See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/338621917

Satelit Multimisi Sentinel 3 dan Pemanfaatannya dalam Pemantauan

Sumberdaya Pesisir dan Laut

Article · November 2019

CITATION READS

1 772

2 authors:

Argo Galih Suhadha Andi Ibrahim

Indonesian National Institute of Aeronautics and Space Indonesian National Institute of Aeronautics and Space
10 PUBLICATIONS   3 CITATIONS    4 PUBLICATIONS   2 CITATIONS   

SEE PROFILE SEE PROFILE

All content following this page was uploaded by Andi Ibrahim on 16 January 2020.

The user has requested enhancement of the downloaded file.

MAJALAH ILMIAH SEMI POPULER

Volume X No. 12/ Edisi November 2019 ISSN 2087-8141

Mosaik Landsat-8, Provinsi Jawa Barat

 Satelit Multimisi Sentinel-3 dan Pemanfaatannya
dalam Pemantauan Sumberdaya Pesisir dan Laut

Argo Galih Suhadha dan Andi Ibrahim

Pusat Pemanfaatan Penginderaan Jauh – LAPAN
E-mail : argo.galih@lapan.go.id

RINGKASAN

Pemantauan berkelanjutan terhadap dinamika sumberdaya pesisir dan laut memiliki peran penting dalam
perkembangan ilmu pengetahuan maupun dasar pembuatan kebijakan pengelolaan sumberdaya pesisir dan laut.
Teknologi penginderaan jauh memiliki kemampuan memetakan sumberdaya laut dan pesisir dengan cakupan
wilayah yang sangat luas, informasi spasial yang rinci, dan pengambilan data secara temporal, membuatnya menjadi
teknologi yang efisien untuk memperoleh informasi kelautan dan pesisir beserta sumberdaya di dalamnya. Satelit
dalam pemantauan sumberdaya pesisir dan laut yang telah beroperasi diantaranya NOAA-AVHRR, Aqua & Terra
MODIS, ENVISAT, SeaWiFS, dan TOPEX/POSEIDON Sentinel-3 merupakan kelanjutan dari misi satelit ENVISAT,
sebagai satelit pengamatan bumi, Sentinel-3 memiliki kemampuan dalam pemantauan sumberdaya pesisir dan laut,
mulai dari topografi dari laut, es dan darat, warna lautan dan warna daratan, suhu, reflektan permukaan laut dan
darat, dan pengukuran atmosfir.Dengan karakternya sebagai satelit multimisi-instrumen, Sentinel-3 memiliki potensi
besar untuk digunakan memantau kondisi sumberdaya laut dan pesisir di wilayah Indonesia.

1. Pendahuluan Teknologi penginderaan jauh telah dimanfaatkan

W
ilayah pesisir dan lautan merupakan
wilayah dengan potensi sumberdaya
alam yang melimpah. Wilayah ini
mempertemukan wilayah darat dan laut membuatnya
berkaitan dengan berbagai aspek, seperti aspek
ekologis, fisika, kimia, biologi maupun aspek sosial.
Proses alami yang terjadi di lautan dan daratan
secara kontinu membentuk karakteristik suatu
pesisir (tipologi pesisir). Tiap tipologi pesisir tertentu
akan memberikan ciri-ciri pada bentanglahan dan
berbagai macam sumberdaya yang ada pada
wilayah tersebut. Informasi mengenai dinamika
sumberdaya pesisir dan laut memiliki peran penting
dalam perkembangan ilmu dan teknologi kelautan
maupun sebagai dasar pembuatan kebijakan
untuk pengelolaan sumberdaya pesisir dan laut.
Pemantauan berkelanjutan terhadap sumberdaya
tersebut sangat berguna dalam mendapatkan
informasi tersebut.
oleh banyak peneliti maupun pemangku kepentingan
untuk melakukan pemantauan kondisi pesisir
dan laut. Kemampuannya dalam memetakan
sumberdaya laut dan pesisir dengan cakupan
wilayah yang sangat luas, informasi spasial yang
rinci, dan pengambilan data secara temporal,
membuat penginderaan jauh menjadi teknologi yang
efisien untuk memperoleh informasi kelautan dan
pesisir beserta sumberdaya di dalamnya (Rajeesh &
Dwarakish, 2015). Informasi tersebut diambil dengan
menggunakan sensor satelit, kemudian diproses
dan disajikan dalam bentuk informasi spasial.
Informasi spasial berbasis penginderaan jauh
untuk pemantauan sumberdaya pesisir dan laut
telah banyak dimanfaatkan oleh LAPAN dan
Kementerian Kelautan dan Perikanan, diantaranya
untuk pemantauan zona potensi penangkapan ikan,
terumbu karang, mangrove, suhu permukaan laut,
klorofil-a, muatan padatan tersuspensi, bathimetri,

