Spectra of a shallow sea—unmixing for class identification and monitoring of coastal waters

Abstract

Ocean colour-based monitoring of water masses is a promising alternative to monitoring concentrations in heterogeneous coastal
seas. Fuzzy methods, such as spectral unmixing, are especially well suited for recognition of water masses from their remote
sensing reflectances. However, such models have not yet been applied for water classification and monitoring. In this study,
a fully constrained endmember model with simulated endmembers was developed for water class identification in the shallow
Wadden Sea and adjacent German Bight. Its performance was examined on in situ measured reflectances and on MERIS satellite
data. Water classification by means of unmixing reflectance spectra proved to be successful. When the endmember model was
applied to MERIS data, it was able to visualise well-known spatial, tidal, seasonal, and wind-related variations in optical
properties in the heterogeneous Wadden Sea. Analyses show that the method is insensitive to small changes in endmembers. Therefore,
it can be applied in similar coastal areas. For use in open ocean situations or coastal or inland waters with other specific
inherent optical properties, re-simulation of the endmember spectra with local optical properties is required. However, such
an adaptation requires only a limited number of local in situ measurements.

KeywordsEndmember–Reflectance–MERIS–Water mass–Unmixing

Full text

Page 1

”Dense Water” and “Fluid Sand”
”Dense water” and “Fluid Sand”
Annelies Hommersom - IVM-
Cover :
Background: MERIS image
May 4 2006
provided by the European Space Agency

Left: TriOS sensors
Center: reseach vessel Navicula (NIOZ)
Right: AC9 instrument in turbid water
Optical properties
and methods for remote sensing of
the extremely turbid Wadden Sea.

Page 2

 
 
 
 
 
“Dense Water” and “Fluid Sand” 
 
Optical properties and methods for remote sensing of the 
extremely turbid Wadden Sea 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Annelies Hommersom 
  

Page 3

 
“Dense Wat
Optical prop
Ph.D. thesis
 
In Dutch: 
“Dik Water”
Optische eig
Proefschrift
 
ISBN: 97890
 
© 2010 Ann
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
This work w
and at the R
This work w
 
 
 
 
Printed on F
ter” and “Flu
perties and m
s, Vrije Unive
” en “Vloeiba
genschappen
t, Vrije Unive
086594610  
nelies Homm
was carried o
Royal Nether
was financed 
FSC paper by
uid Sand” 
methods for 
ersiteit, Amst
aar Zand”  
n en method
ersiteit, Amst
mersom 
ut at the Ins
rlands Institu
by NWO/SR
y PrintPartne
remote sens
terdam 
den van remo
terdam 
titute for En
ute for Sea R
RON Program
 
ers Ipskamp, 
sing of the e
ote sensing v
vironmental
Research (NIO
mme Bureau 
 
 
 
Enschede, T
xtremely tur
voor de extre
l Studies (IVM
OZ), Texel. 
Space Resea
The Netherla
rbid Wadden
eem troebel
M), Vrije Uni
arch. 
ands 
n Sea 
e Waddenze
versiteit, Am
ee 
msterdam 
 

Page 4

 
 
 
VRIJE UNIVERSITEIT 
 
“Dense Water” and “Fluid Sand” 
Optical properties and methods for remote sensing of the extremely turbid Wadden Sea 
 
ACADEMISCH PROEFSCHRIFT 
 
ter verkrijging van de graad Doctor aan  
de Vrije Universiteit Amsterdam, 
op gezag van de rector magnificus 
prof.dr. L.M. Bouter, 
in het openbaar te verdedigen 
ten overstaan van de promotiecommissie 
van de faculteit de Aard‐ en Levenswetenschappen 
op maandag 28 juni 2010 om 15.45 uur  
in de aula van de universiteit, 
De Boelelaan 1105 
 
 
 
 
 
 
 
 
 
 
 
door 
 
Annelies Hommersom 
 
geboren te Hengelo (ov)  

Page 5

 
 
promotor: 
copromotor: 
 
 
 
 
 
prof.dr. J. de Boer  
dr. S.W.M. Peters 
   

Page 6

 
 
Table of contents 
 
 
Chapter 1  
 
Chapter 2  
 
 
Chapter 3  
 
Chapter 4  
 
 
Chapter 5  
  
 
Chapter 6  
 
 
Chapter 7  
 
  
 
  
 
  
 
Annex 1  
 
Annex 2  
 
  
Introduction             7 
A review on substances and processes relevant for optical remote sensing  
of extremely turbid marine areas, with a focus on the Wadden Sea 
  17 
Spatial and temporal variability in bio‐optical properties of the Wadden Sea   39 
Performance of the regionally and locally calibrated algorithm HYDROPT in a  
heterogeneous coastal area 
  57 
Tracing Wadden Sea water masses with an inverse bio‐optical and an  
endmember model   
 
