See

discussions, stats, and author profiles for this publication at: http://www.researchgate.net/publication/234003415

OPTICAL PHYSICAL AND ECOSYSTEM REGIONAL

MODELING ASSESSMENT (OPERA): A
REVOLUTIONARY APPROACH

CONFERENCE PAPER · JANUARY 2012

DOWNLOADS VIEWS

54 104

6 AUTHORS, INCLUDING:

Sukru Besiktepe David McKee

Dokuz Eylul University University of Strathclyde
66 PUBLICATIONS 430 CITATIONS 49 PUBLICATIONS 407 CITATIONS

SEE PROFILE SEE PROFILE

Fethi Bengil Murat Gunduz

Dokuz Eylul University Dokuz Eylul University
18 PUBLICATIONS 4 CITATIONS 27 PUBLICATIONS 22 CITATIONS

SEE PROFILE SEE PROFILE

Available from: Murat Gunduz

Retrieved on: 22 June 2015
 OPTICAL PHYSICAL AND ECOSYSTEM REGIONAL MODELING ASSESSMENT (OPERA):  
A REVOLUTIONARY APPROACH 
 
Trees, Charles1; Sanjuan Calzado, Violeta1; Besiktepe, Sukru2; McKee, David3; Bengil, Fethi2; 
Gunduz, Murat2, Twardowski, Michael4 
 
1
NATO Science and Technology Organization (STO), Centre for Maritime Research and 
Experimentation (CMRE), Viale San Bartolomeo, 400, La Spezia, ITA 
2
Institute of Marine Science and Technology, Dokuz Eylul University, Izmir, Inciralti, TUR 
3
Physics Department, University of Strathclyde, Glasgow, G4 0NG, GBR 
4
WET Labs, Inc. Narragansett, RI, USA 
 
INTRODUCTION 
Modeling 3‐D coupled physical and biogeochemical processes in natural waters has developed 
to a stage where hind‐cast and forecast of ecosystem behavior are considered feasible.  
Ecosystem models seek to reproduce and predict ocean biogeochemical cycles, where the 
models are constrained by physical parameters such as; wind, currents, density and light.  The 
hydrographic aspects of marine ecosystems can generally be defined through ocean circulation 
models, which are largely independent of the ecosystem itself and represent external forcing 
on ecosystem models.  On the other hand the physical optics, determining the light 
environment, are two‐way coupled with ecosystem models.  Because light interacts with 
particles as defined by the biogeochemical processes, the specification of the optical behavior 
of the seawater and its constituents should be considered a crucial element of any ecosystem 
model.  The Optical Physical and Ecosystem Regional Assessment (OPERA) model proposes a 
more comprehensive and challenging approach, where all optical interactions occurring within 
the volume of water are taken into account, thus providing a more accurate definition of light 
dependent processes.   
 
The OPERA workshop was held in December 2009 at the NATO STO CMRE Centre, La Spezia, to 
review the current status of coupled ocean optics‐physics‐biology modeling and explore ways 
to constrain, update and validate an optically driven ecosystem model OPERA.   This modeling 
effort, titled Ocean Strategic Services beyond 2015 (OSS2015), is supported by a European 
Union Seventh Framework Programme (EU FP7) grant.    
 
METHODS 
The OPERA approach uses optical properties as measured by satellites to describe near surface 
Optical Active Constituents (OACs) and use these data as the spin up for the ecosystem model.  
The initial set of state variables will be given by remotely sensed (or in situ) hyperspectral (AOP) 
data. There are several steps in OPERA model; (1) satellite remote sensing irradiances (Ed, Eu) 
and or reflectances are used as the start‐up for the ecosystem model from which total 
absorption (aT) and total backscattering (bbT) are retrieved [Inverse problem of RTE, see Fig. 1, 
‘blue’ boxes and arrows (Gordon and Boynton, 1998; Gordon, 2002)], (2) these total absorption 
and backscattering spectra are dependent on OAC concentrations, and therefore, can be 
estimated based on optical retrievals and spectral deconvolution [see Fig. 1, ‘black’   
  
  
Figure 1.  OPERA model flow chart, indicating the four major components as differing colors 
(blue, black, red and green) as well as the options of using concentrations and SIOPs as input 
and output for the ‘The Ecosystem Model’ (grey). 

boxes and arrows], (3) by defining OACs in the form of optical properties in the initial state, T0, 
these can be inputted into the ecosystem model based on those predictions which are 
performed at T1 [see Fig. 1, ‘red’ oval, box and arrows], and (4) this OAC spectral prediction 
(IOPs) is then later assessed [Forward RTE, HYDROLIGHT 4.2, see Fig. 1, ‘green’ boxes and 
arrows] and the compared with satellite and in situ optical measurements.  
 
