMAA sangat berterima kasih karena telah mendorong diskusi
dan dukungan konstruktif di seluruh proyek SMART BASILICATA, dari konsepsi hingga implementasi. Serena Sabia dari CNR
IMAA mengucapkan terima kasih atas bantuannya dalam persiapan sampel laboratorium.

Konflik Kepentingan: Para penulis menyatakan tidak ada konflik kepentingan.

Referensi

1. Vörösmarty, CJ; McIntyre, PB; Gessner, MO; Dudgeon, D.; Prusevich, A.; Hijau, P.; Davies, PM Ancaman Global terhadap
Ketahanan Air Manusia dan Keanekaragaman Hayati Sungai.Alam 2010, 467, 555–561. [CrossRef]
2. Adrian, R.; O'Reilly, CM; Zagarese, H.; Baines, SB; Hessen, LAKUKAN; Keller, W.; Batu Hidup, DM; Sommaruga, R.; Strail,
D.; Van Donk, E.; dkk. Danau sebagai Penjaga Perubahan Iklim.Limnol. Kelautan
2009, 54, 2283–2297. [CrossRef] [PubMed]
3. Stendera, S.; Adrian, R.; Bonada, N.; Cañedo-Argüelles, M.; Hugueny, B.; Januschke, K.; Pletterbauer, F.; Hering, D.
Pemicu dan Pemicu Pola Keanekaragaman Hayati Air Tawar Di Seluruh DuniaffEkosistem dan Skala: Sebuah Tinjauan.
Hidrobiologi 2012, 696, 1-28. [CrossRef]
4. Hering, D.; Borja, A.; Carstensen, J.; Carvalho, L.; Elliot, M.; Feld, CK; Heiskanen, AS; Johnson, RK; Moe, J.; Pont, D.; dkk.
Arahan Kerangka Air Eropa pada Usia 10: Tinjauan Kritis Pencapaian dengan Rekomendasi untuk Masa Depan.Sci.
Lingkungan Total.2010, 408, 4007–4019. [CrossRef] [PubMed]

5. Novoa, S.; Doxaran, D.; Odi, A.; Vanhellemont, Q.; Lafon, V.; Lubac, B.; Gernez, P. Koreksi Atmosfer dan Algoritma Multi-
Kondisional untuk Penginderaan Jauh Multi-Sensor dari Materi Partikulat Tersuspensi di Tingkat Kekeruhan Rendah
hingga Tinggi di Perairan Pesisir.Penginderaan Jauh 2017, 9, 61. [CrossRef]
6. Doxaran, D.; Lamquin, N.; Taman, YJ; Mazeran, C.; Ryu, JH; Wang, M.; Poteau, A. Pengambilan Refleksi Air Laut untuk
Pemantauan Padatan Tersuspensi di Laut Cina Timur Menggunakan Data Satelit MODIS, MERIS dan GOCI.Lingkungan
Penginderaan Jauh. 2014, 146, 36–48. [CrossRef]
7. Zhu, SAYA; Zhu, GW; Li, W.; Zhang, YL; Zhao, LL; Gu, Z. Estimasi Kolam Fosfor yang Tersedia Alga di Sedimen Danau
Eutrofik Besar dan Dangkal (Taihu, Cina) Menggunakan Analisis Fraksi SMT yang Diprofilkan.
Mengepung. polusi.2013, 173, 216–223. [CrossRef]
Penginderaan Jauh 2020, 12, 2147 21 dari 24

8. Nguyen, HL; Pembuat Leer, M.; Osan, J.; Torok, S.; Baeyens, W. Logam Berat di Danau Balaton: Kolom Air, Suspended
Matter, Sedimen dan Biota.Sci. Lingkungan Total.2005, 340 213–230. [CrossRef]
9. Di Polito, C.; Ciancia, E.; Coviello, saya.; Doxaran, D.; Lacava, T.; Pergola, N.; Tramutoli, V. Tentang Potensi Pendekatan
Teknik Satelit Kuat Untuk Pemantauan SPM di Perairan Pesisir: Implementasi dan Aplikasi Di Perairan Pesisir Basilicata
Ionian Menggunakan MODIS-Aqua.Penginderaan Jauh 2016, 8, 922. [CrossRef]

