Характеристики световых полей в водах арктических морей России по данным судовых измерений и численного моделирования тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Дерягин Дмитрий Николаевич

• Дерягин Дмитрий Николаевич
• кандидат наук
• 2025

Оглавление диссертации кандидат наук Дерягин Дмитрий Николаевич

СПИСОК СОКРАЩЕНИЙ

ВВЕДЕНИЕ

ГЛАВА 1. ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАНЕЕ ПРОВЕДЕННЫХ ИССЛЕДОВАНИЙ

ОПТИЧЕСКИХ ХАРАКТЕРИСТИК АРКТИЧЕСКИХ МОРЕЙ

1.1 Гидрооптические характеристики

1.2. Оптические исследования в Арктике

1.3. Приборы и спутниковые методы исследований

1.4. Гидрооптическое моделирование

1.5. Физико-географические особенности исследуемых арктических морей

1.6. Выводы по Главе

ГЛАВА 2. МАТЕРИАЛЫ И МЕТОДЫ ИССЛЕДОВАНИЙ

2.1 Данные экспедиционных измерений, используемые в работе

2.2 Гидрооптические приборы

2.3 База данных судовых измерений

2.4 Гидрооптическое моделирование

2.4.1 Решение прямой задачи

2.4.2 Решение обратной задачи

2.4.3 Региональные алгоритмы

2.5 Оценка ошибок

2.6 Спутниковые данные

2.7 Выводы по Главе

ГЛАВА 3. ВЛИЯНИЕ СТРАТИФИКАЦИИ ГИДРООПТИЧЕСКИХ ХАРАКТЕРИСТИК

НА РАБОТУ СПУТНИКОВЫХ АЛГОРИТМОВ

3.1 Учёт стратификации биооптических характеристик при моделировании вод

второго типа

3.2 Учёт сильного светорассеяния при гидрооптическом моделировании и его влияние

на распределение характеристик световых полей

3.3 Учёт влияния поверхностного опреснённого слоя на распределение характеристик световых полей

3.4 Оценка влияния вариации биооптических характеристик на результаты работы спутниковых биооптических алгоритмов

3.5 Расчёт толщины слоя, формирующего яркость выходящего из воды излучения, в программе HydroLight

3.6 Выводы по Главе

ГЛАВА 4. ВЛИЯНИЕ ИЗМЕНЧИВОСТИ СПЕКТРАЛЬНОГО СОСТАВА

НИСХОДЯЩЕЙ ОБЛУЧЁННОСТИ НА РАСЧЁТ ПЕРВИЧНОЙ ПРОДУКЦИИ

4.1 Форма спектров облучённости поверхности моря

4.2 Влияние формы спектров облучённости поверхности моря в Арктике на оценку эффективного поглощения света фитопланктоном

4.3 Выводы по Главе

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

СПИСОК СОКРАЩЕНИЙ

АИ - НИС «Академик Иоффе»

АМК - НИС «Академик Мстислав Келдыш»

БД - база данных

ИО РАН - Институт океанологии им. П.П. Ширшова РАН

КЦ - кокколитофоридное цветение

ЛОО - Лаборатория оптики океана ИО РАН

ОАК - оптически активные компоненты

ОРОВ - окрашенное растворенное органическое вещество

ПГХ - первичные гидрооптические характеристики

ПОС - поверхностный опресненный слой

ПП - первичная продукция

ПРО-1 - плавающий спектрорадиометр

ПУМ-200 - прозрачномер универсальный малогабаритный автономный

УПИ - уравнение переноса излучения

ФАР - фотосинтетически активная радиация

Хл, Chl - хлорофилл а

ЧМ - Чёрное море

HL - HydroLight

ICAM - Integrating Cavity Absorption Meter

MODIS - Moderate Resolution Imaging Spectroradiometer

VIIRS - Visible Infrared Imaging Radiometer Suite

OLCI - Ocean and Land Colour Instrument

QAA - Quasi-Analytical Algorithm

Введение диссертации (часть автореферата) на тему «Характеристики световых полей в водах арктических морей России по данным судовых измерений и численного моделирования»

ВВЕДЕНИЕ

Актуальность исследования. Световое поле — это поле оптического излучения, распространяющегося в водной среде [Шифрин, 1983]. В работе исследуются облучённость и коэффициент яркости моря, которые являются одними из основных характеристик светового поля. Поглощённая морской водой облучённость определяет приток тепловой энергии в водную толщу, а коэффициент яркости — важнейший продукт дистанционного зондирования, позволяющий проводить оценку первичных гидрооптических и биооптических характеристик, в первую очередь, концентрации хлорофилла а. Облучённость обеспечивает организмы энергией для фотосинтеза, от которого зависит уровень первичной продуктивности в арктических морях.

Арктика — это регион, наиболее чувствительный к глобальному потеплению. Потепление воздуха в Арктике происходит значительно быстрее, чем в среднем по планете — по оценкам, в 3-4 раза интенсивнее [AMAP, 2021]. Этот эффект уже привёл к резкому сокращению площади и толщины морского льда [Stroeve et al., 2012; AMAP, 2021], что, в свою очередь, означает поступление большей доли солнечной радиации в океан [Arrigo et al., 2014; Nicolaus et al., 2012] и приводит к ещё большему сокращению ледового покрова. Кроме того, усиленное сезонное прогревание поверхностного слоя арктических морей вызывает более выраженную стратификацию водной толщи [Nummelin et al., 2015; Meredith et al., 2019]. Также в последние годы происходит увеличение годового объёма речного стока [Rawlins and Karmalkar, 2024], что может оказывать существенное влияние на распределение характеристик подводных световых полей. Цветения фитопланктона на меньших глубинах, где их ранее не обнаруживали, свидетельствуют об изменении фотосинтетической активности и теплового баланса арктической экосистемы [Arrigo et al., 2014; Nicolaus et al., 2012]. В условиях происходящих изменений становится необходимым уточнение количественного описания характеристик подводных световых полей для увеличения точности определения коротковолновой компоненты радиационного баланса в системе океан-атмосфера и прогнозирования биопродуктивности в быстро меняющемся арктическом регионе.

Помимо климатических изменений, на арктические моря всё больше оказывает влияние антропогенное воздействие. Активное освоение нефтегазовых месторождений, особенно в Баренцевом и Карском морях, сопровождается риском утечек нефти и загрязнением вод углеводородами [AMAP, 2018]. Рост судоходства по Севморпути и планируемое увеличение перевозок нефти повышают вероятность аварийных разливов [Melia et al., 2016], что угрожает морским экосистемам. Уже сейчас в морской воде и во льдах Арктики обнаруживаются следы промышленного загрязнения [Зайков и Соболев, 2021; Law and Stohl, 2007; AMAP, 2018; Townhill et al., 2022]. Оседание сажи (чёрного углерода) из промышленных выбросов на поверхность снега

и льда снижает альбедо, усиливая поглощение солнечной энергии и потенциально ускоряя таяние льдов [Law and Stohl, 2007]. Полученные данные об оптических характеристиках арктических морей важны для экологического мониторинга, прогноза состояния экосистем и обеспечения безопасного освоения Арктики в условиях меняющейся окружающей среды.

Целью работы является численный расчёт характеристик световых полей в водах арктических морей России с использованием данных судовых измерений, а также исследование процессов распространения излучения в толще морской воды под воздействием различных природных факторов, влияющих на точность работы спутниковых биооптических алгоритмов.

Для осуществления цели работы поставлены и решены следующие задачи:

1) Откалибровать и настроить приборы для измерения характеристик световых полей.

2) Провести судовые измерения характеристик световых полей.

3) Создать базу данных судовых измерений.

4) Настроить гидрооптическую модель в программе HydroLight для вод в условиях кокколитофоридного цветения с учётом стратификации гидрооптических характеристик.

5) Настроить гидрооптическую модель в программе HydroLight для вод, подверженных сильному влиянию речного стока, с учётом стратификации гидрооптических характеристик.

6) Оценить связанные со стратификацией погрешности расчёта биооптических характеристик при решении обратных задач.

7) Оценить точность стандартных и региональных спутниковых алгоритмов определения концентрации хлорофилла а с использованием синтетического набора данных, сгенерированного настроенными гидрооптическими моделями с варьируемыми входными биооптическими характеристиками.

8) Оценить влияние изменчивости спектрального состава облучённости сверху на эффективное поглощение света фитопланктоном.

Научная и практическая значимость исследования. Использование настроенной модели в программе HydroLight позволило, благодаря численному решению уравнения переноса излучения, провести детальную количественную оценку влияния стратификации первичных гидрооптических характеристик и содержания окрашенного растворённого органического вещества на точность работы спутниковых алгоритмов оценки биооптических характеристик. Учет роли этих факторов особенно важен для подверженной сильному влиянию речного стока акватории Карского моря, где подобная оценка ранее не проводилась. Практическая значимость заключается в создании базы данных, которая повышает доступность массива данных судовых

измерений и позволяет более эффективно исследовать гидрооптические характеристики морской воды. Использование настроенных при помощи базы данных моделей для генерации массивов данных с вариациями значений гидрооптических характеристик имеет практическое значение для усовершенствования спутниковых биооптических алгоритмов.

Методы исследования включали в себя комплексные гидрооптические измерения как первичных, так и вторичных гидрооптических характеристик: показателей поглощения и ослабления света морской водой, спектральной облучённости сверху и снизу, облучённости в диапазоне фотосинтетически активной радиации, а также коэффициента яркости моря. На основе измеренных величин проводилась настройка и валидация гидрооптических моделей в программе HydroLight, а также численных методов дискретных ординат и Монте-Карло. При помощи настроенной модели HydroLight и алгоритмов решения обратной задачи проводилась оценка точности работы стандартных и региональных спутниковых биооптических алгоритмов.

Научную новизну исследования составляют основные положения, выносимые на защиту:

1) Разработана процедура настройки гидрооптической модели в программе HydroLight для вод Карского моря с учётом различной стратификации гидрооптических характеристик. Выполнена настройка гидрооптической модели для станций в области влияния поверхностного опреснённого слоя, на границе и вне его, позволяющая учитывать изменчивость условий освещения и параметров стратификации. Критерием настроенности модели является достижение 10%-го различия между результатами расчёта коэффициента яркости моря и облучённости сверху в сравнении с данными судовых измерений.

2) Показано, что региональный алгоритм обеспечивает оценку концентрации хлорофилла а в Карском море с относительной ошибкой менее 50% в водах, где концентрация хлорофилла а превышает 0,5 мг/м3, причём точность сохраняется независимо от вариаций значения показателя поглощения окрашенного растворённого органического вещества — от 0,05 м-1 в открытых акваториях до 0,55 м^ в зонах влияния речного стока, что выявлено на основе результатов гидрооптического моделирования.

3) Установлено, что влияние вариации формы спектров, связанной с селективным светорассеянием в атмосфере при характерном для Арктики низком положении Солнца над горизонтом, при фиксированном значении облучённости в диапазоне фотосинтетически активной радиации (400-700 нм) может приводить к различию значений эффективного поглощения света фитопланктоном до 30% (в среднем различия составляют около 20%), что подтверждается данными судовых измерений.

Достоверность результатов исследования обеспечивается использованием для измерений характеристик световых полей как современной фирменной аппаратуры (гиперспектральный радиометр RAMSES (TriOS, Германия), Li-COR (LI-COR, США), так и проверенного временем плавающего спектрорадиометра ПРО-1, разработанного в Лаборатории оптики океана Института океанологии им. П.П. Ширшова РАН (ИО РАН). Все приборы откалиброваны и отвечают международным стандартам фотометрических измерений. Программное обеспечение HydroLight [Hedley and Mobley, 2019], использованное в работе, является общепризнанным решением для численного расчёта уравнения переноса излучения. Настроенная в HydroLight модель валидирована по результатам проведённых экспедиционных измерений. В качестве спутниковых алгоритмов оценки биооптических характеристик использовались разработанные в Лаборатории оптики океана ИО РАН региональные алгоритмы [Копелевич и др., 2018].

Апробация диссертационной работы. Основные результаты диссертации были представлены на заседании Ученого совета Физического направления Института океанологии им. П.П. Ширшова РАН (в декабре 2024 г. и июне 2025 г.) и докладывались на 10 международных и всероссийских конференциях:

• «Современные проблемы дистанционного зондирования Земли из космоса», ИКИ РАН, Москва, 2021, 2022, 2023 г.;

• X-ой Международной научно-практической конференции «Морские исследования и образование. MARESEDU-2021», ИО РАН, Москва, 2021 г.;

• XXVIII-ом Международном симпозиуме «Оптика атмосферы и океана. Физика атмосферы», Томск, 2022 г. ;

• «Современные проблемы оптики естественных вод», Санкт-Петербург, 2023 г.;

• «Комплексные исследования Мирового океана», Владивосток, 2024 г. ;

Личный вклад автора. Автор участвовал в 5 арктических экспедициях с 2021 по 2024 гг., калибровке и монтаже оборудования для измерения световых полей. Также автор, начиная с 2022 года, принимал участие в ежегодных черноморских экспедициях Лаборатории оптики океана ИО РАН, результаты измерений из которых были использованы для калибровки оборудования перед арктическими рейсами и первичной настройки гидрооптических моделей. Большая часть данных измерений характеристик световых полей на станциях и на ходу судна, на основе которых написана работа, получены и обработаны непосредственно автором. На основе полученных данных автором создана база данных судовых измерений и разработана процедура настройки гидрооптической модели HydroLight для вод второго типа с учётом влияния кокколитофоридного цветения, поверхностного опреснённого слоя и стратификации гидрооптических характеристик,

проведены численные расчёты характеристик световых полей и сравнение их параметров с данными спутниковых сканеров цвета.

Публикации по теме диссертации. По теме диссертации опубликовано 14 работ, в том числе 4 статьи в изданиях из списка, рекомендованного ВАК, и 10 тезисов докладов на российских и международных конференциях.

Статьи, опубликованные в изданиях из перечня ВАК:

1) Юшманова А.В., Дерягин Д.Н., Глуховец Д.И. Учет стратификации биооптических характеристик для расчета световых полей в водах первого типа // Океанологические исследования. — 2022. — Vol. 50. — No. 1. — P. 38-48.