INDERAJA, Vol. X, No. 12, November 2019 41

tumpahan minyak, deteksi kapal, tinggi gelombang
signifikan hingga tinggi muka laut .
Penggunaan satelit untuk tujuan mendapatkan
informasi kelautan dan pesisir biasa disebut sebagai
satelit oseanografi. Satelit oseanografi yang telah
diluncurkan ke ruang angkasa diantaranya NOAA-
AVHRR, Aqua & Terra MODIS, ENVISAT, SeaWiFS,
dan TOPEX/POSEIDON (Rajeesh & Dwarakish,
2015). Seiring dengan kemajuan teknologi dan adanya
inovasi serta perbaikan terhadap satelit yang telah
mengangkasa, terciptalah satelit Sentinel-3 sebagai
penyempurna satelit pendahulunya (ENVISAT).
Sentinel-3 merupakan satelit pengamatan bumi
dalam proyek Global Monitoring for Environment
and Security (GMES) dari ESA yang bertujuan untuk
memberi informasi yang akurat dan tepat bagi pemberi
kebijakan dan otoritas publik dalam pengelolaan
lingkungan, memahami dan mengurangi dampak
perubahan iklim dan kebutuhan sipil. Secara umum
terdapat 5 sensor utama yang digunakan, yakni
sensor Microwave Radiometer, Infrared Radiometer,
Altimetri, Ocean Color dan Synthetic Aperture Radar
(SAR) (Donlon et al., 2012).
Gambar 1. Instrumen yang terdapat dalam satelit Sentinel-3.
(Sumber: ESA Copernicus, 2019d)
42
2. Konfigurasi Misi Sentinel-3
Sentinel-3 memiliki misi melanjutkan penyediaan
data dari satelit ERS/Envisat. Satelit misi multi-
instrumen Sentinel-3 memiliki kemampuan dalam
mengukur topografi permukaan dari laut, es dan
darat, warna lautan dan warna daratan (ocean and
land color), suhu, reflektan permukaan laut dan
darat, dan pengukuran atmosfir dengan akurasi
tinggi, pengiriman data real-time dan berkelanjutan
(ESA Copernicus, 2019b; Donlon et al., 2012).
Sentinel-3 dioperasikan bersama oleh ESA dan
EUMETSAT, dirancang untuk masa operasi selama
7 tahun dan memungkinkan untuk operasi hingga
12 tahun. Sentinel-3A diluncurkan pada 16 februari
2016, sentinel-3B diluncurkan pada 25 februari
2016. Sentinel-3 terdiri dari 4 instrumen utama,
yakni (ESA Copernicus, 2019b):
• OLCI (Ocean and Land Color Instruments),
• SLSTR (Sea and Land Surface Temperature
Instrument),
• SRAL (SAR Radar Altimeter),
• MWR (Microwave Radiometer).
INDERAJA, Vol. X, No. 12, November 2019
2.1. Orbit
Sentinel-3 memiliki orbit yang masih sama dengan
orbit Envisat dimana menggunakan orbit inklinasi
tinggi sebesar 98.65o sebagai cara agar optimal dalam
merekam parameter es dan salju pada lintang tinggi.
Orbit Sentinel-3 berada pada near-polar dengan pola
sun synchronous. Pada wilayah ekuator, Sentinel-3
mencapai revisit time hingga kurang dari 2 hari untuk
OLCI dan kurang dari sehari untuk SLSTR.
2.2. Mode Akuisisi
Instrumen Sentinel-3 menggunakan scanner
bertipe pushbroom dimana merupakan scanner yang
lebih stabil dibandingkan whiskbroom. Instrumen
OLCI memiliki lebar sapuan hingga 1270 km dan tidak
menggunakan mode nadir melainkan miring 12.6o ke
arah barat untuk menghindarkan dari efek sun-glint.
Instrumen SLSTR menggunakan mode nadir (1400
km) dan oblique (740 km) dengan lintasan yang
tumpang tindih terhadap OLCI. Sedangkan instrumen
altimeter (SRAL) tidak memiliki petak (swath)
seperti instrumen lainnya, melainkan menggunakan
pengukuran tunggal dari rentang setiap kali pulsa
dipancarkan. Ilustrasi dari perekaman satelit
Sentinel-3 ditampilkan dalam Gambar 2 hingga 4.