       85 
Spectra of a shallow sea: unmixing for coastal water class identification and  
monitoring 
  97 
Synthesis and outlook   
      115 
References         123 
Summary and samenvatting       141 
Acknowledgements and dankbetuiging        155  
Glossary of terms and descriptions used in remote sensing of water quality 159 
Abbreviations, acronyms, and symbols       163 
Publications         167

Page 7

Page 8

 
 
 
Chapter 1 
 
Introduction 
 

Page 9

Chapter 1 
8 
1 Introduction 
 
1.1 Optical remote sensing of water quality 
 
Remote sensing means “detecting from a distance”. A sensor used for detection can be hand‐held, 
employed from an airplane (air‐borne remote sensing) or be part of a satellite (space‐born remote 
sensing) and the technique can be passive or active. Optical remote sensing, as used in this thesis, is 
passive: it uses reflected sun light in the visible part of the spectrum (~ 300‐800 nm, Figure 1.1). Optical 
remote sensing techniques can for example be used to examine land use changes (Valbuena et al., 
2009), to monitor seasonal dynamics in vegetation (Zuritta‐Milla et al., 2009), to calculate carbon 
accumulation in peat lands (Scheapman‐Strub et al., 2008), to detect erosion (Vrieling et al., 2007), or to 
monitor water quality (Robinson et al., 2008). Active remote sensing includes radar (wavelengths <1 mm 
to 1 m, for example Synthetic Aperture Radar: SAR) and laser (infrared, visible, ultraviolet, for example 
LIDAR), where signals are sent to earth and the subsequently reflected (radar) or induced (laser) signal is 
detected. These techniques can be used to detect 3‐dimensional features of objects, waves, and land‐
water boundaries. This thesis addresses optical remote sensing of water quality, which is commonly 
referred to as ocean colour remote sensing (although lakes and rivers require similar approaches). 
 
 
Figure 1.1. Spectrum of visible light. 
Ocean colour remote sensing dates back to the 19th century, when explorers noticed large differences in 
water colour (e.g. Figure 1.2) between coastal waters and oceans (Wernand, 2010). For example Joseph 
Luksch determined 367 observations of the water colour, measured with the Forel Ule colour scale 
(Luksch, 1901; Wernand, 2010) during the expedition of the S.M.S. Pola in the Mediterranean and 
Aegean Sea (1890‐1894) and during the Austro‐Hungarian Expedition to the Red Sea (1895‐1898). Ocean 
colour remote sensing became popular in the 1960’s and 1970’s with increasing awareness of water 
quality. Secchi discs and air borne remote sensing were introduced to study turbidity and water colour. 
The first ocean colour sensor (the Coastal Zone Scanner, CZSC) was launched in 1978 and soon after, 
other satellite sensors for Ocean Colour research became available. 
 
  
Figure 1.2. Various water colours seen in the Wadden Sea
To use airborne or space borne optical remote sensing data of earth surfaces, absorption and scattering 
by the atmosphere must first be removed from the remote sensing signal. The atmosphere and clouds 

Page 10

Introduction 
9 
reduce the sunlight penetration to the earth surface to ~55% (Pidwirny, 2006). A large portion of 
reflected light is again absorbed and scattered on the way back to the satellite. Correcting signals for 
this atmospheric influence is a research field of its own. In remote sensing of land, the light reflected by 
the (land) surface is the variable that tells something about this surface. In ocean colour remote sensing, 
interest lies with substances in the water column (ray 5 in Figure 1.3); reflectance from the (water) 
surface (ray 6 in Figure 1.3) obscures this signal. Also the water itself can influence the reflected signal 
and, at shallow or clear enough locations, so can the bottom (Figure 1.3). Consequently, only a small 
portion of the light received by the sensor contains information on the content of the water and can be 
used for water quality monitoring. Therefore, remote sensing of water requires different techniques 
than remote sensing of land.  
 
