This study was designed to examine the spatial and temporal capabilities of ESA’s OLCI on the Sentinel-3A platform to monitor the water quality parameters: chlorophyll-a, turbidity, and CDOM in the Baltic Sea when compared to more traditional monitoring techniques such as monitoring by ship or mooring. The measurement frequency of OLCI/Sentinel-3A data is also compared to the frequency of MERIS/ENVISAT data (from 2008 and 2010).

OLCI S3A full resolution level 2 data from 2017 and 2018 of the NW Baltic proper’s coastal region was processed to remove pixels of low data quality using predetermined flags. The number of valid scenes per year was determined and the level 2 products: chlorophyll-a (chl_NN), turbidity (derived from TSM_NN), and CDOM (using ADG_443_NN as a proxy) were calculated by averaging the values of 9 pixels surrounding, and including, a central sampling site.  These measurements were then compared to paired in situ measurements, taken on the same day +/- 3 hours of satellite overpass, to examine the correspondence and variability between measurements. Measurements from a WetLabs WQM mooring were also examined and compared to in situ measurements. Pearson’s correlation was used to determine covariance between OLCI S3A’s measurements and in situ measurements and mean normalized bias, root mean square error, and mean absolute percentage difference were used to evaluate the performance of OLCI S3A and the optical mooring compared to in situ measurements.

OLCI S3A produced a higher number of valid observations per month than its predecessor MERIS for both stations: B1 and BY31.  It also produced more valid observations per month at stations B1 and BY31 than ship-based monitoring teams. OLCI S3A’s current method of processing underestimated chlorophyll-a concentrations (MNB = -7%, RMSE = 40%, APD = 49%, r = 0.48, p < .00001, N = 156) especially if chlorophyll-a concentrations were measured during peak production periods. The optical mooring showed a much higher correlation but more relative error and bias (MNB = -39%, RMSE = 43%, APD = 39%, r = 0.94, p < 0.00001, N = 12) also underestimating chlorophyll-a concentrations.  OLCI S3A’s current ocean color processing method drastically overestimates turbidity (MNB = 189%, RMSE = 1011%, APD = 214%, r = 0.55, p = .000097, N = 45) whereas the optical mooring showed good agreement with in situ measurements and less variability (MNB = 21%, RMSE = 26%, APD = 21%, r = 0.69, p = 0.0132, N = 17). Lastly, OLCI S3A was strongly correlated to in situ CDOM values (MNB = -5%, RMSE = 37%, APD = 51%, r = 0.82, p < 0.00001, N = 36).

Overall, OLCI shows improved retrieval of chl-a at values below 10 mgl^-1  as well as improved CDOM retrieval than MERIS (underestimation of about 40% vs. about 60-75%). Turbidity is highly overestimated, but can be corrected either using in situ data for calibration, or by applying the regional TSM-specific scatter before converting to turbidity. 

Denna studie var utformad för att undersöka de egenskaper  Europeiska rymdorganisationens OLCI, på satelliten Sentinel-3A, har att övervaka rumsliga och temporära färgparametrar i havet. Specifikt undersöktes klorofyll-a, turbiditet och CDOM (humusämnen/brunifiering ) i Östersjön och jämfördes med mer traditionella övervakningstekniker såsom bojar med mätstationer och övervakning från båt. Mätfrekvensen för OLCI/Sentinel-3A-data jämförs också med frekvensen av data från MERIS/ENVISAT från 2008 och 2010.

Nivå 2 bilder från OLCI, specifikt från 2017 och 2018 med full upplösning, av nordvästra egentliga Östersjöns kust granskades för att ta bort pixlar samt bilder med förutbestämda egenskaper. Efter att antalet giltiga bilder per år kartlagts så beräknades klorofyll-a (chl_NN), turbiditet (härlett från TSM_NN) och CDOM (genom att använda ADG_443_NN som en proxy) för dessa bilder. Det gjordes genom att ta ett medelvärde för nio pixlar som inkluderade en provtagningsplats och dess omgivande pixlar. Dessa mätningar jämfördes sedan med parade in situ- mätningar tagna samma dag ±3 timmar av satellitens passering för att undersöka variationen mellan metodernas mätningar. Mätningar från Wetlabs WQM-boj analyserades också, och jämfördes med in situ-mätningar. För att bestämma kovarians mellan mätningar från OLCI och in situ användes Pearsons korrelation. Medelvärden av MNB (mean normalized bias), RMSE (root mean square error) och APD (absolute percentage difference) användes för att analysera prestandan för OLCI och mätboj jämfört med in situ-mätningar.

OLCI producerade ett högre antal giltliga observationer per månad än sin föregångare MERIS för både station B1 och BY31. Den producerade även fler giltliga observationer per månad vid både B1 och BY31 än vad övervakningsteam från båt gjorde. Den nuvarande bildbehandlingen av OLCI underskattade koncentrationen av klorofyll-a (RMSE = 40%, MNB = -7%, APD = 49%, r = 0,48, p < 0,00001, N = 156) speciellt om koncentrationen av klorofyll-a mättes under perioderna med störst produktion. Mätbojen visade en betydligt högre korrelation, men med en större error och bias (RMSE = 43%, MNB = -39%, APD = 39%, r = 0,94, p < 0,00001, N = 12), och även den underskattade koncentrationen av klorofyll-a. Den nuvarande metoden att analysera havets färgparametrar via OLCI överskattade drastiskt turbiditet (RMSE = 1011%, MNB = 189%, APD = 214%, r = 0,55, p = 0,000097, N = 45) medan mätbojen hade en lägre varians (RMSE = 26%, MNB = 21%, APD = 21%, r = 0,69, p = 0,0132, N = 17). Slutligen var OLCI starkt korrelerad med in situ CDOM-värden (RMSE = 37%, MNB = -5%, APD = 51%, r = 0,82, p < 0,00001, N = 36).

Ytterligare studier behövs för att avgöra om den mer specifika  rumsliga och temporära data som erbjuds av OLCI på Sentinel-3A är värda de fel som skapas av variationen i värdena av klorofyll-a och CDOM. Mätningarna för turbiditet är för närvarande oanvändbara och analysmetoden behöver omvärderas för Östersjön.