10. Giardino, C.; Bresciani, M.; Stroppiana, D.; Oggioni, A.; Morabito, G. Penginderaan Jauh Optik Danau: Tinjauan Tentang
Danau Maggiore.J. Limnol. 2014, 73, 2017–214. [CrossRef]
11. Shi, K.; Zhang, Y.; Zhu, G.; Liu, X.; Zhou, Y; Xu, H.; Li, Y. Pemantauan Jarak Jauh Jangka Panjang dari Konsentrasi Total Materi
Tersuspensi di Danau Taihu Menggunakan Data 250 mMODIS-Aqua.Lingkungan Penginderaan Jauh. 2015, 164, 43–56. [CrossRef]

12. Dörnhöfer, K.; Goritz, A.; Gege, P.; Pug, B.; Oppelt, N. Konstituen Air dan Pengambilan Kedalaman Air dari Sentinel-2A—
Evaluasi Pertama di Danau Oligotrofik.Penginderaan Jauh 2016, 8, 941. [CrossRef]
13. Doxaran, D.; Castaing, P.; Lavender, SJ; Castaign, P.; Lavender, SJ Memantau Zona Kekeruhan Maksimum dan
Mendeteksi Fitur Kekeruhan Skala Halus di Muara Gironde Menggunakan Data Sensor Satelit Resolusi Spasial Tinggi
(SPOT HRV, Landsat ETM).Int. J. Penginderaan Jauh.2006, 27, 2303–2321. [CrossRef] Miller, RL; McKee, BA Menggunakan
14. Citra MODIS Terra 250 m untuk Memetakan Konsentrasi Total Suspended Matter di Perairan Pesisir.Lingkungan
Penginderaan Jauh. 2004, 93, 259–266. [CrossRef]
15. Feng, L.; Hu, C.; Chen, X.; Song, Q. Pengaruh Bendungan Tiga Ngarai terhadap Benda Tersuspensi Total di Muara
Yangtze dan Perairan Pesisirnya yang Berdekatan: Pengamatan dari MODIS.Lingkungan Penginderaan Jauh. 2014,
140, 779–788. [CrossRef]
16. Petus, C.; Marie, V.; Novoa, S.; Chust, G.; Brunei, N.; Froidefond, JM Memantau Variabilitas Spasial-Temporal dari Plume
Kekeruhan Sungai Adour (Teluk Biscay, Prancis) dengan Citra MODIS 250 m.
Lanjutan Rak Res.2014, 74, 35–49. [CrossRef]
17. Palmer, S.; Odermatt, D.; Pemburu, PD; Brockmann, C.; Prébernyanyi, M.; Balzter, H.; THaith, Penginderaan Jauh Satelit
VR Fenologi Fitoplankton di Danau Balaton Menggunakan Pengamatan MERIS 10 Tahun.
Lingkungan Penginderaan Jauh. 2015, 158, 441–452. [CrossRef]
18. Mengikat, CE; Greenberg, TA; Watson, SB; Rastin, S.; Gould, J. Perubahan Kejernihan Air Jangka Panjang di Great Lakes
Amerika Utara dari Pengamatan Satelit Multi-Sensor.Limnol. Kelautan2015, 60, 1976–1995. [CrossRef]

19. Kiefer, saya.; Odermatt, D.; Anneville, O.; Wuest, A.; Bouffard, D. Penerapan Penginderaan Jauh untuk Optimasi In-Situ
Sampling untuk Pemantauan Kelimpahan Fitoplankton di Danau Besar.
Sci. Lingkungan Total.2015, 527, 493–506. [CrossRef] [PubMed]
20. Palmer, SC; Kutser, T.; Hunter, PD Penginderaan Jauh Perairan Pedalaman: Tantangan, Kemajuan, dan Arah Masa
Depan.Lingkungan Penginderaan Jauh. 2015, 157, 1–8. [CrossRef]
21. Dörnhöfer, K.; Oppelt, N. Penginderaan Jauh untuk Penelitian dan Pemantauan Danau—Kemajuan Terbaru.Ekol. India
2016, 64, 105-122. [CrossRef] Gernez, P.; Doxaran, D.; Barilé, L. Budidaya Kerang dari Luar Angkasa: Potensi Sentinel2
22. untuk Memantau Perubahan Akibat Pasang Surut dalam Kekeruhan, Konsentrasi Klorofil, dan Respons Fisiologis Tiram
pada Skala Peternakan Tiram. Depan. Mar.2017, 4, 137. [CrossRef]