Gambar 2. Ground track resolutioon of Sentinel-3 (Sumber: Donlon et al., 2012)

Gambar 3. Tinjauan umum operasi Sentinel-3 dan muatan instrumen untuk setiap orbit. Biru untuk SRAL,
SLSTR merah dan oranye untuk OLCI. (Sumber: Donlon et al., 2012)

INDERAJA, Vol. X, No. 12, November 2019 43

 Gambar 4. Cakupan Konstelasi Satelit Sentinel-3A (Merah) dan Sentinel-3B (Hijau)
(Sumber: ESA Copernicus, 2019a)

2.3. Produk Data terkoreksi radiometrik, terkalibrasi dan karakterisasi

Dalam menghasilkan produk masing-masing
informasi, Sentinel-3 mengimplementasikan
pengolahannya dalam bagan rantai proses PDGS
(Payload Data Ground Segment) seperti pada
gambar 4. Produk level-1b optis (OLCI dan SLSTR)
berbentuk Top of Atmosphere (TOA) radiometrik,
spektral dan telah ortho-geo-located. Produk level-
1b topography terdiri dari altimetri yang telah geo-
located dan terkalibrasi radar (Kanal Ku dan C).
Level-1b MWR adalah yang telah ter-geo-located,
terkoreksi radiometrik dan geometrik. Sedangkan,
Level-2 merupakan produk yang telah mengalami
koreksi geofisika dari level-1b.

Gambar 5. Skema Pemrosesan

Data Generik Sentinel-3
(Sumber: Donlon et al., 2012)

44 INDERAJA, Vol. X, No. 12, November 2019

3. Sensor Satelit Sentinel-3 dan telah dioptimalkan untuk mengukur ocean colour
Pemanfaatannya baik di laut lepas maupun pesisir. Mode perekaman
3.1. Sensor OLCI OLCI yang miring 12.6o ke arah barat ditujukan
menghindarkan citra satelit dari efek sun-glint (Kay
Sentinel-3 OLCI merupakan kelanjutan misi
et al., 2009). OLCI dalam pemantauan sumberdaya
dari kemampuan instrumen Envisat MERIS dan
pesisir dan laut telah banyak dimanfaatkan
kemampuan deteksi vegetasi dari SPOT. Sensor
diantaranya: pemantauan klorofil-a perairan (Brown
Ocean Color didesain untuk mendapatkan
et al, 2018; L. N. Brown et al., 2019; Song et al.,
distribusi spektral dari upwelling di atas permukaan
2013; Watanabe, Alcântara, & Stech, 2018) kualitas
laut. Instrumen S-3 OLCI terdiri dari 21 band di
perairan (Blix, Li, Massicotte, & Matsuoka, 2019;
dalamnya, yakni:

Tabel 1. Karakteristik band pada Sentinel-3 OLCI (Sumber: Donlon et al., 2012)
Band Pusat λ Panjang Lmin Lref Lsat SNR Fungsi
nm Nm W/(m² sr μm) W/(m² sr μm) W/(m² sr μm) Lref
Oa1 400 15 21.60 62.95 413.5 2188 Koreksi Aerosol, perbaikan pengambilan konstituen air
Oa2 412.5 10 25.93 74.14 501.3 2061 Zat kuning dan pigmen detrital (Kekeruhan)
Oa3 442.5 10 23.96 65.61 466.1 1811 Maksimum penyerapan Klorofil, Biogeokimia, tumbuh-tumbuhan
Oa4 442 10 19.78 51.21 483.3 1541 Klorofil Tinggi, pigmen lainnya
Oa5 510 10 17.45 44.39 449.6 1488 Klorofil, sedimen, kekeruhan, air pasang
Oa6 560 10 12.73 31.49 524.5 1280 Referensi Klorofil (Minimum Klorofil)
Oa7 620 10 8.86 21.14 397.9 997 Pemuatan sedimen
Oa8 665 10 7.12 16.38 364.9 883 Klorofil (Maks. Abs. 2nd Klorofil), Sedimen, zat kuning / tumbuh-tumbuhan
Oa9 673.75 7.5 6.87 15.70 443.1 707 Untuk pengambilan fluoresensi yang ditingkatkan
Oa10 681.25 7.5 6.65 15.11 350.3 745 Puncak fluoresensi Klorofil, red edge
Oa11 708.75 10 5.66 12.73 332.4 785 Garis dasar fluoresensi Klorofil, transisi red edge
Oa12 753.75 7.5 4.70 10.33 377.7 605 Penyerapan 02/awan, tumbuhan
Oa13 761.25 2.5 2.53 6.09 369.5 232 Band serapan O2 / aerosol kor.
Oa14 764.375 3.75 3.00 7.13 373.4 305 Koreksi atmosferik
Oa15 767.5 2.5 3.27 7.58 250.0 330 O2A digunakan untuk tekanan puncak awan, fluoresensi di atas tanah
Oa16 778.75 15 4.22 9.18 277.5 812 Atmosfer/aerosol
Oa17 865 20 2.88 6.17 229.5 666 Atmosfer/aerosol, awan, co-registration piksel
Oa18 885 10 2.80 6.00 281.0 395 Band referensi penyerapan uap air, referensi umum dengan instrumen SLST.
Oa19 900 10 2.05 4.73 237.6 308 Pemantauan penyerapan / vegetasi uap air (maks. Pemantulan)
Oa20 940 20 0.94 2.39 171.7 203 Penyerapan uap air, atmos./aerosol corr.
Oa21 1020 40 1.81 3.86 163.7 152 Atmos./aerosol corr

OLCI beroperasi dalam resolusi penuh dengan Kutser et al., 2019), blooming alga (Ogashawara,
resolusi spasial 300 meter, dengan kanal yang 2019; Krasemann, 2016).

Gambar 6. a.) Alga blooming laut Baltik dari OLCI b.) Perbandingan spektrum reflektan
antara data OLCI dan in-situ. (Sumber: Krasemann, 2016)

INDERAJA, Vol. X, No. 12, November 2019 45

 Gambar 7. Citra klorofil-a mozaik 2 mingguan bulan Oktober 2019 dari Satelit Sentinel 3a
dan Sentinel 3b untuk pemantauan kesuburan laut pada Perairan Indonesia dan sekitarnya
(Sumber: Kushardono, 2019a).

3.2. Sensor SLSTR 2018). SLSTR adalah pembaruan dari instrumen

SLSTR S-3 merupakan radiometer dengan dua
scan untuk orbit bumi rendah (ketinggian 800-830
km), memiliki 11 kanal dengan konfigurasi 3 Thermal
Infrared-TIR (panjang gelombang: 3.7, 10.8 dan 12
micron), 2 kanal api-MIR (panjang gelombang: 3.7
dan 10.8 micron) dan 6 gelombang pendek-SWIR
dan cahaya tampak-NIR (panjang gelombang: 2.25,
1.6, 1.375, 0.87, 0.67 dan 0.55 micron) (ACRI-ST,
AATSR pada Envisat dengan cakupan lebih luas,
tumpang tindih dengan OLCI untuk menghasilkan
produk vegetasi yang lebih akurat. SLSTR dalam
pemantauan bidang pesisir dan laut dirancang
untuk pengamatan suhu permukaan laut, suhu
permukaan darat (Jimenez et al., 2018) dan thermal
front (Papoutsa et al., 2018) untuk prediksi daerah
potensi penangkapan ikan.

46 INDERAJA, Vol. X, No. 12, November 2019

 Gambar 8. Citra mozaik 2 mingguan data SLSTR Satelit Sentinel-3 untuk pemantauan
perubahan suhu permukaan laut antara bulan Oktober 2019 dengan Oktober 2018
(Sumber: Kushardono, 2019b)

Gambar 9. Ekstraksi informasi geofisik dari sensor Altimetri

(Sumber: ESA Copernicus, 2019c)

