Análisis Comparativo Entre Clorofila-a Satelital E in Situ en El Ecosistema De Afloramiento Peruano, Entre 1998 – 2007

Abstract

ResumenEl ecosistema de afloramiento peruano posee una alta variabilidad espacial y temporal en su producción primaria, que puede ser inferida a partir de observaciones de clorofila-a in situ y vía satélite. Las diferencias entre la clorofila-a in situ del IMARPE (Cla i ) y clorofila-a satelital del SeaWiFS (Cla s ) fueron estudiadas usando valores coincidentes en el espacio y tiempo, para conocer la relación entre Cla i y Cla s a partir de un modelo de regresión lineal simple. Asimismo, se determinó el ajuste entre ambas observaciones en las diferentes estaciones del año, calculando la raíz del cuadrado medio del error. La hipótesis fue que las observaciones de Cla i sobreestiman la variabilidad de Cla i y que en verano hay un mejor ajuste entre los valores de Cla i y Cla s , respecto a las otras estaciones del año. La ecuación general que relaciona ambas variables fue: Cla i = 0.9925 Cla s 0.9055 . Se encontró que el ajuste con transformación log 10 fue máximo en primavera (r = 0.84, RCME = 0.31) y mínimo en otoño (r = 0.72, RCME = 0.37). La clorofila-a fue sobreestimada en condiciones de verano y otoño, y subestimada en invierno y primavera por el SeaWiFS. Palabras clave: clorofila-a, SeaWiFS, modelo de regresión, afloramiento, Perú. AbstractThe Peruvian upwelling ecosystem has a high spatial and temporal variability in its primary production that could be inferred from in situ and satellite observations of chlorophyll. The differences between in situ (Cla i ) from IMARPE and satellite chlorophyll-a (Cla s ) from SeaWiFS data were studied using spatial and temporal coincident values, to know the relationship between Cla i and Cla s values from a simple linear regression model. Also, the goodness of fit between both observations during each season was calculated using the square root mean error. The hypothesis was that the Cla s observations overestimated the Cla i values and that in summer there is a better goodness of fit between Cla i and Cla s data, compared to other seasons. The general equation obtained relating both variables was: Cla i = 0.9925 Cla s 0.9055 . The goodness of fit between both data sources with a log 10 transformation was higher in spring (r = 0.84, RCME = 0.31) than in summer (r = 0.82, RCME = 0.33). The chlorophyll-a was overestimated in summer and fall, while it was underestimated in winter and spring by SeaWiFS satellite.

Análisis comparativo de la clorofila-a del sensor Modis-Aqua con datos in situ frente a la costa peruana durante el verano 2018

“…These areas experience less influence from phytoplankton and other organic and inorganic particles. Overall, the correlation coefficient of R 2 = 0.664 falls within the range observed in other studies (Campbell & O'Reilly, 2006;Quispe et al, 2010).…”

“…Las aguas fuera de la plataforma continental (Caso I) tienen mayor correlación (R 2 de 0,613), debido a sus propiedades ópticas más estables y a estar alejadas de las regiones costeras (Caso II), además tienen poca influencia del fitoplancton y otras partículas orgánicas e inorgánicas. En general, la correlación R 2 = 0,664 se encuentra en el rango de otros trabajos (Campbell & O'Reilly, 2006;Quispe et al, 2010).…”

“…A nivel global, Turpie et al (2012) realizaron la comparación de clorofila-a del sensor VIIRS (Visible Infrared Imaging Radiometer Suite) con observaciones in situ, confirmando que cuando obtenemos valores altos de clorofila-a in situ, el sensor VIIRS los subestima y cuando son valores bajos se sobreestiman; mientras que el sensor SeaWiFS subestima los valores de reflectancia de las bandas de longitud de onda central de 412, 443 y 670 nm (Pinkerton et al, 2003). Frente a la costa peruana, los estudios comparativos entre el sensor SeaWiFS con datos de clorofila-a in situ señalan que los datos de satélite sobreestiman los valores durante el verano y otoño y los subestiman en invierno y primavera (Quispe et al, 2010).…”

Evaluating the performance of the OC5 algorithm of IFREMER for the highly turbid waters of Río de la Plata

“…Method 1 (M1) corresponds to a CV > 0.2 (BAILEY; WERDELL, 2006), whereas method 2 (M2) corresponds to a CV > 0.4. We also used a third method (M3) consisting of the determination of the nearest neighbor, in which the field observation is compared to the nearest pixel (QUISPE et al, 2010 where cov. represents the covariance and SD, the standard deviation.…”

“…Prior to the comparison, the field and satellite data were transformed to their base 10 logarithm; this improves the distribution of errors (QUISPE et al, 2010) because the bio-optical data have lognormal distribution (CAMPBELL, 1995). Finally, scatterplots were drawn and the quadratic coefficients of determination or squared correlation coefficients (R 2 ) were calculated.…”