2) Korchemkina E., Deryagin D., Pavlova M., Kostyleva A., Kozlov I.E., Vazyulya S. Advantage of Regional Algorithms for the Chlorophyll-a Concentration Retrieval from In Situ Optical Measurements in the Kara Sea // Journal of Marine Science and Engineering. — 2022. — Vol. 10. — No. 11. — Art. 1587.

3) Vazyulya S., Deryagin D., Glukhovets D., Silkin V., Pautova L. Regional Algorithm for Estimating High Coccolithophore Concentration in the Northeastern Part of the Black Sea // Remote Sensing. — 2023. — Vol. 15. — No. 9. — Art. 2219.

4) Дерягин Д.Н., Вазюля С.В., Глуховец Д.И. Влияние параметров поверхностного слоя в Карском море на точность оценки концентрации хлорофилла-а биооптическими алгоритмами // Фундаментальная и прикладная гидрофизика. 2024. Т. 17. № 3. С. 91101.

Опубликованные тезисы докладов:

1) Дерягин Д.Н., Павлова М.А., Корчемкина Е.Н., Осадчиев А.А., Степанова Н.Б. Измерение коэффициента яркости морской воды в Карском море в августе 2021 г. // Морские исследования и образование: сборник трудов X Международной научно-практической конференции. — Тверь, 2021. — С. 251-254.

2) Дерягин Д.Н., Павлова М.А., Корчемкина Е.Н. Восстановление первичных оптических характеристик по спектрам коэффициента яркости в Карском море в августе 2021 г. // Материалы 19-й Международной конференции «Современные проблемы дистанционного зондирования Земли из космоса». — Москва, 2021. — С. 227.

3) Павлова М.А., Корчёмкина Е.Н., Дерягин Д.Н., Осадчиев А.А., Степанова Н.Б. Сравнение натурных и спутниковых данных коэффициента спектральной яркости в Карском море в августе 2021 г. // Морские исследования и образование: сборник трудов X Международной научно-практической конференции. — Тверь, 2021. — С. 259-262.

4) Дерягин Д.Н., Вазюля С.В. Комплексные гидрооптические измерения в Карском море для валидации спутниковых алгоритмов оценки биооптических параметров морской воды // Материалы 20-й Международной конференции "Современные проблемы дистанционного зондирования Земли из космоса". — Москва, 2022. — С. 157.

5) Вазюля С.В., Юшманова А.В., Дерягин Д.Н., Немировская И.А., Соломатина А.С., Федулов В.Ю. Проверка и модификация спутниковых алгоритмов оценки концентрации взвеси в Карском море // Оптика атмосферы и океана. Физика атмосферы: XXVIII Международный симпозиум. — Томск, 2022. — С. С74-С77.

6) Вазюля С.В., Дерягин Д.Н., Глуховец Д.И., Силкин В.А., Паутова Л.А. Модифицированный алгоритм оценки концентрации кокколитофорид в Черном море по данным дистанционного зондирования в случае интенсивного цветения // Материалы 21 -й Международной конференции "Современные проблемы дистанционного зондирования Земли из космоса". — Москва, 2023. — С. 195.

7) Дерягин Д.Н., Вазюля С.В. Настройка гидрооптической модели вод второго типа в Карском море при наличии поверхностного опресненного слоя // Современные проблемы оптики естественных вод: труды XII Всероссийской конференции с международным участием. — 2023. — С. 111-116.

8) Дерягин Д.Н., Глуховец Д.И. Влияние толщины поверхностного опреснённого слоя в Карском море на толщину слоя, формирующего спектральную яркость выходящего из воды излучения // Материалы 21-й Международной конференции "Современные проблемы дистанционного зондирования Земли из космоса". — Москва, 2023. — С. 201.

9) Павлова М.А., Глуховец Д.И., Дерягин Д.Н. Биооптические характеристики вод Карского моря в октябре-ноябре 2023 г. // Комплексные исследования Мирового океана: материалы VIII Всероссийской научной конференции молодых ученых. — Владивосток, 2024. — С. 603-604.

10) Дерягин Д.Н., Глуховец Д.И. Суточные изменения спектрального состава нисходящего потока излучения в Карском море // Комплексные исследования Мирового океана: материалы VIII Всероссийской научной конференции молодых ученых. — Владивосток, 2024. — С. 581-582.

Объем и структура диссертации. Диссертация состоит из Введения, 4 глав и Заключения. Работа изложена на 106 страницах текста, содержит 41 рисунок и 3 таблицы. Список литературы насчитывает 141 наименование.

В первой главе рассмотрены гидрооптические характеристики, методы гидрооптических измерений и спутниковых наблюдений, проведён обзор основных результатов предыдущих исследований оптических характеристик российских арктических морей, а также кратко освещено гидрооптическое моделирование.

Вторая глава посвящена описанию материалов и методов исследования, включая подробную характеристику используемых приборов (спектрорадиометры Li-COR и RAMSES, плавающий спектрорадиометр ПРО-1, морской палубный спектрофотометр, портативный спектрофотометр с интегрирующей сферой ICAM, прозрачномер ПУМ-200), а также созданию базы данных судовых измерений. Отдельно рассмотрены методы гидрооптического моделирования, использующиеся для решения прямых и обратных задач, а также оценка ошибок измерений и обработки спутниковых данных.

Третья глава посвящена изучению влияния стратификации гидрооптических характеристик на работу спутниковых алгоритмов, включая учёт стратификации при моделировании вод второго типа, сильного светорассеяния и поверхностного опреснённого слоя. Также проводится количественная оценка влияния вариаций биооптических характеристик на точность спутниковых алгоритмов и расчёт толщины слоя, формирующего яркость выходящего из воды излучения.

В четвертой главе исследуется влияние изменчивости спектрального состава нисходящей облучённости на расчёт первичной продукции, анализируется форма спектров облучённости поверхности моря и их влияние на эффективность поглощения света фитопланктоном. В Заключении обобщены основные результаты и сделаны выводы по работе.

Благодарности.

Автор выражает благодарность всему коллективу Лаборатории оптики океана, а также своему научному руководителю - кандидату физико-математических наук, заведующему Лабораторией оптики океана ИО РАН Дмитрию Ильичу Глуховцу за ценные замечания и внимательное руководство работой.

ГЛАВА 1. ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАНЕЕ ПРОВЕДЕННЫХ ИССЛЕДОВАНИИ ОПТИЧЕСКИХ ХАРАКТЕРИСТИК АРКТИЧЕСКИХ МОРЕЙ

1.1 Гидрооптические характеристики

Для описания результатов, полученных в работе, необходимо ввести ряд радиометрических и оптических величин. Определения в настоящей диссертации введены на основе отечественной [Шифрин, 1983] и международной литературы по оптике океана и соответствуют современным международным стандартам [МоЬ1еу, 2022].

Световым полем не только в оптике океана, но и в физической оптике в целом называют совокупность излучения во всех направлениях в каждой точке пространства, то есть пространственно-угловое распределение энергии света. Впервые этот термин ввёл А.А. Гершун [Гершун, 1936], рассматривая свет в среде как набор векторов, приходящих в данную точку со всех направлений, с длинами, пропорциональными энергетической яркости в этих направлениях. Интегрирование этого распределения по всем направлениям даёт скалярную величину — сферическую облучённость. Таким образом, Гершун определил понятия сферической облучённости (энергии света со всех направлений) и плоской облучённости (энергии, падающей на площадку) для количественного описания светового поля. Он же установил фундаментальную зависимость (закон Гершуна):

— (Ей(г,Л) -Еи(г,Л)) = -а(г,Л)Е0(г,Л) [Вт - м-3 • нм-1], ах

где 2 — вертикальная координата, Е^ и Еи — плоская облучённость единичной площадки сверху и снизу соответственно (также нисходящая и восходящая далее по тексту), Л — длина волны излучения, а — показатель поглощения света морской водой, Е0 — сферическая облучённость. Закон Гершуна, опубликованный в 1939 г., связывает между собой основные характеристики светового поля и является частным случаем уравнения переноса излучения (УПИ).

В гидрооптике облучённость Е определяется как плотность потока излучения, падающая в единицу времени на единицу поверхности. Аналогично Гершуну, различают плоскую облучённость для заданной ориентированной площадки (обычно горизонтальной) и сферическую облучённость — суммарный поток со всех направлений на сферическую поверхность. В гидрооптике наиболее часто рассматриваются плоская нисходящая и восходящая облучённости. Нисходящая облучённость Еа(г) — это поток излучения, падающий на горизонтальную площадку, находящуюся на глубине 2 сверху (из верхней полусферы). Соответственно, восходящая облучённость Еи(г) — поток, попадающий на площадку, ориентированную в обратную сторону (из нижней полусферы). Нисходящая облучённость формируется прямым и диффузным солнечным излучением, проникающими в воду, а

восходящая — светом, рассеивающимся в воде вверх, либо отражённым от дна. Облучённость измеряется в ваттах на квадратный метр (Втм-2) в заданном спектральном диапазоне или на определённой длине волны (спектральная облучённость, Втм-2нм-1). В однородной среде, начиная с определённой глубины [Mobley, 2022], её изменение описывается экспоненциальным законом ослабления. Для нисходящего потока это записывается как:

£do) = Ed(0-)exp(-KdZ), где £¿(0—) — облучённость сразу под поверхностью воды, а Kd — показатель диффузного

ослабления нисходящего излучения [Шифрин, 1983]. В отечественной литературе Kd также

называют показателем вертикального ослабления подводной облучённости сверху [Показеев и

Чаплина, 2010].

Аналогично вводится показатель диффузного ослабления восходящей облучённости Ки для описания уменьшения Eu с глубиной.

Показатели диффузного ослабления света имеют размерность обратной длины (м-1) и относятся к числу вторичных гидрооптических характеристик воды, зависящих как от свойств среды, так и от геометрии поля излучения.

При изучении первичной продуктивности (ПП) океана практическую значимость имеет облучённость в фотосинтетически активной части спектра. Фотосинтетически активную радиацию (ФАР) определяют как суммарный поток излучения в диапазоне длин волн 400-700 нм, который используется растениями для фотосинтеза. Облучённость ФАР £фар - это интегральная облучённость в этом спектральном диапазоне:

J Г 700

E(A)dA.

400

В биологии часто используют её в квантовых единицах — как поток фотонов на единицу площади (мкмоль-м~2х-1), однако в гидрооптике используются и энергетические единицы (Втм-2нм-1) [Kirk, 2011]. Граница фотического слоя часто условно определяется глубиной, на которой £фар уменьшается до 1% от подповерхностного значения, с учётом иммерсионного эффекта. В самых чистых океанических водах эта глубина достигает ~100 м [Mobley, 2022]. Для описания вертикального ослабления ФАР вводится величина Кфар , аналогичная Kd . Она определяется как показатель диффузного ослабления потока ФАР по глубине (например, между поверхностью и 1% уровнем). В первом приближении для его оценки можно воспользоваться уравнением

d

^фар(Ю = — ^ ln£^af(z).

Однако с глубиной спектральный состав света изменяется, и локальное значение ^фар также может меняться. Значение ^фар также связано с определением глубины эвфотической

4,6 ,

зоны , которая составляет =-, что корректно в случае отсутствия стратификации

^ФАР

первичных гидрооптических характеристик (ПГХ).

Яркость обозначается Ь [Шифрин, 1983] и количественно характеризует направленное

излучение — это поток излучения, вдоль заданного направления, приходящийся на единицу

телесного угла и единицу площади поперечного сечения пучка:

аф

Ь =

dлcos0d^'

где dФ - поток, проходящий через малую площадку dА , а в - угол, перпендикулярный направлению луча, внутри малого телесного угла dП вокруг данного направления. Энергетическая яркость имеет размерность Втм-2ср-1 (а спектральная яркость — Втм-2ср-1нм-1). Зная распределение Ь(П) в каждой точке, можно вычислить все производные величины (облучённости, показатели диффузного ослабления и т.д.), при помощи интегрирования по углам.

Так, для определения Ей используют интегрирование яркости по углам:

Еа(г,Л) = ¡2п L(z,Л,n)cosвdn, где Ь — энергетическая яркость излучения сверху, в направлении элементарного телесного угла dП с зенитным углом в. Восходящая облучённость определяется аналогичным интегралом по нижней полусфере. Яркость является инвариантной по лучу величиной — в однородной среде без рассеяния её значение вдоль направления распространения остаётся постоянным при отсутствии поглощения. Именно описание изменения яркости лежит в основе УПИ.

В оптике океана используют следующие характеристики яркости: яркость неба ^ку, яркость восходящего потока излучения (над водой) Ьа и яркость излучения, выходящего из воды Ь^. Яркость неба Lsky — это яркость излучения падающего на поверхность моря. Именно Ь^^ может регистрироваться спутниковыми сканерами цвета. Для количественной оценки выходящего из воды излучения используется [Шифрин, 1983] коэффициент яркости водной толщи р(Я), который равен кратному п отношению яркости излучения, выходящей из воды к падающей облучённости:

Ши(0-,Л)

Р(л) = е т-I. ^ ■

Обозначение (0 —) вводится для величины, измеренной под поверхностью, (0 +) — над поверхностью. В международной практике широко используется коэффициент яркости моря [МоЬ1еу, 2022]:

Ьш(Л,0+)

йге(А) =

Еа(Л,0+У

Среди других гидрооптических характеристик коэффициент яркости моря занимает особое место в дистанционном зондировании. В отличие от абсолютной яркости восходящего излучения, величина коэффициента яркости моря меньше зависит от условий внешнего освещения и больше определяется оптическими свойствами морской воды со взвешенными в ней частицами и растворенными веществами. В силу указанных причин, эта величина более устойчива к суточному изменению угла Солнца и поэтому может служить стабильным индикатором биооптических характеристик поверхностных вод. Коэффициент яркости моря более удобен для измерений в экспедиционных условиях, поскольку позволяет обойти технические трудности абсолютных измерений. С этой точки зрения, коэффициент яркости моря является одним из главных параметров, измерение которых должно быть обязательным при проведении подспутниковых экспериментов [Копелевич и др., 2018; Ли и Мартынов, 2000].

Оптические характеристики морской воды зависят от её компонентов — чистой воды, растворённых веществ и взвешенных частиц, такие характеристики в оптике океана называются ПГХ. Показатель поглощения, ослабления, рассеяния света морской водой и индикатриса рассеяния являются ПГХ, полностью определяющими распространение излучения в водной толще [Шифрин, 1983]. Поглощение света морской водой связано с содержащимися в ней окрашенными растворёнными органическими веществами (ОРОВ) и взвешенными частицами, в частности, клетками фитопланктона, а также собственным поглощением воды.