23. Liu, H.; Li, Q.; Shi, T.; Hu, S.; Wu, G.; Zhou, T. Penerapan Gambar Sentinel 2 MSI untuk Mengambil Konsentrasi Partikulat
Tersuspensi di Danau Poyang.Penginderaan Jauh 2017, 9, 761. [CrossRef] Toming, K.; Kutser, T.; Laas, A.; Sep, M.; Pavel,
24. B.; tidakHaiges, T. Pengalaman Pertama Pemetaan Parameter Kualitas Air Danau dengan Citra Sentinel-2 MSI.
Penginderaan Jauh 2016, 8, 640. [CrossRef]
25. Eder, E.; Dörnhöfer, K.; Gege, P.; Schenk, K.; Klinger, P.; Wenzel, J.; Gruber, N. Analisis Materi Tersuspensi Kaya Mineral
di Danau Glasial Menggunakan Simulasi dan Data Satelit. DiSimposium Planet Hidup;
Ouwehand, L., Ed.; Komunikasi ESA: Noordwijk, Belanda, 2016; Jilid 740.
26. Manzo, C.; Bresciani, M.; Giardino, C.; Braga, F.; Bassani, C. Analisis Sensitivitas Model Bio-Optik untuk Danau Italia
Berfokus pada Landsat-8, Sentinel-2 dan Sentinel-3.Eur. J. Penginderaan Jauh.2015, 48, 17–32. [CrossRef] Lavrova, OY;
27. Soloviev, DM; Strochkov, MA; Bocharova, TY; Kashnitsky, investigasi AV River plume menggunakan data Sentinel-2AMSI
dan Landsat-8 OLI. DiPenginderaan Jauh Wilayah Laut, Es Laut, Perairan Pesisir, dan Perairan Besar; Masyarakat
Internasional untuk Optik dan Fotonik: Bellingham, WA, AS, 2016; Jilid 9999,
hal. 99990G.
Penginderaan Jauh 2020, 12, 2147 22 dari 24

28. Pahlevan, N.; Chittimalli, SK; Balasubramanian, SV; Vellucci, V. Sentinel-2/Landsat-8 Konsistensi Produk dan Implikasinya
untuk Pemantauan Sistem Perairan.Lingkungan Penginderaan Jauh. 2019, 220, 19–29. [CrossRef]
29. Colella, A.; Fortunato, E. Pengisi Sedimen Waduk Air Tawar Pertusillo (Val d'Agri, Italia Selatan).Lingkungan Fresenius
Februari. Banteng.2019, 23, 824–830.
30. Faruolo, M.; Coviello, saya.; Filizzola, C.; Lacava, T.; Pergola, N.; Tramutoli, V. Analisis Emisi Gas Flaring Val d'Agri Oil Center
(Italia Selatan) Berbasis Satelit.Nat. Sistem Bahaya Bumi. Sci.2014, 14,
2783–2793. [CrossRef]
31. D'Emilio, M.; Coluzzi, R.; Macchiato, M.; Imbrenda, V.; Ragosta, M.; Sabia, S.; Simoniello, T. Data Satelit dan Pengukuran
Suseptibilitas Magnetik Tanah untuk Pemantauan Logam Berat: Temuan dari Lembah Agri (Italia Selatan).Mengepung.
Ilmu Bumi.2018, 77, 63. [CrossRef]
32. Yao, Z.; Gao, P. Penelitian Logam Berat di Sedimen Lacustrine: Sebuah Tinjauan.Dagu. J.Oseanol. Limnol.2007, 25,
444–454. [CrossRef]
33. Simoniello, T.; Coluzzi, R.; Imbrenda, V.; Lanfredi, M. Perubahan Tutupan Lahan dan Evolusi Lanskap Hutan (1985–2009)
dalam Sistem Agroforestri Mediterania yang Khas (Lembah Agri Tinggi).Nat. Sistem Bahaya Bumi. Sci. Bahas.2015, 3. [
CrossRef]
34. AutoritSebuah Di Bacino Della Basilicata. Tersedia secara online:http://www.adb.basilicata-it/adb/risorseidriche/diaginv.
asp?invaso=Pertusillo(diakses pada 18 Mei 2020).
35. Basilicata Centro Funzionale. Tersedia secara online:http://centrofunzionalebasilicata.it/it/scaricaDati (diakses pada 18
Mei 2020).
36. Capozza, F. Influenza del fattore geomorfologico dan litoloco sul trasporto solido del Fiume Agri a monte della diga del
Pertusillo. kasar. Lav. Publikasi1963, 12, 1235–1258.
37. Anselmi, B.; Blasi, L.; Cautilli, F.; Crovato, C.; Grauso, S. La sedimentazione nell'invaso artificiale del Pertusillo (Fiume Agri,
Basilicata).geol. tek. Sekelilingnya.1996, 4, 19–34.
38. Strickland, JD; Parsons, TRBuku Pegangan Praktis Analisis Air Laut; Jurnal Badan Penelitian Perikanan Kanada: Ottawa,
ON, Kanada, 1972.
39. UNESCO. Protokol untuk Pengukuran Inti Bersama Global Ocean Flux Study (JGOFS); UNESCO-IOC: Paris, Prancis, 1994.