Figure 1.3. The most common routes of sunlight on its way to a satellite above the sea. Ray 1 is absorbed by the 
atmosphere and never reaches the water surface and the sensor. Rays 2 and 3 are respectively absorbed and 
scattered by the water or its contents and so never reach the sensor. Rays 4, 5, 6 and 7 reach the sensor. However, 
only ray 5 is interesting for water quality monitoring. This ray is partly absorbed by water or its contents, but enough 
is scattered over an angle > 90˚ (backscattered) to reach the sensor. Rays 4, 6, and 7 are, respectively, reflected by 
the sea floor, by the water surface and scattered by the atmosphere. Combinations of these routes can also occur. 
Substances in the water column that can be detected from optical remote sensing are: the water itself, 
pigments, suspended particulate matter (SPM), and coloured dissolved organic matter (CDOM). The 
pigment most abundant in marine phytoplankton, chlorophyll‐a (Chl‐a), is usually taken to represent the 
pigments. SPM, Chl‐a and CDOM are (indirect) indicators for other water quality parameters such as 
nutrient concentration, river runoff, resuspension or decay. As SPM, Chl‐a and CDOM have a significant 
influence on the water colour, these three substances are called optically active substances in this 
thesis. In the absence of optically active substances, water mainly absorbs red light, while the size of the 
water molecules leads to scattering of blue light. The colour of pure water is therefore blue. Water 
absorbs more than it scatters, and so very deep water bodies look dark from above. Chl‐a absorbs blue 

Page 11

Chapter 1 
10 
and red light, turning water green in high concentration (e.g. the central picture in Figure 1.3). Inorganic 
SPM scatters light efficiently and can therefore lead to a high reflectance. This high reflection in 
combination with absorption of organic SPM, mostly in the blue wavelengths, results in bright water 
with often high red reflectance. CDOM absorption spectra are similar to those of organic particles, but 
CDOM does not scatter. Therefore water with high CDOM concentrations, for example the Baltic Sea, 
looks yellow‐brownish or even blackish (Berthon et al., 2008). The left picture in Figure 1.2 contains 
some Chl‐a, SPM and CDOM, leading to greyish water; the picture on the right contains much SPM and 
CDOM, which makes the water look brown‐red. 
 
Figure 1.4. Reflectance spectra (Rrs) of different water colours that can be found in the Wadden Sea. 
The colour of water is quantified by means of reflectance spectra, usually given per wavelength (λ) over 
the range of visible light (Figure 1.4). Reflectance can be measured with hand‐held spectrometers, from 
an air plane, or by satellite. When the distinct absorption and scattering properties of Chl‐a, SPM and 
CDOM (Figure 1.5) are known, their abundances can theoretically be calculated from the reflectance. 
Various types of algorithms (for example ratio algorithms, neural networks and inverse bio‐optical 
models) are available to derive high quality results from remote sensing data of the open ocean. 
 
Especially in coastal zones, Chl‐a, SPM and CDOM occur in mixtures, which complicates the derivation of 
their concentrations from reflectances. The local specific absorption and scattering properties of these 
substances (the specific inherent optical properties, SIOPs) (Figure 1.5) may also vary. For example, SPM 
primarily scatters when it consists of sand, but might have a strong absorption when it mainly consists of 
organic particles or clay. Pigment absorption varies for different phytoplankton species, while the water 
source (e.g. North Sea water, river discharge, land‐runoff) determines the absorption properties of 
CDOM. The levels of scattering and absorption, as well as the spectral shape of the SIOPs can vary. 
Deriving concentrations from remote sensing data is therefore more complex in coastal areas than in 
the open ocean and the results are often not yet precise enough for water quality monitoring.  
 
High SPM concentrations, caused by resuspension, can mask the effects of Chl‐a and CDOM in shallow 
coastal areas. Another problem is that reflectance of the bottom can influence the derived signal at 
clear and shallow locations, while pixels at the coastline often contain a mixture of land and water. In 
airborne and space‐born remote sensing high reflection of vegetation at the coast can (due to the height 
of the sensor) lead to noise in the near‐by water reflectances, which is called the adjacency effect 
(Santer and Schmechtig, 2000). 
0
0.005
0.01
0.015
0.02
0.025
0.03
0.035
350450550650750
Rrs
λ (nm)

Page 12

Introduction 
11 
Despite the difficulties mentioned above, remote sensing is an interesting possibility for water quality 
monitoring of coastal zones. The Water Framework Directive regulations from the European Union force 
member states to monitor all their coastal areas (Environment Directorate‐General of the European 
Commission, 2000). Monitoring is an important means to support maintenance of ecological and 
economic values of coastal zones, which are often highly populated areas (Robinson et al., 2008). 
Monitoring of all coastal waters by ship poses severe logistic problems, apart from being costly and time 
consuming. Remote sensing offers an attractive alternative because of its high spatial resolution (e.g. 
the image at the cover). While remote sensing cannot detect all properties for water quality assessment 
recommended by water authorities, such as concentrations of PCB’s ‐the substances held responsible 
for the in decline in seal populations in the Wadden Sea in the late 1980’s (Reijnders, 1986)‐ it provides 
information on transparency (Kd), Chl‐a, SPM (important for the visual acuity of the seal (Weiffen et al., 
2006)) and CDOM. These properties are highly relevant for the Water Framework Directive (Peeters et 
al., 2009), while manual monitoring can always augment remote sensing in the case of unexpected 
changes. Remote sensing only derives information from the upper layers of a water body, but, when 
space borne remote sensing is used, a high temporal resolution (Fanton d’Andon et al., 2005) is 
obtained.  
 