Список литературы диссертационного исследования кандидат наук Дерягин Дмитрий Николаевич, 2025 год

- /

- / /

- / /

- • /

- /

- V • •

- / •

8 /

0 0.5 1 1.5 2 2.5 3 3.5 4

"chl chem'

mg/m3

5 4.5

"б 4 б з

К 2.5

3 2

4

31-5 U j

0.5 0

MHI

-

• 1:1

- /

- /

- /

- /

- /

•

- /

•

0 0.5 1 1.5 2 2.5 3 3.5 4

"chl chem'

mg/m3

Рисунок 23 — Сравнение между измеренной концентрацией Хл (Ссы_лет) и результатами алгоритмов К17 и МГИ [КогЛеткта et а!., 2022]

Учёт удельного поглощения при настройке гидрооптической модели HydroLight (ИЬ) в водах первого типа. Для моделирования Я^(Л-) в водах второго типа недостаточно информации

об одной только концентрации Хл. В зависимости от региона влияние других ОАК (к примеру, взвешенных частиц) на форму спектра может существенно отличаться. Для примера приведена станция 7013 (72,11 с.ш., 33,83 в.д.) в Баренцевом море, измерения на которой произведены в первом этапе 83-го рейса НИС «Академик Мстислав Келдыш» (АМК) в июне 2021 года. Для моделирования спектров коэффициента яркости использовались данные судовых измерений биооптических характеристик поверхностного слоя морской воды и дальнейшее сравнение результатов моделирования с подспутниковыми измерениями ^(Л) с борта судна, а также спутниковыми данными OLCI и MODIS. Для измерения величин ^(Л.) использовался палубный спектрофотометр ASD HandHeld. Значения показателя поглощения взвешенными частицами av(X) измерены при помощи ICAM, также использовались данные концентрации Хл на станции.

Моделирование проводилось в предположении о первом типе исследуемых вод, что позволяет параметризовать значения первичных гидрооптических характеристик (ПГХ) через концентрацию Хл. В этом случае, полученный в результате моделирования спектр Rrs(^), в сравнении с измеренным спектром имеет высокий коэффициент детерминации R2 = 0,97, но в то же время достаточно большую относительную ошибку — 35% (рисунок 24).

-ap(Bricaud) 1 1. -... .11 1.. 1. J

HandHeld

350 400 450 500 550 600 650 700 Длина волны, нм

Рисунок 24 — Результаты моделирования спектров Я^(Л-) для станции 7013, с использованием

стандартных значений ар

Использование спектральных величин удельного показателя поглощения а*(Х), которое определяется как отношение ар(Х) к концентрации Хл, позволяет значительно улучшить результаты моделирования — Я2 = 0,97, относительная ошибка 11%. Полученное улучшение связано с учётом вклада взвешенных частиц. Проведена проверка результатов модельных

расчетов с использованием метода дискретных ординат (DISORT). Эти расчеты выполнены по измеренным спектрам Я^(Л-) и показателя поглощения, а также вертикальным профилям показателя ослабления света морской воды. В результате получены значения показателя рассеяния и индикатриса, что позволило задать отношение спектральных величин Ъъ/Ъ при моделировании в НЬ. В этом случае Я2=0,99, при относительной ошибке 5%. Сравнение результатов моделирования и спутниковых данных ОЬС1 и MODIS демонстрирует хорошее соответствие при использовании а*(Х): Я2 = 0,96 и 0,95 с относительными ошибками 7% и 13% (рисунок 25).

В результате показано, что учет величин удельного показателя поглощения при моделировании спектрального коэффициента яркости моря позволяет существенно повысить точность расчетов в водах первого типа, за счёт учёта вклада взвешенных частиц [Глуховец и др., 2021]. При этом всё ещё используется относительно простая параметризация для первого типа вод.

хЮ"3

— OLCI

-HandHeld AQUA

/Л

\\

350 400 450 500 550 600 650 700 Длина волны, нм

Рисунок 25 — Результаты моделирования спектра Я^(Л) для станции 7013 (12 июня 2021 года в Баренцевом море) с учётом удельного показателя поглощения в сравнении с судовыми и

спутниковыми данными

На спектры Я^(Л) в водах Rrs первого типа также оказывает существенное влияние вертикальное распределение биооптических характеристик. В качестве примера на станции 7013 (12 июня 2021 года в Баренцевом море) профиль концентрации Хл варьировался двумя способами. В первом случае слой толщиной 5 м с значениями Хл = 2 мг/м3 заглубляли от приповерхностного (0-5 м) до глубинного 25-30 м (рисунок 26). Во втором случае изменяли

толщину приповерхностного слоя от 5 до 15 м. Вне этого слоя фоновая концентрация Хл = 0,3 мг/м3 (Хл = 0,51 мг/м3 на станции). Такие концентрации Хл позволяют получить близкие к измеренным величины ослабления на длине волны 530 нм и спектры Я^(Л) (рисунок 26). Наилучшее соответствие между измеренным и модельными спектрами получается при расположении слоя максимального Хл на глубинах 0-5 или 5-10 м. Дальнейшее опускание слоя максимума Хл приводит к заметному увеличению величины Я^(Л) в коротковолновой части спектра (400-420 нм) и почти никак не влияет на Я^(Л) в спектральном диапазоне 450-700 нм. Когда слой находится ниже 15 м, модельный спектр Я^(Л) почти не отличается от рассчитанного для фоновой концентрации Хл. Увеличение толщины приповерхностного слоя максимума Хл с 5 до 10 м приводит к заметному увеличению Я^(Л) в диапазоне 500-600 нм и уменьшению для 400-500 нм. Дальнейшее увеличение толщины до 15 м уже практически не оказывает влияния на спектр Яг*(Л) — это означает, что вариации любых ПГХ глубже не будут оказывать влияния на яркость выходящего из воды излучения и работу спутниковых алгоритмов.

-PRO

"v\f -0-5

5-10

10-15

15-20

- --— - 20-25

- 25-30

\ фоновый Хл

.......... .........ТТ7~ГТ-,-т-,-т-!

длина волны.нм

\

\ - PRO

\ -- 0-5

\ - 0-10

-0-15

- - - фоновый Хл

.......... .............. ~,"Т-,-т-,-т-1

длина волны, нм

Рисунок 26 — Влияние вертикальных профилей концентрации Хл на спектры Rrs(^) для ст. 7013

(12 июня 2021 года в Баренцевом море). Слева: модельные спектры Rrs(^) в сравнении с измеренным in situ (ПРО-1). Пунктиром показан результат расчета для фоновой концентрации Хл. Справа: соответствующие модельные профили ослабления с(530) в сравнении с профилем,

измеренным ПУМ-200

3.1 Учёт стратификации биооптических характеристик при моделировании вод второго

типа

Показатель поглощения морской воды — одна из трех ПГХ, полностью определяющих распространение излучения в водной толще [Шифрин, 1983]. Подводные световые поля влияют на первичную продукцию (1111) и энергетический баланс поверхностного слоя океана [Копелевич и др., 2006; Глуховец и др., 2021; Kirk, 2011]. Поглощение света морской водой связано с растворенным органическим веществом и взвешенными в ней частицами. Исследование выполнялось в водах первого типа [Morel and Prieur, 1977], в которых значения ПГХ можно параметризовать через концентрацию Хл, пренебрегая вкладом остальных растворенных и взвешенных в морской воде компонентов. Подход заключается в расчете распределений ap(X, z) по глубине по результатам судовых измерений вертикальных профилей показателя ослабления морской воды и спектров показателя поглощения взвешенных частиц, измеренных на нескольких горизонтах. По полученным данным можно рассчитать вертикальные профили концентрации Хл. Модельные расчеты параметров световых полей выполнялись с помощью программы HL. Сопоставление результатов этих расчётов с данными судовых измерений показало, что разработанная методика позволяет с хорошей точностью учесть влияние стратификации биооптических характеристик.

Судовые данные получены в 84-м рейсе АМК, проходившем 24 июля - 26 августа 2021 г. в водах Северного Ледовитого океана, удаленных от источников материкового стока. Такие воды могут быть отнесены к первому типу [Morel and Prieur, 1977].

Для расчета вертикальных профилей ap(X, z) по данным измерений на нескольких горизонтах и профилю с(530, z) необходимо найти связь между этими величинами [Юшманова и др., 2022]. Значения показателя ослабления света морской воды с(530) складываются из показателей поглощения и рассеяния. В используемом приближении вод первого типа обе этих величины могут быть заданы как функции концентрации Хл. В частности, спектры поглощения частицами в таких водах определяются главным образом концентрацией этого пигмента [Bricaud et al., 1998]. Это позволяет получить уравнения регрессии между измеренными на одних и тех же глубинах значениями ap(X) и с(530).

Полученное уравнение регрессии:

apcalc(443, z) = 0,13-c(530) - 0,01; используется для расчёта вертикальных профилей показателя поглощения взвешенными

частицами на длине волны 443 нм. Затем выполняется интерполяция (между горизонтами zi с

измеренными на пробах морской воды значениями ap(X, zi)) и экстраполяция (от верхнего

горизонта к поверхности и от нижнего горизонта вниз) для получения apint(A, z). Итоговые значения показателя поглощения взвесью рассчитываются по формуле

gpalc(a,443) intn л ^ Z) = <(я,443) ^P & Z)-

Рассчитанные по данным абсорбционных измерений значения концентрации Хл позволяют провести гидрооптическое моделирование для оценки вертикального профиля фотосинтетически активной радиации (ФАР). В качестве примера такого расчета показаны результаты для станции 7081, выполненной у кромки льда к северо-западу от Шпицбергена 13 августа 2021 г. Ее особенность — пик показателя ослабления морской воды на глубине около 12 м (рисунок 27 (а)). В данном пике прямые измерения показателя поглощения не выполнялись, однако применение разработанной методики позволило получить учитывающие этот пик вертикальные профили значений спектрального показателя поглощения взвешенным веществом с шагом 0,2 м. По этим данным рассчитан профиль концентрации ChlBoss [Boss et al., 2007]. Результат расчёта, а также данные о показателе ослабления и концентрациях Хл, полученными другими способами, приведены на рисунке 27 (а).

Профили ФАР, рассчитанные с использованием различных данных о концентрации Хл, а также измеренный в экспедиции показаны на рисунке 27 (б). Прямые определения концентрации Хл выполнялись на пробах воды с горизонтов 4, 5, 10, 15, 20, 28, 35 и 47 м. В модели HL задавались 95% облачность, зенитный угол Солнца 77°, скорость ветра 5 м/c, что соответствовало условиям проведения судовых измерений. Как видно из рисунка 27 (б), расчет концентрации Хл через спектральные показатели поглощения взвешенными частицами с учетом показателя ослабления позволяет получить профили ФАР, самые близкие к измеренным (ошибка 8%). Расчёт положения нижней границы фотического слоя (1% подповерхностного значения ФАР) по данным прямых измерений составил 40 м, по результатам моделирования с входными параметрами Chlin situ и ChlFlu — 34 м. При использовании результатов, полученных с помощью нашего метода, граница фотического слоя оказалась ближе всего к измеренной — 41 м.

Интересно отметить различия профилей концентрации Хл, полученные по данным флуоресцентных и абсорбционных измерений: пик около 12 м не зарегистрирован флуориметром, но четко проявился в результатах измерения показателя ослабления (рисунок 27 (а)). По-видимому, это объясняется частицами нефитопланктонного происхождения, связанными с таянием льда. Очевидно, что вклад поглощения этих частиц учитывается ошибочно, однако это не приводит к существенным погрешностям в результатах расчета ФАР (рисунок 27).

О 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8

ФАР, мкЭ/(м'с)

Рисунок 27 — (а) профиль показателя ослабления света морской водой (черная линия), результаты прямых определений концентрации Хл (красные точки), профиль СМвсы (зеленым) и профиль Шии (синим), полученный по данным флуоресцентных измерений;

(б) профили ФАР: судовые измерения (черная линия) и результаты моделирования для различных данных о концентрации Хл - по профилю флуоресценции, по СМв озз и по данным прямых определений. Станция 7081, 13 августа 2021 г

3.2 Учёт сильного светорассеяния при гидрооптическом моделировании и его влияние на

распределение характеристик световых полей

Настройка модели HL. Переход к моделированию вод второго типа в Карском море потребует одновременного учёта вклада ОРОВ в поглощение света, а также взвешенных частиц в рассеяние, вместе с Хл и вертикальными распределениями этих трёх компонент, которые могут быть не связаны между собой. Промежуточным этапом для моделирования таких вод может быть моделирование случая с учётом влияния только двух из трёх перечисленных ОАК. Природным примером такого распределения ПГХ являются кокколитофоридные цветения, которые можно встретить в Баренцевом и Чёрном морях.

Такой подход был применён для моделирования интенсивного КЦ в северо-восточной части Чёрного моря для дальнейшей модификации алгоритма оценки концентрации

кокколитофорид по спутниковым данным [Vazyulya et al., 2023]. Настроена модель вод второго типа в HL, где ПГХ определялись для четырёх компонентов — чистой воды, фитопланктона, ОРОВ и нефитопланктонной взвеси, которым были определены соответствующие им ПГХ [Mobley et al., 2004]. Параметры поглощения и рассеяния для чистой воды взяты из [Pope and Fry, 1997; Röttgers et al., 2014]. Оптические свойства компонента, связанного с Хл, параметризованы через его концентрацию. Результаты натурных измерений концентрации Хл на глубинах 1-10 метров показали незначительные (5-10%) изменения, поэтому концентрация задавалась постоянной по глубине. Показатели поглощения и рассеяния вводились с использованием стандартных моделей, доступных в HL [Mobley, 1994; Loisel and Morel, 1998]. Параметры индикатрисы рассеяния соответствовали модели Мореля для «больших частиц» [Morel et al., 2002].

Компонент ОРОВ нерассеивающий. Поглощение ОРОВ рассчитывалось относительно значения показателя поглощения на длине волны 443 нм — ag(443) [Mobley, 1994]. Это значение и спектральный наклон ОРОВ задавались по результатам лабораторных измерений, выполненных с использованием интегрирующей сферы, либо с помощью алгоритма решения обратной задачи GIOP по спектрам Rrsß) [Werdell et al., 2013].