40. Mueller, JL; Fargion, GS; McClain, Protokol CR Ocean Optik untuk Validasi Sensor Warna Lautan Satelit. DiNota Teknis
TM-2003-21621/Revisi 5; Pusat Antariksa Penerbangan Antariksa Goddard NASA: Greenbelt,
MD, Amerika Serikat, 2004.

41. Manual Perangkat Lunak ViewSpec Pro, ASD Inc. 2008. Tersedia online: http://www.grss-ieee.org/lep4/project_
materials_for_web/viewspecpro_manual.pdf (diakses pada 18 Mei 2020).
42. Lee, Z. Penginderaan Jauh Sifat Optik Inheren: Dasar-Dasar, Pengujian Algoritma, dan Aplikasi;
Kelompok Koordinasi Warna Laut Internasional: Hanover, NH, Kanada, 2006; Jilid 5.
43. Zibordi, G.; Voss, K.Protokol untuk Validasi Data Warna Laut Satelit: Radiometri Optik In Situ; Dokumen Protokol IOCCG;
IOCCG: Hanover, NH, Kanada, 2019.
44. Coluzzi, R.; Imbrenda, V.; Lanfredi, M.; Simoniello, T. Penilaian Pertama Produk Masker Cloud Sentinel-2 Level 1-C untuk
Mendukung Analisis Permukaan yang Diinformasikan.Lingkungan Penginderaan Jauh. 2018, 217, 426–443. [CrossRef]
45. Vanhellemont, T.; Ruddick, K. Acolite untuk Sentinel-2: Aplikasi akuatik dari citra MSI. Dalam Prosiding Simposium Living
Planet ESA 2016, Praha, Republik Ceko, 9–13 Mei 2016; hal.9–13.
46. Portal Web Survei Geologi Amerika Serikat (USGS). Tersedia secara online:https://earthexplorer.usgs.gov
(diakses pada 18 Juli 2019).
47. Portal Web Science Hub ESA. Tersedia secara online:https://scihub.copernicus.eu (diakses pada 18 Mei 2020).
48. Perangkat Lunak ACOLITE. Tersedia secara online:https://odnature.naturalsciences.be/remsem/acolite-forum(diakses pada 24
April 2020).
49. Vermote, E.; Keadilan, C.; Claverie, M.; Franch, B. Analisis Pendahuluan Kinerja Produk Pemantulan Permukaan Tanah
Landsat 8/OLI.Lingkungan Penginderaan Jauh. 2016, 185, 46–56. [CrossRef]
50. Vanhellemont, T.; Ruddick, K. Koreksi Atmosfer Data Satelit Optik Skala Meter untuk Aplikasi Perairan Pedalaman dan
Pesisir.Lingkungan Penginderaan Jauh. 2018, 216, 586–597. [CrossRef]
51. Vanhellemont, Q. Adaptasi Koreksi Atmosfer Penyesuaian Spektrum Gelap untuk Aplikasi Perairan Arsip Landsat dan
Sentinel-2. Lingkungan Penginderaan Jauh. 2019, 225, 175-192. [CrossRef]
52. Bailey, SW; Werdell, PJ A Pendekatan Multi-Sensor untuk Validasi On-Orbit Produk Data Satelit Warna Laut.Lingkungan
Penginderaan Jauh. 2006, 102, 12–23. [CrossRef]
Penginderaan Jauh 2020, 12, 2147 23 dari 24

