Utilizing high-performance computing to improve performance and investigate sensitivity of an inversion model for hyperspectral remote sensing of shallow coral ecosystems

Abstract

This research presents a sensitivity analysis of a semi-analytical inversion model for hyperspectral remote sensing of shallow coral ecosystems. Using this inversion model, five parameters describing water column bioptical properties, bathymetry and magnitude of bottom reflectance are retrieved. In addition to the parameters of interest, the model contains 12 nuisance parameters that are traditionally assigned a fixed set of values. A sensitivity analysis of estimates retrieved to these nuisance parameters is accomplished using SimLab software to study their impact on model output. The computationally intensive analysis was enabled implementing the inver- sion model within a parallel processing framework using GENCAN. The sensitivity analysis was used to identify which nuisance parameters are most influential on the parameters of interest. The nuisance parameters found to be most relevant are: S, the spectral slope of the absorption coefficient for gelbstoff, Y, the spectral power coefficient for calculating the backscattering coefficient, and Dop, a constant in the equation for the distribution function for scattered photons from the bottom.

Esta investigación presenta un análisis de sensibilidad aplicado a un modelo semi-analítico inverso, para imágenes hiperespectrales de ecosistemas de aguas poco profundas. El modelo de inversión encuentra cinco parámetros de interés los cuales describen propiedades bio-ópticas de la columna de agua, profundidad y reflectancia del fondo marino. Adicionalmente, el modelo tiene 12 parámetros nuisance, cuyos valores son tradicionalmente fijados. Se utilizó el software SimLab para un análisis de sensibilidad de los estimados de los parámetros nuisance y ver su impacto en la salida del modelo. El complejo análisis computacional fue posible implementando el modelo de inversión en una infraestructura para procesamiento en paralelo utilizando el método GENCAN. El análisis de sensibilidad permitió encontrar los parámetros nuisance más influyentes en los parámetros de interés. Los parámetros nuisance más importantes son: S, la pendiente espectral del coeficiente de absorción para gelbstoff, Y, la potencia espectral del coeficiente de retrodispersión, y Dop, constante en la función de distribución por fotones dispersos desde el fondo.