Компонент минеральной взвеси задавался с допущением, что взвесь представлена только клетками кокколитофорид и отдельными кокколитами, что составляет более 99% биомассы в период интенсивного цветения, согласно натурным измерениям [Vazyulya et al., 2023]. Поглощение кокколитофорид и кокколитов не учитывалось, так как оно в несколько раз меньше, чем у Хл и ОРОВ. Использовалось типичное для цветения кокколитофорид значение доли обратного рассеяния: bb/b = 0,02 [Tyrrell et al., 1999], а показатель рассеяния света b(X) задавался выражением:

b(X) = b0(550/A)m.

Параметры b0 и m определялись таким образом, чтобы спектр bb(A) соответствовал результатам декомпозиции спектров Rrs(X) с использованием алгоритма GIOP. Также задавалась глубина однородного приповерхностного слоя с кокколитофоридами Zcoc, ниже которого концентрация кокколитофорид считалась нулевой.

На рисунке 28 (a) показано сравнение параметров рассеяния b0 и m, рассчитанных с использованием GIOP по спутниковым и натурным спектрам Rrs(A). В этом случае использовались все доступные спутниковые спектры. Коэффициент детерминации R2 линейной корреляции составил 0,49, что позволяет определить параметр m на основе значения b0:

m =1,274-0,067 • b0.

Параметр ¿0 хорошо коррелирует с концентрацией Лсс_с1 (общая концентрация клеток кокколитофорид и отделившихся кокколитов) по результатам прямых измерений (¿0 = 0,207 • Лсс_с1, Я2 = 0,62, рисунок 28б). Здесь использовались только спутниковые спектры с разницей по времени измерений менее 8 часов. Если расширить набор спутниковых данных, увеличив временной интервал до 32 часов, то Я2 снизится до 0,49, а уравнение корреляции немного изменится: ¿0 = 0,212 • Лсс_с1. Однако, как видно из рисунка 28б), данные за 2017 и 2022 годы существенно отличаются по расположению относительно линии регрессии для общего набора, что можно объяснить различными фазами цветения, зафиксированными при натурных измерениях в эти годы. Если строить регрессию отдельно по каждому году, то для 2017 года получим: ¿0 = 0,245 • Лсс_с1, а для 2022 — ¿0 = 0,145 • Лсс_с1.

0 0.5 1 1.5 2 2.5 3 3.5 0 2 4 6 8 10 12 14 16

b0 GIOP, m"1 NCC_C|, 106 Cells L"1

Рисунок 28 — Сравнение параметров рассеяния и концентрации кокколитофорид: а — параметры bo и m для рассеяния назад кокколитофоридами, рассчитанные по алгоритму

GIOP; б — показатель bo и концентрация Ж;с_с1.

Сплошные прямые линии — линейные регрессии. [Vazyulya et al., 2023]

Кокколитофоридные цветения в Чёрном море. В 2017 году интенсивное кокколитофоридное цветение, представленное одним видом Emiliania huxleyi, наблюдалось на всех станциях — от шельфа до станций над глубинами более 1500 м. Максимальное количество кокколитофорид превышало 9106 клеток л-1, их вклад в общую биомассу фитопланктона составлял более 99%. Цветение кокколитофорид наблюдалось в верхнем перемешанном слое.

Медианная концентрация клеток кокколитофорид по всем горизонтам отбора проб составляла 6-106 клеток •л-1, по двум верхним — 7-106 клетокл-1.

В 2022 году цветение кокколитофорид в целом было менее интенсивным, хотя аномально высокое значение 13 106 клетокл-1 было зафиксировано на одной из станций. Цветение также наблюдалось на всех станциях континентального шельфа и склона и регистрировалось в верхнем перемешанном слое. Медианная концентрация клеток кокколитофорид по всем горизонтам отбора проб составила 4106 клетокл-1, по двум верхним — 5,4-106 клетокл-1.

Медианное значение отношения Nci/Ncc (отношение концентрации отделившихся кокколитов к концентрации клеток кокколитофорид) по всем глубинам в 2017 году составило 11,5, по двум верхним — 15,0; в 2022 году по всем глубинам — 1,3, по двум верхним — 2,2. Такое значительное различие в значении отношения Nci/Ncc, по-видимому, связано с различиями в фазе цветения в эти два года. В июне 2022 года цветение находилось на более ранней стадии, при которой наблюдалось значительно меньше отделившихся кокколитов; в июне 2017 года измерения проводились ближе к завершению цветения, и количество отделившихся кокколитов превышало количество целых клеток кокколитофорид.

Чувствительность алгоритма Ncoc к вариациям биооптических характеристик. На рисунке 29 представлено сравнение измеренных и моделируемых спектров Rrs(^) на примере станции 1_22 (11.06.2022, 44,56° с.ш., 37,96° в.д.) и станции 3_17 (08.06.2017, 44,48° с.ш., 37,85° в.д.). Для станции 1_22 модельные спектры сравниваются с натурными измерениями Rrs(^), для станции 3_17 — со спектром по данным MODIS Terra. Концентрация Жх_с1 по результатам прямых измерений на станции 1_22 составила 5,2-106 клетокл-1, а на станции 3_17 — 11,6-106 клетокл-1. При этом для станции 1_22 наилучшее согласие модельного спектра с измеренным достигалось при Zcoc = 10 м, тогда как в случае более интенсивного цветения на станции 3_17 спектр совпадал при Zcoc = 5 м. Для обеих станций была рассчитана величина Zcoc*, при которой все модельные спектры с Zcoc > Zcoc* практически не отличались от спектра, полученного при Zcoc*. Это указывает на то, что спектр Rrs(^) формируется верхним слоем водной толщи толщиной Zcoc*. Для станций, представленных на рисунке 29, Zcoc* составила 15 и 10 м соответственно.

Рисунок 29 — Результаты моделирования спектров Rrs(^) с использованием программного обеспечения HL при изменении значений Zcoc (a), Хл (b) и ОРОВ (с) по данным станций 1_22 (верхний ряд) и 3_17 (нижний ряд). Обозначение Chl/CDOM 'X' относится к случаю X-кратного увеличения концентрации Хл или ag(443) [Vazyulya et al., 2023]

Для оценки устойчивости регионального алгоритма оценки концентрации кокколитофорид к вариациям концентрации Хл и содержанию ОРОВ были выполнены дополнительные модельные расчёты (рисунок 29, центральный и правый столбцы). Эти вариации задавались как множитель к исходным значениям Хл и ag(443), при которых достигалось наилучшее совпадение с измеренными спектрами Rrs(^). Влияние изменения ОРОВ на спектр RrS(A) более заметно, чем изменение Хл (рисунок 29). Это объясняется тем, что обусловленное ОРОВ поглощение в северо-восточной части Чёрного моря, как правило, значительно превышает поглощение фитопланктоном. При изменении значения Хл на 50% наблюдается лишь незначительное изменение спектров Rrs(^), тогда как при таком же относительном уменьшении ОРОВ происходит не только значительное увеличение Rrs(^), но и заметное изменение формы спектра. Эта форма характерна для спектров КЦ в Баренцевом море [Kopelevich et al., 2020], где содержание ОРОВ значительно ниже, чем в Чёрном море. Только при таком низком содержании ОРОВ или при значительном увеличении Хл (в 3-5 раз) проявляется максимум поглощения

фитопланктоном вблизи 450 нм в форме небольшого провала спектра Rrs(^) около этой длины волны.

Новые значения множителя для учёта вклада кокколитофорид в обратное рассеяние (Kcoc) по результатам моделирования в HL. С использованием настроенной гидрооптической модели были выполнены расчёты Rrs(X) для пяти значений Nx_ci: 2, 4, 7, 10 и 15106 клетокл-1. Для каждого значения концентрации N^jci варьировались значения Хл (0,3, 0,5 и 0,8 мг л-1) и ОРОВ (0,03, 0,05 и 0,08 м-1), чтобы охватить наиболее вероятный диапазон изменений этих ОАК, типичных для северо-восточной части Чёрного моря [Копелевич и др., 2018], [http://optics.ocean.ru]. Расчёты проводились при условии однородного распределения кокколитофорид в слое глубиной 15 м, что в целом соответствует результатам выполненных натурных измерений вертикальных профилей показателя ослабления света с(530).

Таким образом, были получены 45 спектров Rrs(^), к которым был применён региональный алгоритм оценки концентрации Ncoc [Kopelevich et al., 2014]. Сравнение исходных значений Nx_ci, использованных в расчётах HL, и полученных оценок Ncoc представлено на рисунке 30. Если использовать значения параметров Kcoc, Km (множитель вклада терригенной взвеси) и bbp_bg (фоновое значение обратного рассеяния частицами), определённые в работе [Kopelevich et al., 2014], то оценки Ncoc (отмечены розовыми кружками) заметно варьируются в ответ на изменения содержания ОАК. При этом получаются завышенные оценки Ncoc для Nx_ci = 15-106 клетокл-1 и заниженные (в ряде случаев даже отрицательные) — для Nx_ci = 2-106 клетокл-1. Такой результат обусловлен тем, что в нашей модели HL не учитывается вклад терригенной взвеси, происхождение которой связано с речным стоком, а также с фоновым значением bbp, параметризуемым через значение bbp_bg.

Поэтому были рассчитаны оценки Ncoc для случая Kriv = 0 и bbp_bg = 0 (синие кружки на рисунке 30). В этом случае влияние ОАК практически исчезает, однако для всех данных Mx_ci получаются завышенные значения Ncoc, причём завышение увеличивается пропорционально Nx_ci, что указывает на некорректное значение Kcoc. Для наилучшего соответствия исходных значений Nx_ci с результатами оценки Ncoc используется значение 4,36-10-3 (на рисунке 30 — красные кружки).

Н ус!го1Г

Рисунок 30 — Сравнение исходных значений Мх_с1, использованных в расчётах ИЬ, и полученных оценок N000 в зависимости от параметров регионального алгоритма. Кружки обозначают отдельные расчёты, сплошные линии — линейные регрессии, пунктирная линия —

идеальное соответствие 1:1 [Уа2уи1уа й а1., 2023]

На рисунке 30 также показаны оценки Ncoc для случаев Kriv = 0 (синим цветом) и ¿bp_bg = 0 (зелёным цветом). Дело в том, что полученные в этих случаях результаты близки к вариантам Kriv = 0 и ¿bp_bg = 0 и исходному алгоритму [Tyrrell et al., 2004], соответственно, это указывает на то, что влияние значения ¿bp_bg на результаты алгоритма существенно меньше, чем влияние Kriv.

Для используемых данных наблюдаются заметные различия в зависимости от года. Поэтому были выполнены аналогичные расчёты наборов спектров ^(Л), но с использованием уравнений, связывающих ¿0 и Ncc_cl, полученных отдельно для данных 2017 и 2022 годов. Эти массивы данных позволили получить ещё два варианта значения Kcoc: 5,13-10"3 для 2017 года и 3,10-10"3 для 2022 года. При этом первое значение Kcoc почти в два раза превышает ранее полученную оценку [Holligan et al., 1993], тогда как второе — очень близко к ней.

На основе полученных оценок был модифицирован алгоритм оценки концентрации кокколитофорид. На рисунке 31 приведено сравнение распределений оценок концентрации Ncoc, рассчитанных по старому алгоритму [Kopelevich et al., 2014] и новому алгоритму 2023 года для всей акватории Чёрного моря. Для построения рисунка были использованы данные двух пролётов спутника VIIRS: 12 июня 2017 года и 17 июня 2022 года, что позволило охватить практически всю акваторию Чёрного моря и сопоставить данные со временем проведения

экспедиций в эти годы. Для обоих изображений сравнение двух алгоритмов показывает, что основное различие между их результатами проявляется прежде всего в областях, подверженных влиянию речного стока — например, вблизи устья реки Дунай или в Азовском море. Также наблюдаются заметные различия в зонах с низкой концентрацией Лсос. Особенно это выражено для 2022 года в центральной части моря, где по алгоритму 2014 года КЦ не наблюдалось, тогда как модифицированный алгоритм указывает на его наличие (Лсос > 106 клетокл-1).

28°Е 32°Е 36°Е 40°Е 28°Е 32°Е 36°Е 40°Е

Рисунок 31 — Пространственные распределения Лсос в Чёрном море, рассчитанные по алгоритмам 2014 и 2023 годов. Слева — данные спутника VПRS от 12.06.2017, справа —

данные от 17.06.2022 [Vazyulya et я!., 2023]

Кроме того, на рисунке 31 показаны различия в КЦ в исследуемые годы. В 2017 году интенсивное КЦ с Ncoc > 4-106 клеток л-1 охватывает практически всю акваторию Чёрного моря (за исключением северо-западного шельфа). В 2022 году экстремально высокие значения Ncoc > 15-106 клетокл-1 наблюдались у северо-восточного побережья, однако в остальной части Чёрного моря КЦ было менее интенсивным или отсутствовало.

Поскольку модификация алгоритма Ncoc в условиях интенсивного КЦ была выполнена на основе данных натурных измерений на относительно небольшой акватории в северо-восточной части Чёрного моря, новый алгоритм может быть неприменим для всего моря. Для оценки различий в работе двух алгоритмов в восточной части моря были выбраны данные MODIS Terra за 8 июня 2017 года (рисунок 32). Следует отметить, что была выбрана другая шкала Ncoc. Так как в восточной части моря отсутствуют такие крупные реки, как Дунай и Днепр, различия между двумя алгоритмами проявляются только в области относительно низких значений Ncoc. Кроме

того, стоит отметить, что несмотря на очень интенсивное КЦ у северо-восточного побережья в 2022 году, спутниковые значения Ncoc в районе отбора проб у Геленджика были явно ниже, чем в 2017 году. Таким образом, различия в спутниковых оценках КЦ у Геленджика согласуются с данными натурных измерений.