53. Li, L.; Bakelants, L.; Solana, C.; Canter, F.; Kervyn, M. Menentukan Aliran Lava Gunung Api Tropis Melalui Pemodelan
Spasial Pemulihan Vegetasi.Surfing Bumi. Proses. Landf.2018, 43, 840–856. [CrossRef]
54. Tim, RC R: Bahasa dan Lingkungan untuk Komputasi Statistik; Yayasan R untuk Komputasi Statistik: Wina, Austria, 2018;
Tersedia secara online:http://www.R-project.org/ (diakses pada 5 Mei 2020).
55. Nechad, B.; Ruddick, KG; Park, Y. Kalibrasi dan Validasi Algoritma Multisensor Generik untuk Pemetaan Total Suspended
Matter di Perairan Keruh.Lingkungan Penginderaan Jauh. 2010, 114, 854–866. [CrossRef]
56. Odermatt, D.; Gitelson, A.; Brando, VE; Schaepman, M. Review Pengambilan Konstituen di Perairan Optik Dalam dan
Kompleks dari Citra Satelit.Lingkungan Penginderaan Jauh. 2012, 118, 116–126. [CrossRef]
57. Tou, JT; Gonzales, RCPrinsip Pengenalan Pola; Addison-Wesley: Boston, MA, AS, 1974.
58. Giardino, C.; Bresciani, M.; Valentini, E.; Gasperini, L.; Bolpagni, R.; Brando, VE Data hyperspectral Airborne untuk Menilai
Materi Partikulat Tersuspensi dan Vegetasi Akuatik di Danau Dangkal dan Keruh.Lingkungan Penginderaan Jauh. 2015,
157, 48–57. [CrossRef]
59. Peeters, ET; Franken, RJ; Jeppesen, E.; Lumut, B.; Bépeduli, E.; Hansson, LA; tidakHaiges, T. Menilai Kualitas Ekologis Danau
Dangkal: Apakah Pengetahuan tentang Transparansi SuFFIce? Aplikasi Dasar Ekol.2009, 10, 89–96. [CrossRef]

60. Williamson, CE; Saros, JE; Vincent, WF; Smol, JP Lakes and Reservoirs sebagai Sentinel, Integrator, dan Regulator
Perubahan Iklim.Limnol. Kelautan2009, 54, 2273–2282. [CrossRef]
61. Pahlevan, N.; Lee, Z.; Wei, J.; Schaf, CB; Schott, JR; Berk, A. Karakterisasi Radiometrik On-Orbit OLI (Landsat-8) untuk
Aplikasi Penginderaan Jauh Perairan.Lingkungan Penginderaan Jauh. 2014, 154, 272–284. [CrossRef]

62. Pahlevan, N.; Schott, JR Memanfaatkan EO-1 untuk Mengevaluasi Kemampuan Generasi Baru Sensor Landsat untuk Studi Perairan
Pesisir/Pedalaman.IEEE J. Sel. Puncak. aplikasi Obs Bumi. Penginderaan Jauh2013, 6, 360–374. [CrossRef]
63. Mandanici, E.; Bitelli, G. Perbandingan Awal Citra Sentinel-2 dan Landsat 8 untuk Penggunaan Gabungan.
Penginderaan Jauh 2016, 8, 1014. [CrossRef]
64. Pahlvan, N.; Sarkar, S.; Franz, BA; Balasubramanian, SV; He, J. Sentinel-2 MultiSpectral Instrument (MSI) Pengolahan Data
untuk Aplikasi Ilmu Perairan: Demonstrasi dan Validasi.Lingkungan Penginderaan Jauh.
2017, 201, 47–56. [CrossRef]
65. Pahlevan, N.; Schott, JR; Franz, BA; Zibordi, G.; Markham, B.; Bailey, S.; Strait, CM Landsat 8 Refleksi Penginderaan Jauh
(Rrs) Produk: Evaluasi, Interkomparasi, dan Peningkatan.Lingkungan Penginderaan Jauh.
2017, 190, 289–301. [CrossRef]
66. Claverie, M.; Ju, J.; Masek, JG; Dungan, JL; Vermote, EF; Roger, JC; Justice, C. Kumpulan Data Refleksi Permukaan Landsat
dan Sentinel-2 yang Diharmonisasi.Lingkungan Penginderaan Jauh. 2018, 219, 145-161. [CrossRef]
67. Shang, R.; Zhu, Z. Harmonisasi Landsat 8 dan Sentinel-2: Pendekatan Penyesuaian Refleksi Berbasis Deret Waktu.
Lingkungan Penginderaan Jauh. 2019, 235, 111439. [CrossRef]
68. Misra, DR; Ogashawara, saya.; Gitelson, AAPemodelan Bio-Optik dan Penginderaan Jauh Perairan Pedalaman;
Elsevier: Amsterdam, Belanda, 2017.
69. Musa, WJ; Sterckx, S.; Montes, MJ; De Keukelaere, L.; Knaeps, E. Bab 3-Atmosfer Koreksi Perairan Pedalaman. DiPemodelan
Bio-Optik dan Penginderaan Jauh Perairan Pedalaman; Mishra, RD, Ogashawar, I., Gitelson, AA, Eds.; Elsevier:
Amsterdam, Belanda, 2017; hal.69–100.
70. Gordon, HR; Wang, M. Retrieval of Water-Leaving Radiance dan Aerosol Optical Thickness Over the Oceans dengan
SeaWiFS: A Preliminary Algorithm.aplikasi Memilih.1994, 33, 443–452. [CrossRef] [PubMed]
71. Wang, M. Penginderaan jauh kontribusi laut dari ultraviolet ke inframerah dekat menggunakan pita inframerah
gelombang pendek: Simulasi. aplikasi Memilih.2007, 46, 1535–1547. [CrossRef] [PubMed]
72. Doxaran, D.; Froidefond, JM; Lavender, S.; Castaing, P. Spectral Signature Perairan Sangat Keruh: Aplikasi dengan Data
SPOT untuk Mengukur Konsentrasi Partikulat Tersuspensi.Lingkungan Penginderaan Jauh.
2002, 81, 149-161. [CrossRef]
73. Lacava, T.; Ciancia, E.; Di Polito, C.; Madonia, A.; Pascucci, S.; Pergola, N.; Tramutoli, V. Evaluasi MODIS—Algoritma Aqua
Chlorophyll-a di Perairan Pesisir Ionia Basilicata.Penginderaan Jauh 2018, 10, 987. [CrossRef]