The main difference in this approach is that all OAC concentration spectra are fed in as an initial 
state to the ecosystem model, instead of only using a single chlorophyll a concentration as the 
model startup.  Instead of carbon or nitrogen as the ecosystem model currency, OPERA 
proposes to input IOP spectra (absorption and backscattering).  This has not been tried before 
and is the reason for indicating in the title ‘A Revolutionary Approach’.  From the near surface 
fields, in conjunction with ocean model estimates of mixed layer depth, the vertical distribution 
of OAC spectra will be estimated for each pixel or group of pixels viewed from space (Figs. 2 and 
3).  The model will also provide a more realistic representation of the light field, given by 
Inherent Optical Properties (IOPs), illumination conditions, sea surface (focusing and 
defocusing), and bottom reflectance, based on which light dependent biogeochemical processes 
within the model will be forecasted.   

Inverse Problem of RTE   
Gordon and Boynton (1998) showed that the 3‐D field of Ed and Lu can be inverted to obtain 
total absorption and backscattering spectra (Fig. 4a).  In a review paper by Gordon in 2005, 
several inverse problem modeling approaches were discussed and what can be retrieved as far 
as IOPs from such an effort/RTE.  STO CMRE currently has a copy of the  
 
 

 
Figure 2.  Graphical representation (model output, R. Arnone, NRL‐Stennis) of remotely sensed 
diffuse attenuation coefficient with an OPERA model assimilation surface grid superimposed.   
 Depth 

 
Figure 3.  Representation of pixel assimilation of IOP spectra from surface measurements and 
then extrapolation with depth. 

Gordon and Boynton (1998) code and we are working on the implementation of the code on a 
PC (originally run on a Mac) and optimizing it for speed and performance as this inverse needs 
to be run many times to generate surface and vertical fields of absorption and backscattering 
spectra.  The results from a test run and comparison with in situ absorption spectra are shown 
in Fig. 4b.   

 
(a)  (b)
 

Figure 4.  Results from solving the inverse problem of the RTE and estimating IOPs from 
hyperspectral in situ measurements of Ed and Lu [(a) Gordon and Boynton 1998 and (b) 
preliminary results from STO CMRE efforts. 

Denconvolution  
Seawater subcomponents of phytoplankton, organic detrital material, inorganic minerals, and 
dissolved material have been identified because each has a unique optical signature (thus it 
should be theoretically possible to quantify each subcomponent using optical measurements) 
as well as unique biogeochemical cycling characteristics (controlling processes and rates).  Since 
spectral backscattering and spectral absorption are the optical parameters we can expect to 
readily retrieve from remote sensing reflectance (Gordon 2002; Gordon et al. 2009), we will 
focus on deconvolving these properties.   
 
Basis Vector Approach ‐ If the spectral shape of either backscattering or absorption was unique 
and relatively consistent for each seawater subcomponent, then a solution could be readily 
achieved with a basis vector analysis, finding the optimal combination of these spectral shapes 
to limit the variance in the measured total spectrum.  This approach has been attempted before 
for a more limited set of subcomponents (Roesler et al. 1989; Roesler et al. 1995; Carder et al. 
1999; Ciotti et al. 2002; Ciotti and Bricaud 2006).  The problem is that many spectral shapes are 
too similar.  For example, since almost all the particulate subcomponents will have a broad 
polydisperse size distribution, this will result in similar spectral shapes for backscattering, 
monotonically decreasing with increasing wavelength.  If there happens to be many more small 
particles than large particles in a particular subpopulation – for example the phytoplankton 
subfraction during a cyanobacteria bloom – then the spectral slope may be steeper.  However, 
thermodynamic equilibrium forces in nature tend to work toward distributing particle volume 
equally in each size class (see discussion in Sullivan et al. 2005).  These natural size distributions 
result in spectral shapes modeled well with a simple power law (Boss et al. 2001; Twardowski et 
al. 2001), with slopes typically falling between 0 and 1.  While hyperspectral backscattering 
spectra may be expected to provide unique structure around, for example, pigment absorption 
peaks due to anomalous dispersion (Stramski et al. 2001), multi‐spectral remote sensing data 
likely cannot provide the spectral resolution necessary for this type of analysis. 