Algorithm 2014 Algorithm 2023

Рисунок 32 — Сравнение пространственных распределений Ncoc в восточной части Чёрного моря, рассчитанных по алгоритмам 2014 и 2023 года. Верхний ряд — данные MODIS Terra от 06.08.2017, нижний ряд — данные VIIRS от 17.06.2022 [Vazyulya et al., 2023]

Таким образом, новый алгоритм даёт более точные оценки в условиях интенсивного КЦ и при отсутствии сильного влияния терригенной взвеси. Однако для областей, подверженных значительному речному стоку, а также в условиях слабого КЦ (Мсос < 3-106 клетокл-1), следует использовать предыдущую версию алгоритма. Для настройки регионального алгоритма в таких водах необходимо проведение комплексных судовых измерений, включая натурное определение концентрации кокколитофорид. Следует отметить, что спектральные вариации коэффициента яркости моря во время кокколитофоридных цветений в западной части Чёрного моря, находящейся под влиянием речного стока, были проанализированы в [Са22аш§а et а1., 2021] по

данным спектрорадиометрической сети AERONET-OC. Тем не менее, в работе отсутствовали данные натурных измерений концентрации кокколитофорид, что типично и для ряда других публикаций [Kubryakov et al., 2019; Kubryakov et al., 2021; Kubryakova et al., 2021; Востоков и др., 2019; Vostokova et al., 2022] из-за сложности таких измерений.

3.3 Учёт влияния поверхностного опреснённого слоя на распределение характеристик

световых полей

Настройка модели HL. При дальнейшем переходе к моделированию вод в Карском море, в области влияния ПОС была использована модель для вод 2 оптического типа [Loisel and Morel, 1998], состоящая из 4-х компонентов. Параметры компонентов в программе HL для станций 7440 и 6240 были подобраны так, чтобы моделируемые спектр Я^(Л-) и профиль с(530) соответствовали измеренным, за счёт минимизации СКО между ними. Для станции 6241 параметры подбирались на основе соответствия моделируемых и измеренных профилей с(530) и ФАР.

Поглощение и рассеяние чистой морской водой в HL для этих станций задавались стандартным образом [Pope and Fry, 1997; Rottgers et al., 2014]. Оптические свойства фитопланктонной взвеси были параметризованы с помощью Хл. Параметры поглощения для всех станций определены с использованием стандартных моделей, доступных в HL [Mobley, 1994]. По данным натурных измерений для станции 7440, на поверхности и глубине 13 метров величины Хл равны 0,4 мг/м3. Учитывая это и однородный профиль с(530) в слое 0-13 м, модельное значение Хл принято постоянным для всех глубин. Такое упрощение применимо для моделирования коэффициента яркости при относительно высоких значениях показателя поглощения, поскольку вклад водной толщи ниже 13 метров в яркость выходящего из воды излучения незначителен. На станциях 6240 и 6241 Хл меняется значительно на различных горизонтах (от 0,2 до 3,6 мг/м3). Для определения профиля Хл на этих станциях использованы измерения на горизонтах и профили флуоресценции. При помощи полученной корреляции для концентрации Хл и значений флуоресценции был восстановлен профиль Хл для этих станций.

Стандартные модели поглощения фитопланктоном в HL разработаны для вод первого типа, без учёта особенностей распределения ПГХ в арктическом регионе [Mobley, 1994]. Поэтому для станции 7440 был опробован другой способ моделирования гидрооптических характеристик фитопланктона. Во втором варианте модели в программе HL поглощение фитопланктонной взвесью определялось при помощи спектра удельного поглощения ap*(A):

ap*(l) = ap(X) / Хл,

где спектр поглощения взвесью ap(X) был получен в результате измерений ICAM. Такой вариант модели на рисунке 33 и далее в тексте обозначен как HL_ICAM, стандартный обозначен

как HL. Параметры индикатрисы рассеяния фитопланктонной взвесью определены с помощью модели Мореля для "крупных частиц" [Morel et al., 2002].

Величина ag(443) и показатель наклона спектра ОРОВ определены по результатам измерений ICAM, их значения использовались для настройки гидрооптической модели каждой станции.

Поглощение нефитопланктонной взвесью для станций 6240, 6241 и в случае HL для станции 7440 считалось незначительным по сравнению с поглощением ОРОВ, а в HL_ICAM учитывалось за счет вклада в спектр ap(X). Показатель рассеяния взвешенными частицами в HL задаётся следующим образом:

ВД = bpo х X х (Ao/A)m.

Параметры в формуле, а также величина отношения показателя рассеяния назад к общему показателю рассеяния bbp/bp были подобраны так, чтобы обеспечить наилучшее соответствие модельных и измеренных спектров Я^(Л-), профилей с(530) и ФАР. Величина bbp/bp определяет индикатрису рассеяния нефитопланктонной взвесью. Значения параметров bbp/bp, bpo и m указаны в таблице 2. Множитель X для всех станций подбирался относительно измеренных профилей с(530). Таким образом, индикатриса рассеяния морской воды в моделях формируется вкладами трёх компонент — фитопланктонной и нефитопланктонной взвеси, а также чистой водой [Mobley, 1994].

Таблица 2 — Параметры моделирования рассеяния нефитопланктонной взвесью

Станция bbp/bp m bpo, м-1

6240 0,02 0,8 0,2

6241 0,013 0,8 0,2

7440_HL 0,014 0,663 0,48

7440_ICAM 0,016 1,5 0,48

Рассчитанные спектры профили с(530) и ФАР для моделей ПГХ представлены на

рисунке 33. Все моделируемые спектры и профили демонстрируют хорошее соответствие данным измерений. Средняя относительная ошибка полученных радиометрических величин не превышает 10%, что соответствует точности контактных измерений. Для станции 7440 оба варианта моделирования поглощения фитопланктонной взвесью дают близкие значения

Рисунок 33 — Слева: сравнение профилей с(530): моделируемого при помощи НЬ и измеренного ПУМ-200, для станций 7440, 6240 и 6241 сверху-вниз соответственно. Справа: сравнение спектров ^(Л) моделируемого при помощи НЬ и измеренного ПРО-1 (верхние два графика), сравнение моделируемого и измеренного профиля ФАР (нижний график)

3.4 Оценка влияния вариации биооптических характеристик на результаты работы

спутниковых биооптических алгоритмов

На основе измеренных в Карском море спектров ^(Л) проведена оценка точности работы стандартных и региональных спутниковых биооптических алгоритмов оценки концентрации Хл.

В исследовании чувствительности алгоритмов оценки Хл к изменчивости различных биооптических характеристик на основе настроенной в Карском море модели ИЬ использовались региональный регрессионный алгоритм ИО РАН К17 [Беш1ёоу et а1., 2017] и полуаналитический алгоритм GЮP ^егёе11 et а1., 2013].

Региональный регрессионный алгоритм К17 разработан на основе данных натурных измерений Хл в 2007-2015 гг. и близких по времени данных измерений спутникового сканера

цвета океана MODIS. Вычисление Хл проводится по регрессионной формуле через индекс цвета Я^(531)/Я^(547). В сравнении с предыдущей версией регионального алгоритма [Кузнецова и др., 2013], К17 позволяет с лучшей точностью делать оценки Хл по спутниковым данным для вод с Хл < 1 мг/м3.

Алгоритм GЮP позволяет рассчитать спектральные показатели поглощения и рассеяния назад компонентами морской воды. При этом разделяется поглощение ОРОВ и фитопланктоном. Для расчётов при помощи GЮP используются спектры в диапазоне 400-700 нм. Оценка Хл выполняется через величину показателя поглощения фитопланктоном с помощью модели [Впсаиё Й а1., 1998]. В качестве исходного значения Хл задавалась величина, полученная при помощи алгоритма К17.

Для оценки точности алгоритмов оценки Хл использована модель ИЬ_1СЛМ, настроенная для станции 7440, так как на этой станции наблюдался наиболее простой случай двухслойной стратификаций. Оптимальные параметры модели Хл* = 0,4 мг/м3, о^*(443) = 0,2 м-1 позволили получить наилучшее соответствие с данными измерений. С вариацией значений этих параметров, рассчитаны наборы модельных спектров Диапазон изменений Хл составил

0,2-1,6 мг/м3, 0^(443) — 0,06-0,54 м-1.

На рисунке 34 сравниваются значения концентрации Хл, использованные при моделировании и рассчитанные с помощью исследуемых алгоритмов ИОР и К17. Для

обоих алгоритмов диапазон восстановленных значений Хл значительно отличается от используемого при моделировании. Если модельный Хл варьировался в диапазоне 0,2-1,6 мг/м3, то восстановленные с помощью К17 величины Хл менялись от 0,7 до 1,0 мг/м3, при использовании ИОР диапазон оценок Хл составил 1,0-3,5 мг/м3.

При данных значениях о^*(443) и ¿0, полученные оценки К17 близки к модельным в диапазоне 0,6-1,0 мг/м3, занижены для модельных Хл > 1 мг/м3 и завышены для Хл < 0,6 мг/м3. В результате относительные ошибки восстановления Хл этим алгоритмом не превышали 50% для Хл > 0,5 мг/м3. Для вод с Хл < 0,5 мг/м3 согласно расчетам по модельным спектрам относительная точность К17 (>100%) далека от приемлемой.

Алгоритм ИОР плохо справляется с задачей оценки концентрации Хл для Карского моря. Это обусловлено, прежде всего, малым вкладом поглощения фитопланктоном в поглощение оптическими активными компонентами.

модельньи

Рисунок 34 — Сопоставление величин концентрации Хл, задаваемых в модели и восстановленных с помощью алгоритмов О1ОР и К17. Пунктир — линия идеального соответствия 1:1. Использована гидрооптическая модель ИЬ_1СЛМ для станции 7440

Чтобы более детально изучить чувствительность рассматриваемых алгоритмов в водах с большей концентрацией Хл, проведены модельные расчеты спектров Я^(^) для Хл, равных 1,0 и 1,5 мг/м3. Оценки Хл, рассчитанные с помощью исследуемых алгоритмов для трех модельных значений Хл в зависимости от содержания ОРОВ, представлены на рисунке 35.

Рисунок 35 — Оценки Хл в зависимости от величин 0^(443), используемых в модельных расчетах спектров Ягэ(^). Слева представлены результаты для алгоритма К17, справа — ОЮР. Цветными сплошными линями показаны модельные величины Хл. Использована гидрооптическая модель ЫЬ_!СЛМ для станции 7440

Независимо от алгоритма и величины модельного Хл, увеличение ag(443) приводит к возрастанию значений Хл. Для GIOP даже для самой малой модельной величины ag(443) = 0,06 м-1 оценки Хл завышены почти в 2 раза. С ростом ag(443) значения восстановленного Хл получаются больше модельных значений Хл уже в 3-5 раз.

В случае использования K17 для модельного Хл = 0,4 мг/м3 близкие оценки Хл получаются только для малых величин ag(443). Для модельного Хл = 1 мг/м3 минимальные ошибки оценки Хл получаются при ag(443) в диапазоне 0,2-0,4 м-1, а для Хл = 1,5 мг/м3 — при более высоких величинах ag(443) > 0,5 м-1. Что свидетельствует о том, что регрессионный алгоритм K17, разработанный по данным измерений в Карском море, учитывает характерное соответствие между величинами Хл и ОРОВ в этом море. Близость получаемых с помощью регионального алгоритма оценок Хл в области больших значений ag(443) приводит к тому, что даже в области сильного влияния речного стока этот алгоритм в отличие от стандартного не будет показывать аномально высоких значений Хл. Это безусловно следует отнести к преимуществам регионального алгоритма.

Расчет Хл в зависимости от толщины h верхнего слоя с большим содержанием ОРОВ и нефитопланктонной взвеси показал, что при увеличении h от 0 до 4 м получаемые оценки Хл для обоих алгоритмов растут. Это связано с ростом значений ag(443) в слое, где формируется выходящее из воды излучение. Для h > 4 м различия получаемых оценок Хл составляют менее 10%.

3.5 Расчёт толщины слоя, формирующего яркость выходящего из воды излучения, в

программе HydroLight

Для исследования влияния речного стока, в частности, толщины ПОС на результат работы биооптических спутниковых алгоритмов необходимо иметь представление о толщине слоя воды, которую "видит" спутник. В работе [Gordon and McCluney,1975] предлагается считать нижней границей этого слоя глубину Z90, выше которой формируется 90% выходящего из-под поверхности излучения. Величину Z90 можно определить для настроенной модели в программе HL напрямую, варьируя глубину с полностью поглощающим "чёрным" дном до тех пор, пока яркость выходящего из воды излучения Lw не будет соответствовать значению 0,9Lw в случае "бесконечно глубокого" океана. Результаты расчётов Z90 по модели HL станции 7440, для длин волн, используемых в алгоритме К17: Z90(531) = 6,7 м, Z90(547) = 6,9 м. При более тонком поверхностном слое, подверженном влиянию речного стока, водная толща под ним будет оказывать влияние на результаты измерений ^(Л) спутниковыми сканерами цвета и, соответственно, на дальнейшие расчёты значений биооптических характеристик поверхностного

слоя морской воды. Пример расчёта Z90 для длины волны 531 нм показан на рисунке 36. В дальнейшем предложенный метод расчёта позволит провести оценку влияния толщины ПОС на точность восстановления биооптических характеристик по спутниковым данным. Известен другой способ оценки влияния стратификации на точность биооптических алгоритмов [Gordon and Clark 1980; Zaneveld et al., 2005; Lipinskaya et al., 2023], он требует дополнительных расчётов.

б х Ю-4

2.5 5.0 7.5 10.0 12.5 15.0 17.5 Глубина "чёрного" дна,м

Рисунок 36 — Определение глубины Z90, путём изменения глубины "чёрного дна". Синими точками модельные вариации глубины дна. Красной штриховой линией обозначена глубина,

при которой достигнуто значение 0,9-^ (красная точка) в случае бесконечной глубины. Зелёная линия — интерполяция между модельными точками, для нахождения точного значения Z90

3.6 Выводы по Главе 3

1) Разработана оригинальная методика настройки гидрооптической модели в программе ИЬ, включающая учет вертикального распределения гидрооптических характеристик и удельного показателя поглощения, что существенно повышает точность моделирования параметров световых полей в водах первого оптического типа и позволяет осуществлять моделирование в водах второго типа в условиях влияния ПОС в Карском море.

2) Учёт стратификации биооптических характеристик при моделировании в ИЬ позволяет получить близкие к измеренным профили ФАР (ошибка 8%). Рассчитанная граница фотического слоя 41 м получилась близка к измеренной — 40 м.

3) Настроена гидрооптическая модель вод второго типа для Чёрного моря в условиях интенсивного кокколитофоридного цветения. При помощи модели модифицирован региональный алгоритм оценки концентрации кокколитофорид для Чёрного моря.