74. Liu, X.; Lee, Z.; Zhang, Y.; Lin, J.; Shi, K.; Zhou, Y; Sun, Z. Penginderaan Jauh Kedalaman Secchi di Perairan Danau yang
Sangat Keruh dan Penerapannya dengan Data MERIS.Penginderaan Jauh 2019, 11, 2226. [CrossRef]
Penginderaan Jauh 2020, 12, 2147 24 dari 24

75. Wang, S.; Qiu, Z.; Matahari, D.; Shen, X.; Zhang, H. Light Beam Attenuation dan Backscattering Properties Partikel di Laut
Bohai dan Laut Kuning dengan Kaitannya dengan Sifat Biogeokimia.J. Geofisika. Res. Lautan.
2016, 121, 3955–3969. [CrossRef]
76. Li, J.; Roy, DP Analisis Global Interval Kunjungan Ulang Data Sentinel-2A, Sentinel-2B dan Landsat-8 dan Implikasinya
untuk Pemantauan Terestrial.Penginderaan Jauh 2017, 9, 902.
77. Rhodes, SL; Wiley, KB Great Lakes Beracun Sedimen dan Perubahan Iklim: Implikasi untuk Remediasi Lingkungan.
Gumpal. Mengepung. Chang.1993, 3, 292–305. [CrossRef]
78. Koperasi, H.; Beklioglu, M.; Crisman, TL Peran fluktuasi muka air dalam ekosistem danau dangkal–kesimpulan lokakarya.
Hidrobiologi 2003, 506, 23–27. [CrossRef]
79. Leira,M.; Cantonati, M. EffDkt Fluktuasi Ketinggian Air di Danau: AnAnnotatedBibliography. DiEkologi Effdampak Fluktuasi
Ketinggian Air di Danau; Pegas: Dordrecht, Belanda, 2008; hal.171–184.
80. Premazzi, G.; Dalmiglio, A.; Cardoso, AC; Chiaudani, G. Pengelolaan Danau di ITALIA: Implikasi Arahan Kerangka Air.Cagar
Danau. Res. Kelola.2003, 8, 41–59. [CrossRef]
81. Faruolo, M.; Lacava, T.; Pergola, N.; Tramutoli, V. Konfigurasi RST-FLARE Berbasis VIIRS: Investigasi Gas Flaring Val d'Agri
Oil Center Antara 2015–2019.Penginderaan Jauh 2020, 12, 819. [CrossRef]

© 2020 oleh penulis. Penerima Lisensi MDPI, Basel, Swiss. Artikel ini adalah artikel akses terbuka
yang didistribusikan di bawah syarat dan ketentuan lisensi Creative Commons Attribution (CC BY)
(http://creativecommons.org/licenses/by/4.0/).