  
 
Figure 1.5. Example spectral shapes of the specific absorption (a) and scattering (b) by water (m‐1), chlorophyll‐a (m2 
mg‐1), SPM (m2 g‐1) and CDOM (‐) at MERIS wavelengths (Table 1.1). Black lines are related to the vertical axis on the 
left, gray lines to the vertical axis on the right. 
0
0.02
0.04
0.06
0.08
0.1
0
0.1
0.2
0.3
0.4
400450500550600650700
absorption or scattering 
absorption or scattering
λ (nm)
aWatera*CDOMb*SPMa*Phytoplankton a*SPMbWater

Page 13

Chapter 1 
12 
1.2 Research questions 
 
This thesis studies the possibilities for water quality and water mass monitoring in an optically complex 
coastal area, using two promising modelling techniques. The case study area is the Wadden Sea, an area 
with clear ecological and economic values, which has recently been added to the UNSECO World 
Heritage List (UNESCO, 2009). The Wadden Sea is also extremely turbid and optically heterogeneous, 
and therefore very pertinent to the study of remote sensing in optically complex coastal areas. The 
following research questions are addressed in this thesis:  
 

What are the ranges in concentrations and the spatial and temporal variations in optically active 
substances and (specific) optical properties in the Wadden Sea? Which processes are 
responsible for variations in these concentrations and (specific) optical properties? How does 
this affect (the accuracy of) ocean colour data of the area? 

To what extent is water quality and/or water mass monitoring based on (MERIS) satellite data 
and using a regionally calibrated inverse bio‐optical model or an end‐member approach 
possible, in an extremely turbid and heterogeneous area such as the Wadden Sea? 
 
1.3 Approach and outline 
 
To identify gaps in knowledge in remote sensing research in extremely turbid areas, a review with a 
focus on the Wadden Sea was made. This review, in Chapter 2, examines the concentration ranges of 
optically active substances that occur in the Wadden Sea and the most important processes influencing 
them. Gaps in the knowledge are identified, namely: little research was done on algorithms for 
extremely turbid areas to simultaneously derive various substances, and there is a lack of information 
on SIOPs and on the apparent optical properties (AOP’s) of the area. Information on SIOPs is essential to 
calibrate algorithms and information on AOPs is essential for validation of these algorithms. 
 
Sampling campaigns were conducted to fill the gaps in the knowledge needed for remote sensing. 
Results of measurements on SIOPs and AOPs, measured simultaneously with the concentrations of 
optically active substances are described in Chapter 3. This chapter also examines the processes 
influencing variations in these parameters in time and space.  
 
Two promising approaches are applied to predict concentrations of optically active substances and 
model water masses from in situ reflectance measurements and MERIS data. The first approach, 
described in Chapter 4, is an inverse bio‐optical model (called HYDROPT) which is calibrated with local 
SIOPs derived from samples of the Wadden Sea. Inverse bio‐optical models, based on inherent optical 
properties, will theoretically lead to the best retrievals, because the connection between IOPs and water 
leaving radiance is direct and physical. Only atmospheric correction will influence the derived properties 
(IOCCG, 2006). For greater precision and to avoid ambiguity various researchers argue for regionally 
calibrated models (Defoin‐Platel and Chami, 2007, IOCCG, 2000, Lutz et al., 1996). Chapter 4 also shows 
the retrieval of concentrations with HYDROPT with in situ spectra and with MERIS data as input, and 
addresses the ambiguity of the input spectra and possible solutions for the lack of quality control 
encountered. Chapter 4 concludes by comparing “water types” (water masses having similar SIOPs) 

Page 14

Introduction 
13 
derived from satellite images using the inverse‐bio optical model, with general knowledge on water 
sources and currents in the Wadden Sea.  
 
A second approach to identify water masses is presented in Chapter 5. This approach is an endmember 
model, based on unmixing reflectance spectra in percentages of pre‐defined endmembers. Endmember 
techniques are often applied in land remote sensing but have not been used before for water mass 
modelling. Chapter 5 compares the water masses derived from the inverse bio‐optical model (“water 
types”) with the “water classes” derived from the endmember technique.  
 