4) Для трёх станций в Карском море, выбранных внутри, на границе и вне ПОС, настроены гидрооптические модели для вод второго типа. Полученные результаты с хорошей точностью (средняя относительная ошибка менее 10%) воспроизводят измеренные в экспедициях спектры коэффициента яркости моря, а также профили показателя ослабления света морской водой и ФАР.

5) При помощи настроенных гидрооптических моделей в Карском море проведена оценка чувствительности биооптических алгоритмов определения концентрации Хл к изменению величин показателя поглощения ОРОВ в интервалах значений этих параметров, характерных для акватории Карского моря. Региональный алгоритм К17 позволяет получать оценки Хл с относительной ошибкой менее 50% для вод с Хл > 0,5 мг/м3 независимо от количества ОРОВ. Алгоритм ОЮР не позволяет оценивать вклад поглощения фитопланктоном с достаточной точностью.

6) Реализован численный метод определения Z90, необходимый для исследования влияния толщины поверхностного слоя Карского моря на определяемые по данным спутниковых сканеров цвета значения биооптических характеристик.

ГЛАВА 4. ВЛИЯНИЕ ИЗМЕНЧИВОСТИ СПЕКТРАЛЬНОГО СОСТАВА НИСХОДЯЩЕЙ ОБЛУЧЁННОСТИ НА РАСЧЁТ ПЕРВИЧНОЙ ПРОДУКЦИИ

В настоящей главе исследуется влияние изменчивости спектрального состава нисходящей облучённости и то, какие ошибки эти вариации могут вносить в оценку эффективного поглощения света фитопланктоном, которая является частью моделей первичной продукции (ПП).

Фотосинтетически активная радиация (ФАР) и спектральный состав облучённости сверху Ed(À) в толще морской воды [Mobley, 1994; Kirk, 2011], наряду с биотическими факторами, играют ключевую роль в формировании ПП — одной из важнейших характеристик морской экосистемы [Falkowski and Raven 2007; Demidov et al., 2017]. В работе [Behrenfeld and Falkowski, 1997] сделан обзор основных алгоритмов оценки ПП. Несмотря на то, что с 1997 появлялись новые модели, существенных концептуальных изменений в них не произошло [Bélanger et al., 2015]. Применяемые в настоящее время модели для оценки величины ПП [Bélanger et al., 2015; Ryan-Keogh et al., 2023; Westberry et al., 2023], зачастую используют интегральные или мгновенные значения ФАР, без учёта спектрального состава излучения. Существуют и спектральные модели для оценки ПП [Sathyendranath et al., 1989; Morel, 1991; Lee et al., 1998], однако они реже используются ввиду большей сложности и необходимости информации о спектральном составе Ed на поверхности и под водой [Kettle and Merchant, 2008; Gregg and Rousseaux, 2016; Lobanova et al., 2018]. Такая информация доступна благодаря спутниковым измерениям миссии PACE (Plankton, Aerosol, Cloud, ocean Ecosystem) и автономным буям БиоАрго [Claustre et al., 2010; Organelli et al., 2017; Werdell et al., 2019]. Однако их возможности ограничены — данные о Ed не входят в стандартный набор спутниковых продуктов, а большинство буев Био-Арго измеряют Ed только на нескольких длинах волн (380, 412 и 490 нм). Кроме того, буи отсутствуют в российском секторе Арктики. Поэтому для повышения точности оценки ПП за счёт учёта вариаций спектрального состава Ed в поглощении света фитопланктоном и влияния их спектральных особенностей на эффективность фотосинтеза необходимы судовые измерения спектров Ed.

Одна и та же величина ФАР может быть сформирована различными спектрами Ed(X), что влияет на эффективное поглощение света фитопланктоном [Чурилова и др., 2021], поскольку фотосинтезирующий пигмент фитопланктона хлорофилл а (Хл) имеет максимумы поглощения в синей (440-460 нм) и красной (660-680 нм) областях спектра [Bricaud et al., 2004]. Соотношение красного и синего света в спектре Ed(X) влияет на пигменты фитопланктона: при доминировании красного излучения наблюдается усиление фотоингибирования [Bélanger et al., 2015; Ryan-Keogh

et al., 2023], тогда как синий свет стимулирует ПП [Humphrey, 1983; Vadiveloo et al., 2015; Lee et al., 2024]. В Арктике, где на протяжении большей части года регистрируются малые углы Солнца над горизонтом (<15° осенью, 23-47° в летний сезон), происходит не только снижение общей интенсивности ФАР, но и изменение спектрального состава Ed(A).

Интерес представляет исследование суточного хода и межсуточных изменений спектрального состава Ed(A) в Карском и Баренцевом морях, влияния различий в спектральном составе излучения на оценки эффективного поглощения света фитопланктоном и величину ошибок, связанных с отсутствием учёта такого влияния, а также частоту встречаемости таких ошибок.

4.1 Форма спектров облучённости поверхности моря

Измерения спектрального состава нисходящей облучённости проводились в ходе 89-го, 92-го, 95-го рейсов НИС «Академик Мстислав Келдыш» (АМК 89, АМК 92, АМК 95) в Карском и Баренцевом морях [Кравчишина и др., 2023; Флинт и др., 2024], в июне-ноябре 2022-2024 гг. В качестве инструмента для проведения измерений использовался установленный на палубе гиперспектральный спектрорадиометр RAMSES [Heuermann et al., 1999] в корпусе, стабилизирующем датчик по вертикали. Диапазон измерения облучённости — от 318 до 952 нм, с разрешением 5 нанометров. Перед измерениями проведена калибровка прибора на фотометрическом стенде, при помощи галогеновой лампы FEL-05 - вторичного эталона яркости. Относительная ошибка измерений после калибровки находится в пределах 5-7%. Измерение спектров Ed(A) выполнялось автоматически на ходу судна, в светлое время суток, с периодичностью раз в 5 минут в 89-м рейсе и раз в 1 минуту в 92-м и 95-м рейсах. Величины Ed из мВтм-2нм-1 были пересчитаны в значения ФАР (мкмольм-2с-1). Значения ФАР рассчитывались стандартным образом, путём интегрирования спектра Ed(A), учитывая энергию кванта света [Morel and Smith, 1974].

Среднемесячные значения ФАР в рейсах варьировались от 42 мкмольм-2с-1 в ноябре до 1610 мкмольм-2с-1 в июле. Величины средних, медианных и максимальных мгновенных доз ФАР для каждого рейса приведены в Таблице 3.

Значения суточной дозы ФАР в экспедициях изменялись от минимальных значений 0,03 мольм-2сутки-1 в октябре-ноябре до максимальных 65 мольм-2сутки-1 в июне-июле. Такой резкий перепад величин, наблюдаемый в течение нескольких месяцев, характерен для высокоширотных экосистем и существенно превышает диапазон изменений в акваториях умеренных широт.

Таблица 3 — Максимальные, средние и медианные значения потоков ФАР для использованных в работе наборов данных о спектральной облучённости

Рейс АМК89 АМК92 АМК95

Даты 2022-09-05 2022-10-05 2023-10-05 2023-11-05 2024-06-23 2024-07-21

Максимальный поток ФАР, мкмоль-м-2-с-1 1205 614 1610

Средний поток ФАР, мкмоль-м-2-с-1 160 42 347

Медианный поток ФАР, мкмоль-м-2-с-1 96 22 268

Для количественного сравнения спектров Ed(A) введён индекс цвета, определяемый выражением

ci= qdffldi

od(A) dA

Выбор этих интервалов длин волн обусловлен отсутствием в них значимых линий поглощения газов, из которых состоит атмосфера Земли [Goody, 1989].

Такой подход позволяет оценить "красноту" спектра. Смещение большей части излучения в красную область (600-700 нм) связано с рассеянием в атмосфере при малых углах Солнца над горизонтом, когда солнечный диск не закрыт облаками, а отраженный облачностью свет вносит вклад в приходящее к приёмнику излучение. На рисунке 37 показан пример пары спектров с наибольшим отношением индексов цвета во всём наборе данных, при отличии в величине ФАР не более 0,1 мкмольм-2с-1, то есть при практически одинаковом уровне ФАР. При этом максимумы интенсивности EdQ.) находятся в противоположных частях спектра. Существование таких спектров показывает, насколько существенными могут быть вариации спектрального состава Ed(A) в высоких широтах. В процессе измерений были получены не единичные примеры таких спектров, они регистрировались в интервале от нескольких минут до нескольких часов.

120

I 100

80

<а во

1и 40

20

ж Л

/1/ ] г \ | ч

1 / " /V 1 / V 1Г

/ / 1

/ У

и 1

9Л?* 1-10-06 09:12:20 М1-04 07:21:00

202;

300 400 500 600 700 800 900 Длина волны, нм

Рисунок 37 — Спектры Ed(Л,) с наибольшим отношением индексов цвета, найденные в массиве данных, при различии в величине ФАР менее 0,1 мкмольм-2с-1. Оранжевой линии соответствует значение индекса цвета С1 = 1,67; синей — С1 = 0,48

4.2 Влияние формы спектров облучённости поверхности моря в Арктике на оценку эффективного поглощения света фитопланктоном

Для оценки влияния спектрального состава нисходящей облучённости на эффективное поглощение света фитопланктоном [Чурилова и др., 2021] введена величина е. Эта величина представляет собой относительную разницу (в процентах) в эффективности поглощения, возникающую при использовании одного спектра по сравнению с другим, и рассчитывается по аналогии с относительной ошибкой.

Величиной эффективного поглощения света фитопланктоном был принят интеграл произведения спектра Еа(Я) на спектр поглощения света пигментами фитопланктона aph(Л,) как в работе [Чурилова и др., 2021], но без дополнительной нормировки. Использовался стандартный спектр aph(Л.), при концентрации Хл = 1 мкг/л [Bricаud et я1., 2004]. Спектр aph(A) при расчётах не менялся. Для дальнейшего расчёта е для любой выбранной пары спектров Ed(A)l и Ed(A)2, считалась величина эффективного поглощения для каждого спектра из этой пары, Е1 и Е2 соответственно:

700

Е1,2 = | (^№1,2 * Орлш) ¿Л.

400

После этого при сравнении двух выбранных спектров расчёт е происходил по следующей формуле:

Е1 — Е2 £ = „ 2 * 100%.

Е

1

Такой подход позволяет не только сопоставлять два спектра с разными отношениями индексов цвета, но и сравнивать все спектры с некоторым стандартным или наиболее типичным, "опорным" спектром Е^.

По описанной выше методике обработано 54736 спектров. Были исключены спектры, измеренные во время нахождения Солнца под горизонтом, из-за малости потока ФАР. Для каждого спектра рассчитаны соответствующие ему значение ФАР и индекс цвета. Как набор данных с опорными спектрами 8 были выбраны измерения 24-25 июня 2024 года (72-73° с.ш., значения ФАР изменялись в диапазоне от 60 до 1200 мкмольм-2с-1), когда в течение суток наблюдалось ясное небо.

Для каждого спектра из набора данных в опорном наборе подбиралась пара: выбирался спектр с максимальным отношением индексов цвета при условии, что разница в ФАР между ними не превышает 10%. Такое различие соответствует удвоенной точности измерений ФАР, проводимых при помощи датчиков RAMSES, и позволяет установить, какое максимальное различие в эффективном поглощении может достигаться, в зависимости от изменений спектрального состава Ed(A).

На рисунке 38 показан график зависимости величины ФАР от отношения индексов цвета для пар спектров, найденных способом, описанным выше в этой главе, исключая малые значения ФАР - менее 200 мкмольм-2с-1. График показывает, что при значениях ФАР более 400 мкмольм-2с-1 форма спектров различается меньше и отношение индексов цвета варьируется в интервале 1-1,8, однако для величин ФАР меньше 400 мкмольм-2с-1 одному значению ФАР чаще начинает соответствовать разный спектральный состав излучения. В диапазоне ФАР 200400 мкмольм-2с-1 одному и тому же значению ФАР часто соответствует отношение индексов цвета от 1,8 до 4. В то же время, для Арктики большую часть года характерно низкое положение Солнца над горизонтом и малые значения ФАР. Такая взаимосвязь уровня ФАР и различий в спектральном составе Ed(A) обусловливает необходимость проведения исследования влияния спектрального состава света на эффективное поглощение света фитопланктоном.

Для каждой пары спектров рассчитана относительная ошибка е. На рисунке 39 показан график е в зависимости от величины потока ФАР. График показывает, что с увеличением ФАР величины е уменьшаются, так как большим значениям ФАР соответствует меньший диапазон различий в индексах цвета для выбранных пар. На рисунке 39 также построена логарифмическая регрессия для максимальных значений е, соответствующих различным величинам ФАР. Такая зависимость может служить оценкой сверху для потенциально возможной величины ошибки при оценке разницы эффективного показателя поглощения для различных уровней ФАР.

Использование абсолютных значений ФАР приведёт к соответствующему вкладу в ошибки результатов расчёта моделей ПП.

1600

Г—i 1400

1 о (vi 1200

1

-£) сг юоо-

о

г 800-

о." < 600-

©

400-

Макс, отношение индексов цвета Рисунок 38 — Величина потока ФАР в зависимости от максимального (Макс.) отношения индексов цвета выбранных пар спектров (см. пояснение в тексте). Цветом показано

количество измерений

Рисунок 39 — Зависимость величины потенциальной относительной ошибки е от величины потока ФАР относительно опорного набора данных (24-25 июня 2024 года). Жёлтым выделены точки, выбранные для построения логарифмической регрессии е от ФАР (синяя

линия)

Влияние различий спектрального состава Ed(Л,) на оценку эффективного поглощения света фитопланктоном зависит от частоты встречаемости "более красных" спектров, чем тех, что наблюдаются при ясной погоде. Посчитано количество пар спектров для каждого дня измерений, соответствующих трём различным диапазонам е: 0-10%, 10-20% и >20%. На рисунке 40 приведён пример результатов такого расчёта для июня 2024 г. В отдельные дни процент спектров с е >20% составляет более 14% в количественном отношении, однако для большинства дней характерными являются спектры с е в диапазоне 10-20%. Анализ данных за 2022 и 2023 годы показал, что в 2022 году средняя относительная ошибка составила 11,3%, при этом 11,4% спектров имели относительные ошибки свыше 20%, а в отдельные дни, в сентябре-октябре, их доля достигала 19%. В 2023 году средняя относительная ошибка снизилась до 8,2%, а доля спектров с е >20% составила 7,8%, однако максимальные значения достигали 43,8%, что связано с малыми углами Солнца над горизонтом и частой разрывной облачностью в ноябре. Для 2024 года средняя ошибка (11,5%) и распределение по диапазонам (8,3% спектров с е >20%) соответствуют характерным для летних месяцев сезонным изменениям: более высоким значениям ФАР и более однородной облачности, которая уменьшает спектральную изменчивость Ed(Л,).