Considering absorption, one subcomponent can be expected to provide unique structure due to 
pigmentation: phytoplankton.  Minerals, detritus, and dissolved material all have the same 
basic spectral shape however, monotonically decreasing with increasing wavelength (Roesler et 
al. 1989; Tassan and Ferrari 2003; Twardowski et al. 2004).  We thus cannot reasonably expect 
to separate these subcomponents using absorption.   
 
Our proposal is to combine the spectral basis vector analysis for both absorption and 
backscattering.  This approach should work because even though the spectral shapes for 
absorption and backscattering are similar between, for example, minerals and detritus, the 
relative magnitudes are not.  Minerals have relatively low absorption and high backscattering.  
Organic detrital material has relatively low absorption and low backscattering.  Phytoplankton 
have relatively high, spectrally unique absorption and low backscattering.  Dissolved material 
absorbs but does not scatter at all.  These relationships may allow deconvolution of remote 
sensing reflectance into absorption (a) and backscattering (bb) of each subcomponent.  Writing 
out the relationships, 

at ( )  aˆ m ( ) m  aˆ d ( ) d  aˆ ( )   aˆ g ( ) g  a w ( ) , (1)
bbt ( )  bˆbm ( ) m  bˆbd ( ) d  bˆb ( )   0  bbw ( ) (2)

where the subscripts m, d,  , g, and w, represent minerals, detritus, phytoplankton, dissolved 

material, and water, respectively.  The variables with the hat are the spectral basis vectors.  
Figure 5 shows that the spectral shapes of the basis vectors are all completely different after 
combining backscattering and absorption, so the spectral fitting procedure can effectively 
discriminate the different components. 
 
 
4
   
   bˆbd ( ) X m aˆ d ( ) 
  
  3  bˆ ( ) X aˆ m ( ) 
 bm d

   
 
"aggregate" bas is v ec tor

2
 
 
  1 aˆ g ( )
aˆ m ( )
 
  0
 
   bˆb ( ) X aˆ ( ) 
-1  m
 
   bˆ ( ) X  aˆ m ( ) 
 bm 
 
-2
  400 450 500 550 600 650 700
  wavelength (nm)

Figure 5.  Aggregate basis vectors from Eq. 3.  The two phytoplankton basis vectors have been 
‐3
combined here.  [chl] was assumed to be 1 mg m
‐1 ‐1 ‐1
.  Exponential slopes for, and were 0.002 
nm , 0.011 nm , and 0.014 nm , respectively.  A power law slope of 1 was used for all  
subcomponents.  The dashed black curve is the aggregate CDOM basis vector using a spectral 
‐1
slope of 0.011 nm  for, same as for.  Note that even with similar (and in one case identical) 
exponential absorption spectra shapes for minerals, detritus and CDOM, and identical bb basis 
vectors for all subcomponents, the aggregate basis vectors are entirely unique. 

 
bb/a Approach ‐ Interpretation of ocean colour remote sensing data in Case 2 waters is 
particularly challenging due to the wide dynamic range of constituent concentrations, variability 
in relative concentrations of constituents and variability of specific inherent optical properties 
(SIOPs) for any given constituent.  Spectral deconvolution offers a physics‐based approach to 
extracting constituent information from remote sensing signals and also presents an 
opportunity to analyse sensitivity to measurement uncertainties and variability in SIOPs.  
Results from an initial sensitivity study for a new spectral deconvolution approach are presented 
here and offer a new insight into the impact of measurement uncertainties in IOP 
measurements on both forward modelling and spectral deconvolution algorithm performance. 
 
