Water quality assessment in Greek lakes by using remote sensing and statistical modelling

Abstract

The aim of the present PhD thesis is the achievement of continuous monitoring and assessment of water quality (WQ) and trophic state of Greek lakes by exploiting the implementation of the Water Framework Directive (WFD) in Greece in synergy with satellite RS, providing parallel support to sustainable water resources management at a national scale. Continuous WQ monitoring is the most crucial aspect for lake management. Therefore, the methodological framework developed herein has as an ultimate goal the generation of lake WQ quantitative models while the practical use of this approach was developed and evaluated in a total of 50 lake water bodies (natural and artificial) from 2013–2018, constituting the National Lake Network Monitoring of Greece in the context of the WFD. Concerning the utilized Earth Observation (EO) data, images from Landsat 7 Enhanced Thematic Mapper Plus (ETM+) and Landsat 8 Operational Land Imager (OLI) sensors have been combined with co-orbital WQ in-situ measurements (Chl-a, Secchi Disk depths and Total phosphorus-TP- concentrations) with the main objective of delivering robust WQ assessment models. From the statistical point of view, principal component analysis (PCA) was performed to explore Greek lakes’ interrelationships among their Chl-a values and certain criteria, e.g. their characteristics (artificial/natural), WFD typology, climatic type (according to the Köppen-Geiger climate classification), season of water samplings and the date difference between sampling and satellite overpass. PCA highlighted the lake characteristics (natural/artificial) and WFD typology as the variables that mostly contribute to the variance of Chl-a concentration; thus, numerous stepwise multiple regression analyses (MLRs) among different groups of cases, formed by the PCA criteria, were implemented with basic aim the generation of different remote sensing-derived Chl-a algorithms for different types of lakes. Moreover, correlation analysis among in-situ co-orbital WQ data was conducted to explore and detect their inter-relationships. Subsequently, based on correlation analysis’s results, further stepwise MLRs employing available in-situ TP and Secchi depth datasets were further implemented to establish optimal quantitative models. Eventually, trophic status classification was conducted herein, calculating Carlson’s Trophic State Index (TSI) of each lake, initially throughout all lakes and then oriented toward natural-only and artificial-only lakes. The proposed scheme resulted in the development of models separately for natural (R = 0.78) and artificial (R = 0.76) lakes, while the model developed without criteria proved weaker (R = 0.65) in comparison to the other ones examined. MLRs among Landsat data and Secchi depths resulted in 3 optimal models concerning the assessment of Secchi depth of all lakes (Secchi general; R = 0.78; RMSE = 2 m), natural (Secchi natural; R = 0.95; RMSE = 1.87 m) and artificial (Secchi artificial; R = 0.62; RMSE = 1.36 m), with reliable accuracy. Study findings showed that TP-related MLR analyses failed to deliver a statistically acceptable model for the reservoirs; nevertheless, they delivered a robust TP general model for all lakes (R = 0.71; RMSE = 0.008 mg/L) and a TP natural model for natural lakes (R = 0.93; RMSE = 0.018 mg/L). Subsequently, regarding the TSI results, the higher deviation of satellite-derived TSI values in relation to in-situ ones was detected in reservoirs and shallower lakes (mean depth < 5 m), indicating noticeable divergences among natural and artificial waterbodies. Next significant key questions that were answered are initially whether Landsat-based empirical WQ algorithms can be efficiently applied to Sentinel 2 images and then whether the combined use of multi-sensor data improves those algorithms’ prediction accuracy. Hence, Sentinel 2 images of 2018 with concurrent dates with those of field measurements were utilized to facilitate a WQ models’ efficiency evaluation and comparison with the respective Landsat’s validation results. Concerning the results, in particular for general models of all WQ elements (Chl-a, Secchi depth and TP), all models were more efficient and accurate when were accompanied by Landsat images while no improvement was observed by using multi sensor images. Chl-a and TP models (for natural lakes) presented lower values of error metrics when employing Sentinel 2 images (RMSE Chl-a=16.4 μg/l vs 21.5 μg/l; RMSE TP=0.03 mg/l vs 0.031 mg/l) and only Secchi natural model performed better with Landsat data (2.8 m vs 2.9 m). Concerning artificial lakes, performance of Chl-a model was better by exploiting Landsat data (RMSE= 3.7 μg/l vs 7.7 μg/l of Sentinel 2) while Secchi model achieved slightly better efficiency with Sentinel 2 images (RMSE= 1.5 m vs 1.6 m of Landsat). The largely worse performance of Chl-a models compared to rest of WQ elements (median MAPE values ranged from 42 % to 58%, Secchi depth from 24% to 44% and TP from 22% to 38%), emphasized once again the complexity that mapping of Chl-a in Case 2 waters (coastal and/or inland waters) hides. Today, open source Cloud Computing platforms have emerged as a valuable tool for geospatial analysis of image data from various satellites while the Google Earth Engine (GEE) platform is the most widespread in the scientific field of satellite RS. Newest launches of various satellites in combination with the GEE platform, facilitate in a great extent national-scale lake monitoring. Next step was to test the transferability and performance of hereby-developed WQ algorithms when employing Landsat (7 +ETM/8 OLI) and Sentinel 2 surface reflectance (SR) values embedded in GEE and subjected to different atmospheric correction (AC) methods from those used as they were developed. More particularly, GEE-Landsat and -Sentinel 2 SR of year 2018 was retrieved from the WFD lake sampling stations while were atmospherically corrected by the methods LaSRC (Landsat 8 OLI), LEDAPS (Landsat 7 ETM+) and Sen2Cor (Sentinel 2). Those SR values (GEE) were matched with WQ in-situ data of 2018 within ±7 days (from sampling date) of satellite overpasses, while the same pairs were created with SR derived from manually downloaded and pre-processed, with AC DOS1 method, respective images. Empirical WQ models of Chl-a, Secchi depth and TP (for all and separately for natural and artificial lakes), were applied twice employing both types of SR (DOS1- and rest in GEE- corrected). Furthermore, double application of WQ models was conducted separately for Landsat (7 ETM+/OLI) and Sentinel 2 data. Double application of WQ models resulted in double quantifications of each studied WQ element in each sampling station while those double WQ values were inserted in a linear regression analysis. Yielded linear equations (corrected WQ models), for each sensor, were accompanied by strong associations (R2 ranging from 0.68 to 0.98). Initial and corrected sensor-specific WQ models were validated based on available in-situ WQ datasets of 2019 and 2020. Sensor-specific correction of WQ models was proven essential for some of them while RMSE values ranged for Chl-a from 11.68 μg/l (Landsat) to 14.88 μg/l (Sentinel 2), for Secchi depth from 2.02 m (Landsat) to 2.57 m (Sentinel 2) and TP from 0.14 mg/l (Landsat) to 0.09 mg/l (Sentinel 2), values that confirmed the stability and transferability of hereby WQ models even when employ differently-from-DOS1 method corrected SR. One more ambiguous question that has been examined is whether WQ universal models are efficient for WQ monitoring of oligotrophic Case-2 waters. The classification of waters in Case 1 (oceanic) and Case 2 (coastal regions, rivers, and lakes), is characterized by great importance; Case 1 waters are determined by phytoplankton and co-varying substances, while Case 2 waters are more complex concerning their composition and optical properties. Oligotrophic lakes are classified as Case-2 rather than Case-1 waters since they typically receive significant levels of terrigenous input and their water clarity is primarily controlled by the concentration of Dissolved Organic Carbon (DOC). In purview of the above, lake WQ models were applied to Landsat 8 OLI images, with available in-situ WQ data, illustrating two (2) Greek oligotrophic waterbodies, Trichonis and Amvrakia lakes. Conclusively, their application was ineffective: Chl-a general model yielded values of RMSE=1.9 μg/l, NRMSE=1.6 and median MAPE=256.8 %, Chl-a natural model yielded values of RMSE=1.8 μg/l, NRMSE=1.5 and median MAPE=176.6 % while results of all models of Secchi Disk and Total Phosphorus were statistically insignificant. Based on the previous approach, an effort has been made to develop special designed WQ algorithms in Trichonis lake based on a dense sampling network (22 stations). Subsequently, the most statistically promising quantitative models – accrued from statistical elaboration of 2014 data- were applied to another satellite image of 2013 (with available in-situ WQ data). Results from the validation process showed a relatively variable statistical relationship between the in-situ data and reflectances (R logchl-a: 0.4, R NH4 +: 0.7, R Chl-a: 0.5, R CDOM at 420 nm: 0.3). Hereby findings were concurrent with other studies in international literature, indicating that estimations for oligotrophic are less accurate than eutrophic and mesotrophic lakes, owing to the lack of suspended particles that are detectable by satellite sensors. Conclusively, background information required, suitable spectral bands and essential circumstances are described for the most optimal designation of the WQ monitoring in oligotrophic waterbodies.