Для уменьшения диапазона ошибок моделей ПП целесообразно учитывать сезонную изменчивость спектрального состава Ed(Л.) и ограничения, связанные с использованием средних суточных значений ФАР, полученных в ходе измерений или по данным спутниковых сканеров цвета.

Диапазон ошибки

0-10% I 10-20% м 20%+

° т? а* -Р # т> а4 % ^ * ь Л 41 4 %>• V» -£> -С1 о? а%

Номер дня

Рисунок 40 — Частота встречаемости относительных ошибок в диапазонах 0-10%, 10-20% и

более 20% по дням для июня - июля 2024 года

Арктический регион отличается сильной изменчивостью светового режима в летне-осенний период, что связано с быстрым сходом льда в июне-июле, из-за которого за несколько

недель происходит резкий переход экосистемы от практически полного отсутствия света под ледовым покровом к существенным величинам ФАР [Шошина и Макаревич, 2016]. В осенний (сентябрь - октябрь) и предзимний период (ноябрь), напротив, происходит быстрый переход к малым значениям ФАР (снижение на 70-90% относительно летних значений), за счёт частой облачности (>80% дней) и характерных для высоких широт больших зенитных углов Солнца (>55° в полдень).

Значительная изменчивость доли спектров с «нестандартной» формой (е > 20%) в зависимости от рейса и даты измерений показана на рисунке 41. Так, в рейсе АМК95 (июнь-июль 2024 г.) доля таких спектров редко превышала 5%, тогда как в рейсе АМК89 (сентябрь - октябрь 2022 г.) в отдельные дни (26.09.22, 27.09.22) она достигала 18-19%. Это согласуется с выявленной зависимостью 8 от уровня ФАР: в осенние месяцы, когда значения ФАР снижаются, влияние спектральных вариаций усиливается. Наибольшая доля спектров с е >20% (33%) зафиксирована 4 ноября 2023 г. в рейсе АМК92, что связано с малыми углами Солнца над горизонтом и частой облачностью, характерными для ноября в Арктике. Подобные изменения спектрального состава Ed(X) подчеркивают необходимость учёта при моделировании 1111 не только сезона, но и конкретной метеорологической обстановки.

Представленные в работе результаты получены на основании ряда предположений. Расчёты эффективного поглощения выполнены при фиксированной концентрации Хл и с использованием одного модельного спектра avh(X) [Bricaud et al., 2004]. В природных условиях концентрации Хл и пигментный состав существенно варьируются, что может влиять на форму спектра поглощения. Кроме того, рассматриваются только измерения Ed(A) на поверхности моря, в то время как для оценки изменений светового режима, связанных с вариациями спектрального состава Ed(X) и их влиянием на эффективное поглощение в верхнем перемешанном слое необходимы вертикальные профили Ed(A, z).

Возможным направлением продолжения исследования является создание региональной модели ПП с учётом ошибок, вносимых вариациями спектров Ed(A), в зависимости от сезона и метеорологической обстановки, а также учёт изменений концентрации и состава пигментов при расчётах эффективного поглощения.

Также стоит отметить, что доступный массив данных измерений Ed(A) ограничен, ввиду относительно малого числа экспедиций в полярных регионах, в которых проводятся непрерывные гиперспектральные измерения Ed(A). Для расширения массива данных целесообразно использовать модели переноса излучения в системе "атмосфера-океан", для расчёта возможных вариаций форм спектров Ed(A). Проведённая попытка расчёта при помощи атмосферной модели RADTRANX, доступной в программе HydroLight (HL) [Hedley and Mobley,

2019] показала, что в диапазоне зенитных углов Солнца от 0° до 90°, с вариациями доступных параметров модели не получается смоделировать спектр Е&(Х), с преобладающей интенсивностью в красной области спектра (индекс цвета больше 1). Для использования такого подхода, по-видимому, необходима настройка трехмерной атмосферной модели, позволяющей учитывать неоднородную облачность и сферичность земной поверхности, а также проводить детальную настройку индикатрис атмосферного аэрозоля. В НЬ единственным параметром облачности регулируется лишь доля диффузной части излучения, а также при различных углах Солнца могут быть настроены доля крупной и мелкой фракции аэрозоля в атмосфере и влажность. Эти ограничения не позволяют воспроизвести особенности исследуемых спектров.

Дата дд.мм

Рисунок 41 — Доля спектров с ошибкой более 20% в дневной дозе ФАР для рейсов АМК89

(сверху), АМК92 (посередине) и АМК95 (снизу)

4.3 Выводы по Главе 4

Установлено, что ошибки в оценке эффективного поглощения света фитопланктоном вызванные неучётом спектрального состава Ed(Л.), варьируются в зависимости от уровня ФАР. При значениях ФАР <400 мкмольм-2с-1 ошибки могут достигать 20-40%, тогда как при более высоких значениях (>400 мкмольм-2с-1) они снижаются до <10%. Частота встречаемости ошибок более 20% указывает на выраженную сезонную изменчивость. В осенне-зимний период (сентябрь-ноябрь) доля спектров с ошибками свыше 20% в отдельные дни может достигать 19%, что обусловлено большими зенитными углами Солнца, переменной облачностью и короткой продолжительностью светового дня в Арктике. Анализ данных за 2022-2024 гг. показал, что средние относительные ошибки оценки поглощения варьировались от 8,2% (в 2023 г.) до 11,5% (в 2024 г.) с максимальными значениями до 43,8% в отдельные дни. Использование интегральных значений ФАР в моделях ПП без учёта спектральных вариаций будет приводить к систематическим погрешностям, особенно в условиях низкой освещённости. Использование спектральных моделей в сочетании с данными гиперспектральных измерений позволит снизить ошибки оценки 1111. Полученные результаты подтверждают необходимость интеграции данных о спектральном составе Ed(Л.) в модели ПП для повышения точности оценок в арктических морях, особенно в осенне-зимний период и при низких уровнях ФАР.

ЗАКЛЮЧЕНИЕ

Реализованный в работе комплексный подход к численному расчёту характеристик световых полей в водах арктических морей России позволил объединить данные судовых измерений и результаты численного моделирования. Экспериментальные данные получены в научных экспедициях ИО РАН с 2021 года в Карском море и включают измерения первичных (1 ИХ) и вторичных гидрооптических характеристик, с использованием откалиброванного современного оборудования.

Выносимые на защиту положения были сформулированы во Введении и подтверждаются следующими результатами:

1) Создана база данных судовых измерений гидрооптических характеристик, повышающая доступность данных и эффективность исследований. Выполнены калибровка и настройка измерительного оборудования.

2) Разработана процедура настройки гидрооптической модели ИЬ для Карского моря с учётом стратификации ПГХ, в том числе для условий ПОС. Достигнуто соответствие результатов расчётов судовым измерениям коэффициента яркости и облучённости сверху с точностью до 10%.

3) Показано, что региональный алгоритм для Карского моря обеспечивает оценку концентрации Хл с относительной ошибкой менее 50% при значениях выше 0,5 мг м~3, независимо от уровня содержания ОРОВ.

4) Установлено, что вариация спектрального состава нисходящего потока излучения, связанная с селективным рассеянием в атмосфере при низком положении Солнца в Арктике, может приводить к различию значений эффективного поглощения света фитопланктоном до 30%, среднее различие составляет около 20%.

5) Проведено численное моделирование спектров излучения и анализ влияния кокколитофоридного цветения и поверхностного опреснения на характеристики световых полей в Карском море.

6) Показано влияние толщины ПОС на толщину слоя, формирующего спектральную яркость выходящего из воды излучения в Карском море.

7) Проведена оценка погрешностей расчёта биооптических характеристик, связанных со стратификацией гидрооптических параметров при решении обратных задач дистанционного зондирования.

8) На основе моделирования и судовых измерений выполнена оценка точности стандартных и региональных спутниковых алгоритмов определения концентрации Хл с использованием синтетического набора данных, подтверждена целесообразность применения регионально адаптированных алгоритмов.

9) Установлено, что ошибки в оценке величины эффективного поглощения света фитопланктоном, которая используется в моделях ПП, вызванные неучётом спектрального состава Ed(Л,), варьируются в зависимости от уровня ФАР. При низких значениях ФАР (<400 мкмольм-2с-1) ошибки могут достигать 20-40%, тогда как при высоких значениях (>400 мкмольм-2с-1) они снижаются до менее 10%. Частота встречаемости ошибок, превышающих 20%, демонстрирует выраженную сезонную изменчивость.

Полученные результаты подтверждают эффективность комплексного подхода, использующего судовые измерения и численное моделирование, для изучения и мониторинга гидрооптических и биооптических характеристик арктических морей. Такой подход позволяет решать задачи прогнозирования биопродуктивности и теплосодержания в условиях меняющейся окружающей среды, что имеет важное значение для экологического мониторинга и безопасного освоения Арктики.

СПИСОК ЛИТЕРАТУРЫ

1. Артемьев В. А., Буренков В. И., Вортман М. И., Григорьев А. В., Копелевич О. В., Храпко А. Н. Подспутниковые измерения цвета океана: новый плавающий спектрорадиометр и его метрология // Океанология. — 2000. — Т. 40, № 1. — С. 148155.

2. Артемьев В. А., Таскаев В. Р., Григорьев А. В. Автономный прозрачномер ПУМ-200 // Материалы научной конференции МСОИ «Современные методы и средства океанологических исследований». — 2021. — Т. 1. — С. 95-99.

3. Будак В. П., Желтов В. С., Мешкова Т. В., Нотфуллин Р. Ш. Оценка качества освещения на основе пространственно-углового распределения яркости // Светотехника. — 2017.

— № 3. — С. 17-22.

4. Буренков В. И., Артемьев В. А. 5.2. Вертикальная структура водной толщи Баренцева моря по оптическим данным // Система Баренцева моря / под ред. акад. А. П. Лисицына.

— М.: ГЕОС, 2021. — С. 245-252.

5. Вазюля С. В., Копелевич О. В., Шеберстов С. В., Артемьев В. А. Оценка по спутниковым данным показателей поглощения окрашенного органического вещества и диффузного ослабления солнечного излучения в водах Белого и Карского морей // Современные проблемы дистанционного зондирования Земли из космоса. — 2014. — Т. 11, № 4. — С. 31-41.

6. Ведерников В. И., Демидов А. Б., Судьбин А. И. Первичная продукция и хлорофилл в Карском море в сентябре 1993 г. // Океанология. — 1995. — Т. 35, № 3. — С. 376-387.

7. Востоков С. В., Лобковский Л. И., Востокова А. С., Соловьев Д. М. Сезонная и межгодовая изменчивость фитопланктона Черного моря на основе данных дистанционного зондирования и прямых измерений хлорофилла-а // Доклады Академии наук. — 2019. — Т. 485, № 2. — С. 310-314.

8. Гершун А. А. Прохождение света через плоский слой светорассеивающей среды // Труды Государственного оптического института. — 1936. — Т. 2, вып. 99. — С. 43-55.

9. Глуховец Д. И., Салюк П. А., Шеберстов С. В., Вазюля С. Н., Салинг И. В., Степочкин И. Е. Восстановление полного комплекса оптических характеристик для оценки теплосодержания в южной части Баренцева моря в июне 2021 г. // Современные проблемы дистанционного зондирования Земли из космоса. — 2021. — Т. 18, № 5. — С.214-225.

10. Глуховец Д. И., Шеберстов С. В., Копелевич О. В., Зайцева А. Ф., Погосян С. И. Измерения показателя поглощения морской воды с помощью интегрирующей сферы // Светотехника. — 2017. — № 5. — С. 39-43.

11. Глуховец Д. И., Шеберстов С. В. Влияние фитопланктона на альбедо океана // Фундаментальная и прикладная гидрофизика. — 2024. — Т. 17. — № 3. — С. 73-83.

12. Демидов А. Б., Шеберстов С. В., Гагарин В. И., Хлебопашев П. В. Сезонная изменчивость первичной продукции фитопланктона Карского моря по спутниковым данным // Океанология. — 2017. — Т. 57, № 1. — С. 103-117.

13. Зайков А. Ю., Соболев В. А. Загрязнение морского мусора в западном секторе российского Арктического океана // Арктика и Север. — 2021. — № 43. — С. 246-252.

14. Зацепин А. Г., Завьялов П. О., Кременецкий В. В., Поярков С. Г., Соловьев Д. М. Поверхностный опресненный слой в Карском море // Океанология. — 2010. — Т. 50, № 5. — С. 698-708.

15. Каралли П. Г., Глуховец Д. И. Восстановление оптических характеристик поверхностного слоя вод арктических морей России по судовым и спутниковым данным // Современные проблемы дистанционного зондирования Земли из космоса. — 2020. — Т. 17, № 1. — С. 191-202.

16. Копелевич О. В., Шеберстов С. В., Буренков В. И., Вазюля С. В., Набиуллина М. В. Оценка объёмного поглощения солнечного излучения в водной толще по спутниковым данным // В: Фундаментальные исследования океанов и морей: в 2 кн. Кн. 1 / гл. ред. Н. П. Лаверов. — М.: Наука, 2006. — С. 109-126.

17. Копелевич О. В., Костяной А. Г. Использование биооптических параметров океана, определяемых по спутниковым данным, в качестве основных климатических переменных // Фундаментальная и прикладная климатология. — 2018. — Т. 3. — С. 829.

18. Копелевич О. В., Салинг И.В., Вазюля С.В., Глуховец Д.И., Шеберстов С. В., Буренков В. И., Каралли П.Г., Юшманова А.В. Биооптические характеристики морей, омывающих берега западной половины России, по данным спутниковых сканеров цвета 1998-2017 гг. — М.: ООО «ВАШ ФОРМАТ», 2018. — 142 с.