Let’s assume we have 4 non‐water constituents: phytoplankton (), minerals (m), detritus (d) 
and coloured dissolved organic material (g) and  
a    a*  .  am*  .m  ad*  .d  a *g  .g  aw    
bb    bb*  .  bb m  .m  bb d  .d  0  bb w    
* *

also assume we have [bb/]() e.g. from Rrs 
 bb*  .  bb m  .m  bb d  .d  0  bb w  
* *
 bb 
a    . 
  a*  .  am*  .m  ad*  .d  a *g  .g  aw  

We can rearrange to get 

 b    b    b  
0  a*  . b     bb*  .  am*  . b     bb m  .m  ad*  . b     bb d  .d
* *

 a   a   a 

 
 *  bb    bb 
 a g  .   .g  aw  .     bb w  
 a  a

and then establish a general model for n constituents 
 
n
 b   b 
0   ai*   b     bbi*  .xi  aw   b     bbw   , 
i 1  a  a

where , m, d, and g found by minimizing least squares for N wavelengths where  N ≥ n.  If we 
assume an 5% uncertainty on bb and  independently and then run 1,000 bootstrap iterations 
for each combination of Chl, minerals, CDOM using a range of these values typical of Case I 
Waters (max Chl = 1mg m‐3, max CDOM = 0.02 m‐1 and max MSS = 01. g m‐3), like the Ligurian 
Sea, the following spectral deconvolution performances are found (Figs 6a, b and c) 
 
 
(a)  (b)
 
 
 
 
 
 
 
 
 
  (c) 
 
 
 
 
 
 
 
Figure 6. Solution spread errors for (a) Chl, (b) MSS & (c) CDOM expressed as half range 
percentage error for uniformly distributed percentage input errors (bb ± 5%, a ± 5%).  The 
nature and magnitude of input errors both strongly influence algorithm performance.
 
Ecosystem‐Physical Model – Currently, the Harvard Ocean Prediction System is being used that 
is an interdisciplinary model system with (1) primitive equations, biogeochemical model (P, Z, 
NO3, NH4, Chl and Det) with OI assimilation.   The compatible physical/biological assimilation is 
 Physical data assimilation only – adjustment of the physical fields leads to misalignment 
between physical and biological fronts, causing spurious cross‐frontal fluxes and 
consequently spurious biological responses (e.g. enhanced productivity). 
 Biological data assimilation only – little or no feedback to the physics. Physical and 
biological fronts become misaligned, causing spurious cross‐frontal fluxes and 
consequently spurious biological responses (e.g. enhanced productivity).
 Six‐step method:
o initial estimation of synoptic physical features
o melding physical data into these fields to obtain the best real‐time estimates
o physical dynamical adjustment to generate vertical velocities
o initial estimation of mesoscale biological fields based on Physical‐biological 
correlations
o melding biological data into these fields, and 
o biological dynamical adjustment with frozen physical fields to balance the 
biological fields with each other, the model parameters, and the 3‐D physical 
transports.
The generation of these fields is done in “adjustment space”, outside of the simulation of 
interest (“simulation space”).
 
The modeling geometry has 125 x 115 grid points, 0.016o (1.5 km) resolution, areal extent is 
200 x 200 km and there are 30 levels.  Model initialization is with Seadatanet climatology 
(Version 1.3.0, 0.125o horizontal resolution, 33 vertical levels, http://gher‐
diva.phys.ulg.ac.be/web‐vis/clim.html) for temperature and salinity, NO3, Chlorophyll and NH4.  
Model adjustment takes 3‐4 days with the chlorophyll and surface velocity fields shown in 
Figure 7. 
 
CONCLUSIONS 
This is a three year project (Ocean Strategic Services Beyond 2015) funded under the EU FP7 
Programme starting on 1 Nov 2011.  To successfully complete the OPERA model, the various 
components on this modeling effort have been divided into individual groups.  Below is a listing 
of those groups and the tasks and research that will be required.  As this is a ‘Revolutionary 
Approach’, there are many issues and questions that will still need to be addressed.  As to the 
specifics of each step and approach, the OPERA science team may not be able to answer them 
at this time.  This is a very exciting and innovative program (OSS2015). 
C. Trees (NATO STO CMRE) – Vertical extrapolation of the diffuse attenuation 
coefficient, optical proxies for nutrients and grazing for the ecosystem‐physical 
model and overall management of the components for the OPERA model. 
V Sanjuan‐Calzado (NATO STO CMRE) – Inverse problem for the RTE to estimate IOPs 
from AOPs and forward RTE solution for converting predicted IOPs from the 
OPERA to AOPs and comparison with remote sensing data. 
M. Twardowski (WET Labs, Inc) – Basis vector deconvolution for OACs. 
D. McKee (Strathclyde University) – bb/a deconvolution for OACs. 
S. Sukru, M. Gunduz, F. Bengil (DEM‐IMST) – Ecosystem‐physical modeling.   
  