INDERAJA, Vol. X, No. 12, November 2019 47

3.3. Sensor Altimetri
Sensor altimetri pada satelit umumnya berfungsi
untuk memantau topografi, dinamika, dan fenomena
yang terjadi di permukaan laut. Instrumen altimetri
pada Sentinel-3 adalah SRAL, dengan altitude 814.5
km, inklinasi 98.65o, dan frekuensi yang teridiri dari
Ku-band dan C-band. SRAL mengirimkan pulsa-
pulsa secara alternatif pada Ku-Band (13.575 GHz,
bandwith= 350 MHz) sebagai frekuensi utama
untuk pengukuran rentang altimetry dilengkapi
oleh frekuensi C-Band (5.41 GHz, bandwith=320
MHz) yang digunakan untuk mengoreksi rentang
kesalahan keterlambatan karena kerpatan yang
bervariasi dari elektron di ionosfer. Sentinel-3 SRAL
memiliki dua mode operasi: (1) Mode resolusi tinggi
umumnya dikenal dengan SAR; (2) Mode resolusi
rendah (LRM). Misi SRAL selalu dioperasikan
pada mode resolusi tinggi. Mode resolusi rendah
hanya untuk penyokong (Esa Copernicus, 2019c).
Pemanfaatan satelit altimetri: (1) Penentuan topografi
permukaan laut; (2) Penentuan topografi permukaan
es; (3) Penentuan karakteristik arus; (4) Penentuan
tinggi gelombang laut; (5) Studi pasang surut; (6)
Penentuan kecepatan angin di atas permukaan laut
(ESA Copernicus, 2019b)..
4. Penutup
Sentinel-3 adalah instrumen satelit yang
memiliki kemampuan dalam peningkatan analisis
keadaan laut secara operasional, peramalan,
termasuk pemantauan zona pesisir dan laut
serta iklim global. Sentinel-3 memastikan
pengumpulan data jangka panjang produk-produk
data berkualitas dalam pemantauan pesisir dan
laut. Sentinel-3 sebagai satelit yang memiliki
multimisi-instrumen memiliki potensi besar untuk
digunakan memantau kondisi laut dan pesisir di
wilayah Indonesia, harapannya satelit ini dapat
dimanfaatkan sebaik-baiknya dalam mendukung
penyediaan informasi kondisi laut dan pesisir di
Indonesia berkonstalasi dengan satelit lingkungan
S-NPP, NOAA dan MetOP yang beroperasional .
48
Daftar Rujukan
ACRI-ST. (2018). Product Data Format Specification
- SLSTR Level1 Products. (February).
Diambil dari https://sentinel.esa.int/
documents/247904/1872792/Sentinel-3-
SLSTR-Product-Data-Format-Specification-
Level-1.
Blix, K., Li, J., Massicotte, P., & Matsuoka, A. (2019).
Developing a New Machine-Learning
Algorithm for Estimating Chlorophyll-a
Concentration in Optically Complex
Waters: A Case Study for High Northern
Latitude Waters by Using Sentinel 3 OLCI.
Remote Sensing, 11(18), 2076. https://doi.
org/10.3390/rs11182076.
Brown, L. A., Dash, J., Lidón, A. L., Lopez-Baeza,
E., & Dransfeld, S. (2018). Validation of the
sentinel-3 ocean and land colour instrument
(OLCI) terrestrial chlorophyll index (OTCI):
Synergetic exploitation of the sentinel-2
missions. International Geoscience and
Remote Sensing Symposium (IGARSS),
2018-July, 8719–8722. https://doi.
org/10.1109/IGARSS.2018.8518076.
Brown, L. N., Borstad, G. A., Ersahin, K., Loos, E.,
Selbie, D., Costa, M., & Irvine, J. R. (2019).
Satellite-Based Time Series of Chlorophyll
in Chilko Lake, British Columbia, Canada.
Canadian Journal of Remote Sensing,
45(3–4), 1–18. https://doi.org/10.1080/070
38992.2019.1632699.
Donlon, C., Berruti, B., Buongiorno, A., Ferreira,
M. H., Féménias, P., Frerick, J., …
Sciarra, R. (2012). The Global Monitoring
for Environment and Security (GMES)
Sentinel-3 mission. Remote Sensing of
Environment, 120(2012), 37–57. https://
doi.org/10.1016/j.rse.2011.07.024.
ESA Copernicus. (2019a) SENTINEL-3 Altimetry
Covarege. https://sentinel.esa.int/web/