19. Кравчишина М. Д., Леин А. Ю., Суханова И. Н., Артемьев В. А., Новигатский А. Н. Генезис и пространственное распределение концентрации взвеси в Карском море в период наибольшего сокращения арктической ледовой шапки // Океанология. — 2015. — Т. 55. — №. 4. — С. 687-687.

20. Кравчишина М. Д., Клювиткин А. А., Новигатский А. Н., Глуховец Д. И., Шевченко В. П., Белан Б. Д. 89-й рейс (1-й этап) научно-исследовательского судна «Академик Мстислав Келдыш»: климатический эксперимент во взаимодействии с самолетом-лабораторией Ту-134 «Оптик» в Карском море // Океанология. — 2023. — Т. 63, № 3.

— С. 1-4.

21. Кузнецова О. А., Копелевич О. В., Шеберстов С. В., Буренков В. И., Мошаров С. А., Демидов А. Б. Оценка концентрации хлорофилла в Карском море по данным спутникового сканера MODIS-Aqua // Исследование Земли из космоса. — 2013. — № 5.

— С. 21-31.

22. Ли М. Е., Мартынов О. В. Измеритель коэффициента яркости для подспутниковых измерений биооптических параметров вод // Экологическая безопасность прибрежной и шельфовой зон. — 2000. — Т. 2. — С. 163-173.

23. Лисицын А. П., Шевченко В. П., Буренков В. И. Гидрооптика и взвесь арктических морей // Оптика атмосферы и океана. - 2000. - Т. 13. - №. 1. - С. 70-79.

24. Макаров А. С., Фильчук К. В., Ковалев С. М., Меркулов В. А., Куссе-Тюз Н. А., Ризе Д. Д., Зимина О. Л., Добротина Е. Д., Гангнус И. А. Комплексные многодисциплинарные исследования и мониторинг экосистем Северного Ледовитого океана и его морей // Океанологические исследования. — 2024. — Т. 52, № 2. — С. 121144.

25. Марчук Г. И., Михайлов Г. А., Назаралиев М. А. Метод Монте-Карло в атмосферной оптике. — Новосибирск: Наука, 1976. — 283 с.

26. Погосян С. И., Дургарян А. М., Конюхов И. В., Чивкунова О. Б., Мерзляк М. Н. Абсорбционная спектроскопия микроводорослей, цианобактерий и растворенного органического вещества: измерения во внутренней полости интегрирующей сферы // Океанология. — 2009. — Т. 49, № 6. — С. 934-939.

27. Показеев К.В., Чаплина Т.О., Чашечкин Ю.Д. Оптика океана: учебное пособие. — М.: МАКС Пресс, 2010. — 216 с.

28. Флинт М. В., Поярков С. Г., Римский-Корсаков Н. А., Мирошников А. Ю. Экосистемы морей сибирской Арктики-2018 (72-й рейс научно-исследовательского судна «Академик Мстислав Келдыш») // Океанология. — 2019. — Т. 59, № 3. — С. 506509.

29. Флинт М.В., Анисимов И.М., Арашкевич Е.Г., Артемьев В.А., Беззубова Е.М., Белевич Т.А., Беляев Н.А., Бондаренко С.А., Булохов А.В., Веденин А.А., Галкин С.В., Демидов А.Б., Дриц А.В., Залота А.К., Зенкова П.Н., Кикнадзе О.Е., Князева О.В.,

Крупская В.В., Лаврентьев И.И., Маккавеев П.Н., Мирошников А.Ю., Мишин А.В., Недоспасов А.А., Немировская И.А., Оленин А.Л., Осокина В.А., Панкратова Н.В., Погосян С.И., Полухин А.А., Поярков С.Г., Пронин А.А., Римский-Корсаков Н.А., Романова Н.Д., Русаков В.Ю., Севастьянов В.С., Сергеева В.М., Сильверстрова К.П., Суханова И.Н., Тронза С.Н., Удалов А.А., Френкель С.Е., Цуканов Н.В., Шатравин А.В., Щука С.А. Экосистемы Карского моря и моря Лаптевых : экспедиционные исследования 2016 и 2018 гг. / Институт океанологии им. П.П. Ширшова РАН. — М.: Ерхова И.М., 2021. — 368 с. — ISBN 978-5-6045279-2-4.

30. Флинт М.В., Поярков С.Г., Римский-Корсаков Н.А., Мирошников А.Ю. Экосистемы морей Сибирской Арктики — 2020: Карское море (81-й рейс научно-исследовательского судна «Академик Мстислав Келдыш») // Океанология. — 2021. — Т. 61, № 2. — С. 330-333.

31. Флинт М.В., Поярков С.Г., Римский-Корсаков Н.А., Книвель Н.Я., Мирошников

A.Ю. Экосистемы морей Сибирской Арктики — 2023: (92-й рейс научно-исследовательского судна «Академик Мстислав Келдыш» в Карское море) // Океанология. — 2024. — Т. 64, № 3. — С. 550-553.

32. Фролов И. Е., Иванов В. В., Фильчук К. В., Макштас А. П., Кустов В. Ю., Махотина И. А., Иванов Б.В., Уразгильдеева А.В., Сёмин В.Л., Зимина О.Л., Крылов А.А., Богин

B.А., Захаров В.Ю., Малышев С.А., Гусев Е.А., Барышев П.Е., Пильгаев С.В., Ковалев

C.М., Тюряков А.Б. Трансарктика-2019: зимняя экспедиция в Северный Ледовитый океан на НЭС «Академик Трёшников» // Проблемы Арктики и Антарктики. — 2019. — Т. 65, № 3. — С. 255-274.

33. Чурилова Т. Я., Суслин В. В., Ефимова Т. В., Моисеева Н. А., Скороход Е. Ю. Влияние взвешенного и растворенного органического вещества на спектральные характеристики облученности и эффективность поглощения света пигментами фитопланктона в прибрежных водах Черного моря // Фундаментальная и прикладная гидрофизика. — 2021. — Т. 13, № 2. — С. 43-50.

34. Шеберстов С. В. Система пакетной обработки океанологических спутниковых данных // Современные проблемы дистанционного зондирования Земли из космоса. —

2015. — Т. 12, № 6. — С. 154-161.

35. Шифрин К. С. Введение в оптику океана. - Л.: Гидрометеоиздат, 1983. - 278 с.

36. Шошина Е. В., Макаревич П. Р. Морская ботаника. — Мурманск: Изд-во МГТУ,

2016. — 176 с.

37. Юшманова А. В., Дерягин Д. Н., Глуховец Д. И. Учет стратификации биооптических характеристик для расчета световых полей в водах первого типа // Океанологические исследования. — 2022. — Т. 50, № 1. — С. 38-48.

38. Arctic Monitoring and Assessment Programme (AMAP). AMAP Assessment 2018: Biological Effects of Contaminants on Arctic Wildlife and Fish, 2018.

39. AMAP. Arctic Climate Change Update 2021: Key Trends and Impacts. — Troms0: Arctic Monitoring and Assessment Programme (AMAP), 2021. — 148 p.

40. Arar E. J., Collins G. B. Method 445.0 In Vitro Determination of Chlorophyll a and Pheophytin in Marine and Freshwater Algae by Fluorescence. — Washington: United States Environmental Protection Agency, 1997. — 23 p.

41. Arrigo K. R., van Dijken G. L. Phytoplankton blooms beneath the sea ice in the Chukchi Sea // Deep Sea Research Part II: Topical Studies in Oceanography. — 2014. — Vol. 105. — P. 1-16.

42. Behrenfeld M. J., Falkowski P. G. A consumer's guide to phytoplankton primary productivity models // Limnology and Oceanography. — 1997. — Vol. 42, No. 7. — P. 14791491.

43. Boss E. S., Collier R., Pegau W. S., Larson G., Fennel K. Measurements of spectral optical properties and their relation to biogeochemical variables and processes in Crater Lake, Crater Lake National Park, OR // Long-term Limnological Research and Monitoring at Crater Lake, Oregon / ed. by G. Larson, C. D. McIntire, M. W. Buktenica. — Dordrecht: Springer, 2007. — P. 149-159.

44. Bricaud A., Claustre H., Ras J., Oubelkheir K. Natural variability of phytoplanktonic absorption in oceanic waters: Influence of the size structure of algal populations // Journal of Geophysical Research: Oceans. — 2004. — Vol. 109, iss. C11. — P. C11010.

45. Bricaud A., Morel A., Babin M., Allali K., Claustre H. Variations of light absorption by suspended particles with chlorophyll a concentration in oceanic (case 1) waters: Analysis and implications for bio-optical models // Journal of Geophysical Research: Oceans. — 1998. — Vol. 103, no. C13. — P. 31033-31044.

46. Blondeau-Patissier D., Gower J.F.R., Dekker A.G., Phinn S.R., Brando V.E. A review of ocean color remote sensing methods and statistical techniques for the detection, mapping and analysis of phytoplankton blooms in coastal and open oceans // Progress in Oceanography. — 2014. — Vol. 123. — P. 123-144.

47. Burenkov V.I. Optical properties of the Laptev Sea near the Lena River delta / In: Underwater Light Measurements. — Proc. SPIE. — 1993. — Vol. 2048. — P. 175-183.

48. Burenkov V.I., Goldin Yu.A., Artem'ev V.A., Sheberstov S.V. Optical characteristics of the Kara Sea derived from shipborne and satellite data // Oceanology. — 2010. — Vol. 50, № 5. — P. 675-687.

49. Burenkov V.I., Kopelevich O.V., Rat'kova T.N., Sheberstov S.V. Satellite observations of the coccolithophorid bloom in the Barents Sea // Oceanology. — 2011. — Vol. 51, № 5.

— P. 766-774.

50. Babin M., Bélanger S., Ellingsen I., Forest A., Le Fouest V., Lacour T., Ardyna M., Slagstad D. Estimation of primary production in the Arctic Ocean using ocean colour remote sensing and coupled physical-biological models: Strengths, limitations and how they compare // Progress in Oceanography. — 2015. — Vol. 139. — P. 197-220.

51. Cazzaniga I., Zibordi G., Mélin F. Spectral variations of the remote sensing reflectance during coccolithophore blooms in the Western Black Sea // Remote Sensing of Environment.

— 2021. — Vol. 264. — Art. 112607.

52. Claustre H., Bishop J., Boss E., Bernard S., Berthon J.-F., Coatanoan C., Johnson K.S., Lotiker A., Ulloa O., Perry M.J., D'Ortenzio F., Fanton d'Andon O.H., Uitz J. Bio-optical profiling floats as new observational tools for biogeochemical and ecosystem studies: potential synergies with ocean colour remote sensing / In: Proceedings of OceanObs'09 (IOCCG contribution). — 2010. — 7 p.

53. Claustre H., Johnson K.S., Takeshita Y. Observing the global ocean with Biogeochemical-Argo // Annual Review of Marine Science. — 2020. — Vol. 12, № 1. — P. 23-48.

54. Demidov A.B., Mosharov S.A., Makkaveev P.N. Patterns of the Kara Sea primary production in autumn: biotic and abiotic forcing of subsurface layer // Journal of Marine Systems. — 2014. — Vol. 132. — P. 130-149.

55. Demidov A.B., Kopelevich O.V., Mosharov S.A., Sheberstov S.V., Vazyulya S.V. Modelling Kara Sea phytoplankton primary production: development and skill assessment of regional algorithms // Journal of Sea Research. — 2017. — Vol. 125. — P. 1-17.

56. Drozdova A.N., Nedospasov A.A., Lobus N.V., Patsaeva S.V., Shchuka S.A. CDOM optical properties and DOC content in the largest mixing zones of the Siberian shelf seas // Remote Sensing. — 2021. — Vol. 13, № 6. — Art. 1145.

57. Falkowski P.G., Raven J.A. Aquatic Photosynthesis. — Princeton, NJ: Princeton University Press, 2007. — 512 p.

58. Fuchs N., von Albedyll L., Birnbaum G., Linhardt F., Oppelt N., Haas C. Sea ice melt pond bathymetry reconstructed from aerial photographs using photogrammetry: a new method applied to MOSAiC data // The Cryosphere. — 2024. — Vol. 18, No. 7. — P. 2991-3015.

59. Glukhovets D.I., Goldin Yu.A. Surface desalinated layer distribution in the Kara Sea determined by shipboard and satellite data // Oceanologia. — 2020. — Vol. 62, No. 3. — P. 364-373.

60. Glukhovets D., Kopelevich O., Yushmanova A., Vazyulya S., Sheberstov S., Karalli P., Sahling I. Evaluation of the CDOM absorption coefficient in the Arctic Seas based on Sentinel-3 OLCI data // Remote Sensing. — 2020. — Vol. 12, No. 19. — Art. 3210.

61. Glukhovets D., Sheberstov S., Vazyulya S., Yushmanova A., Salyuk P., Sahling I., Aglova E. Influence of the accuracy of chlorophyll-retrieval algorithms on the estimation of solar radiation absorbed in the Barents Sea // Remote Sensing. — 2022. — Vol. 14, No. 19.

— Art. 4995.

62. Goody R.M., Yung Y.L. Atmospheric Radiation: Theoretical Basis. — Oxford: Oxford University Press, 1989. — 519 p.

63. Gordon H.R., Clark D.K. Remote sensing optical properties of a stratified ocean: an improved interpretation // Applied Optics. — 1980. — Vol. 19, No. 20. — P. 3428-3430.

64. Gordon H.R., McCluney W.R. Estimation of the depth of sunlight penetration in the sea for remote sensing // Applied Optics. — 1975. — Vol. 14, No. 2. — P. 413-416.

65. Gregg W.W., Rousseaux C.S. Directional and spectral irradiance in ocean models: effects on simulated global phytoplankton, nutrients, and primary production // Frontiers in Marine Science. — 2016. — Vol. 3. — Art. 240.

66. Hansell D.A., Carlson C.A. (eds.) Biogeochemistry of Marine Dissolved Organic Matter.

— 2nd ed. — San Diego: Academic Press, 2014. — 712 p.

67. Hedley J.D., Mobley C.D. HydroLight 6.0 — EcoLight 6.0: Technical Documentation.

— Tiverton: Numerical Optics Ltd., 2019.

68. Heuermann R., Reuter R., Willkomm R. RAMSES: a modular multispectral radiometer for light measurements in the UV and VIS // Environmental Sensing and Applications. — Proc. EUROPTO Series, SPIE. — 1999. — Vol. 3821. — P. 279-285.