 
  Day 5 Day 10
 
 
 
 
 
 
 
 
 
 
  Day 15 Day 20
 
 
 
 
 
 
 
 
 
 
Figure 7.  Spin‐up of the ecosystem‐physical model (HOPS) showing the chlorophyll and 
surface velocity fields at 5 day intervals up to a 20 day period. 
 
References 
Boss, E., and W.S. Pegau. 2001. Relationship of light scattered at an angle in the backward 
direction to the backscattering coefficient. Applied Optics 40:5503‐5507. 
Carder, K.L., F.R. Chen, J.P. Cannizzaro, J.W. Campbell, and B.G. Mitchell. 2004. Performance of 
the MODIS semi‐analytical ocean color algorithm for chlorophyll‐a. Advances in Space 
Research 33:1152‐1159. 
Ciotti, A.M. and A. Bricaud (2006). Retrievals of a size parameter for phytoplankton and spectral 
light  absorption  by  Colored  Detrital  Matter  from  water‐leaving  radiances  at  SeaWiFS 
channels in a continental shelf region off Brazil. Limnology and Oceanography Methods, 4, 
237–253. 
Ciotti,  A.M.,  Cullen,  J.J.,  and  Lewis,  M.R.  1999.  A  semi‐analytical  model  of  the  influence  of 
phytoplankton  community  structure  on  the  relationship  between  light  attenuation  and 
ocean color. Journal of Geophysical Research 104:1559‐1578. 
Gordon, H.R. 2002.  Inverse methods in hydrologic optics.  Oceanologia, 44(1): 9‐58. 
Gordon, H.R., and G.C. Boynton. 1998. A radiance‐irradiance inversion algorithm for estimating 
the  absorption  and  backscattering    coefficients  of  natural  waters:  Stratified  water 
bodies. Applied Optics. 37, 886‐896. 
Roesler, C.S., M.J. Perry, and K.L. Carder. 1989. Modeling in situ phytoplankton absorption from 
total absorption spectra. Limnology and Oceanography 34:1512‐1525. 
Roesler, C.S., and M.J. Perry. 1995. In situ phytoplankton absorption, fluorescence emission, 
and particulate backscattering spectra determined from reflectance.   J. Geophys. Res. 
100:13,279‐13,294. 
Stramski, D., Bricaud, A. and Morel, A. 2001. Modeling the inherent optical properties of the 
ocean based on detailed composition of the plankton community. Appl. Opt., 40, 2929–
2945. 
Sullivan, J.M., M.S. Twardowski, Donaghay, P.L., and Freeman, S.A. 2005. Using scattering 
characteristics to discriminate particle types in US coastal waters, Applied Optics 
44:1667‐1680.Tassan, S, and G.M. Ferrari. 2003. Variability of light absorption by aquatic 
particles in the near‐infrared spectral region. Applied Optics 42:4802‐4810. 
Twardowski, M.S., E. Boss, J.B. Macdonald, W.S. Pegau, A.H. Barnard, and J.R.V. Zaneveld. 2001. 
A model for estimating bulk refractive index from the optical backscattering ratio and 
the implications for understanding particle composition in Case I and Case II waters. J. 
Geophys. Res., 106(C7):14,129‐14,142. 
Twardowski, M.S., E. Boss, J.M. Sullivan, and P.L. Donaghay. 2004. Modeling spectral absorption 
by chromophoric dissolved organic matter (CDOM). Mar. Chem., 89: 69‐88, 
doi:10.1016/j.marchem.2004.02.008. 
Zaneveld, J.R.V., A.H. Barnard, and E. Boss.  2005.  Theoretical derivation of the depth average 
of remotely sensed optical parameters.  Optics Express 13:9,052–9,061.