sentinel/user-guides/sentinel-3-altimetry/
applications/geodesy-and-geophysics.
(Diakses: 20 November 2019.
INDERAJA, Vol. X, No. 12, November 2019
ESA Copernicus. (2019b) SENTINEL-3 Geodesy and
Geophysics. https://sentinel.esa.int/web/
sentinel/user-guides/sentinel-3-altimetry/
coverage. (Diakses: 14 November 2019.
ESA Copernicus. (2019c). SENTINEL-3 Overview. h
https://sentinel.esa.int/web/sentinel/missions/
sentinel-3/overview. (Diakses: 15 November
2019).
Jimenez, J. C., Gomis-Cebolla, J., Sobrino, J. A.,
Soria, G., Skokovic, D., Julien, Y.,. Pasapera-
Gonzales, J. J. (2018). Sentinel 2 and 3 for
temperature monitoring over the Amazon.
International Geoscience and Remote
Sensing Symposium (IGARSS), 2018-
July, 5925–5928. https://doi.org/10.1109/
IGARSS.2018.8518130.
Kay, S., Hedley, J. D., & Lavender, S. (2009). Sun glint
correction of high and low spatial resolution
images of aquatic scenes: A review of
methods for visible and near-infrared
wavelengths. Remote Sensing, 1(4), 697–
730. https://doi.org/10.3390/rs1040697.
Krasemann, H. (2016). An image of algal blooms and
ocean eddies were captured by Sentinel-
3A in July 2016. (https://www.eumetsat.
int/website/home/ Images/ImageLibrary/
DAT_3158990.html) Diakses pada 17
November 2019.
Kutser, T., Soomets, T., Toming, K., Uiboupin, R.,
Arikas, A., Vahter, K., & Paavel, B. (2019).
Assessing the Baltic Sea Water Quality with
Sentinel-3 OLCI Imagery. 2018 IEEE/OES
Baltic International Symposium, BALTIC
2018, (September 2017), 1–6. https://doi.
org/10.1109/BALTIC.2018.8634849.
Kushardono, D. (2019a). Kesuburan laut pada
Perairan Indonesia dan sekitarnya dilihat
dari citra klorofil-a mozaik 2 mingguan
bulan Oktober 2019 dari data Satelit
Sentinel 3a dan Sentinel 3b. https://web.
facebook.com/photo.php?fbid=302483521
INDERAJA, Vol. X, No. 12, November 2019
View publication stats
0865401&set=a.1955715584444041&typ
e=3&theater&_rdc=1&_rdr. (Diakses pada
19 November 2019).
Kushardono, D. (2019b). Dinamika perubahan
suhu permukaan laut dipantau melalui citra
mozaik 2 mingguan data band thermal
Satelit Sentinel-3, nampak pada bulan
Oktober 2019 dibanding bulan yang sama
tahun 2018. https://web.facebook.com/
photo.php?fbid=3028921217123467&set
=a.1955715584444041&type=3&theater.
(Diakses pada 19 November 2019).
Ogashawara, I. (2019). The Use of Sentinel-3
Imagery to Monitor Cyanobacterial
Blooms. Environments, 6(6), 60. https://
doi.org/10.3390/environments6060060.
Papoutsa, C., Miltiadou, M., Karathanassi, V.,
Kolokousis, P., Lafon, V., Sykas, D., …
Hadjimitsis, D. (2018). Detection of marine
fronts: a comparison between different
approaches applied on the SST product
derived from Sentinel-3 data. 12. https://
doi.org/10.1117/12.2324126.
Rajeesh, R., & Dwarakish, G. S. (2015). Satellite
Oceanography– A review. Aquatic
Procedia, 4(Icwrcoe), 165–172. https://doi.
org/10.1016/j.aqpro.2015.02.023.
Song, K., Li, L., Tedesco, L. P., Li, S., Duan, H., Liu,
D., … Zhao, Y. (2013). Remote estimation of
chlorophyll-a in turbid inland waters: Three-
band model versus GA-PLS model. Remote
Sensing of Environment, 136, 342–357.
https://doi.org/10.1016/j.rse.2013.05.017.
Watanabe, F. S. Y., Alcântara, E., & Stech, J. L.
(2018). High performance of chlorophyll-a
prediction algorithms based on simulated
OLCI Sentinel-3A bands in cyanobacteria-
dominated inland waters. Advances in
Space Research, 62(2), 265–273. https://
doi.org/10.1016/j.asr.2018.04.024.
49