The endmember model was applied to several MERIS images. Results of the model derived from images 
acquired in different four seasons, with either high and low wind situations and on various moments 
during the tidal cycle are compared in Chapter 6. This Chapter examines the extent to which the model 
is able to visualise variations in optical properties as described in Chapter 2 and 3. Although no exact 
concentrations can be obtained with the endmember technique, the results are promising. 
 
In the last chapter (Chapter 7), a synthesis of the results and conclusions of this thesis is presented. This 
chapter provides recommendations for future research and on application of optical remote sensing of 
extremely turbid coastal waters. 
 
To accommodate non‐expert readers a glossary of terms and descriptions used in ocean colour remote 
sensing is provided (Annex 1). A list of abbreviations, acronyms, and symbols can be found in Annex 2. 
 
1.4 Satellite data: MERIS 
 
The satellite data used in this thesis originates from the MEdium Resolution Imaging Spectrometer 
(MERIS), aboard the Envisat satellite (ESA, 2009a), deployed by the European Space Institute (ESA). 
MERIS is specially developed for monitoring coastal waters, with a relatively small ground resolution of 
~300 x 300 m and nine spectral bands in the visible part of the light spectrum (Table 1.1). These nine 
bands enable the distinction of the spectral shapes of the absorptions by SPM, Chl‐a and CDOM. 
 
Table 1.1. MERIS bands 
 
Band number Wavelength (λ) DescriptionBandwidth (λ)
1 412.5 Visible10
2 442.5 Visible 10
3 490 Visible10
4 510 Visible10
5  560 Visible10
6 620 Visible 10
7 665 Visible10
8 681.25 Visible7.5
9 708.75  NIR 10
10 753.75 NIR7.5
11 760.625 NIR3.75
12 778.75 NIR15
13 865 NIR20
14 885 NIR10
15  900 NIR10

Page 15

Chapter 1 
14 
1.5 Study area: the Wadden Sea 
 
The Wadden Sea is located to the north of The Netherlands, northwest of Germany and west of 
Denmark (Figure 1.6). It is a shallow sea and comprises large areas of tidal flats, and is sheltered from 
the North Sea by a series of islands. North Sea water enters via tidal inlets (“channels”) around the 
islands and fresh water enters via river discharges. With a length of almost 500 km and an area of about 
8 000 km2, it is the largest mudflat area in the world and provides breeding, feeding and roosting 
grounds for migratory birds. It is also an important breeding and nursery ground for (commercial) fish 
and shellfish.  
 
Large parts of the mudflats are tidal, emerging when the water retreats. Water in small basins almost 
completely disappears with low tide, in large basins the disappearing and remaining water volumes at 
low tide are about equal (Reise and De Jong, 1999). Mudflats can cover a very high percentage of the 
surface area in some areas: for example intertidal flats in the Dollard account for 85 % of the surface (De 
Jonge, 1995).High tide brings about 15 km3 saline water into the Wadden Sea twice a day. The islands in 
the Dutch and East Frisian (German) Wadden Sea are oriented west to east, while the islands in the 
North Frisian Wadden Sea are oriented north to south (Figure 1.6). The rivers and Lake IJssel together 
discharge about 60 km3 freshwater yearly (Van Beusekom et al., 2001). Residence times of 11‐12 tidal 
cycles, or about one week, are typical for most of the Wadden Sea (Postma, 1982). The water column is 
well mixed (Postma, 1982; Tillmann et al., 2000) although salinity differences can cause weak 
stratification and density differences near river mouths (Postma, 1982).  
 
Large dikes were built in the past. In Denmark, the islands Mandø, Rømø and Sylt were connected to the 
mainland and in The Netherlands a dike was built closing off the former “Zuiderzee”, now called Lake 
IJssel. The dikes changed local currents and increased the tidal range in the Wadden Sea (Misdorp et al. 
1989). A comprehensive overview on the (historical) human transformations of the Wadden Sea is given 
by Lotze et al. (2005).  
 
Contents of the saltwater inflow can change drastically in only a few years due to changes in the oceanic 
climate, inducing large changes in the Wadden Sea phytoplankton community and ecosystem 
(Lindeboom et al., 1995; Edwards et al., 2002). A complete overview of the geomorphology and the 
hydrography of the Wadden Sea is given in the report series of the Wadden Sea Working Group edited 
by respectively Dijkema et al. (1980) and Postma (1982). For ecological articles, interested readers are 
referred to the overview of historical ecological changes in the Wadden Sea given by Lotze (2005).