Στόχος της παρούσας διδακτορικής διατριβής είναι η επίτευξη συνεχούς παρακολούθησης και εκτίμησης της ποιότητας των υδάτων και της τροφικής κατάστασης των ελληνικών λιμνών αξιοποιώντας την εφαρμογή της Οδηγίας Πλαίσιο για τα Ύδατα (ΟΠΥ) στην Ελλάδα σε συνέργεια με τη δορυφορική Τηλεπισκόπηση, παρέχοντας παράλληλη υποστήριξη στη βιώσιμη διαχείριση των υδάτινων πόρων σε εθνική κλίμακα. Η συνεχής παρακολούθηση της ποιότητας υδάτων είναι το πιο κρίσιμο χαρακτηριστικό της ολοκληρωμένης διαχείρισης λιμναίων οικοσυστημάτων. Ως εκ τούτου, το μεθοδολογικό πλαίσιο που αναπτύχθηκε έχει ως απώτερο στόχο τη δημιουργία μοντέλων ποσοτικής εκτίμησης της ποιότητας υδάτων λιμνών ενώ η πρακτική εφαρμογή της μεθοδολογίας αξιολογήθηκε σε συνολικά 50 λίμνες (φυσικές και τεχνητές) την περίοδο 2013-2018, αποτελώντας το Εθνικό Δίκτυο Παρακολούθησης Λιμνών της Ελλάδας στο πλαίσιο της ΟΠΥ. Όσον αφορά στα δεδομένα δορυφορικής τηλεπισκόπησης, εικόνες από τους αισθητήρες Landsat 7 Enhanced Thematic Mapper Plus (ETM+) και Landsat 8 Operational Land Imager (OLI) συνδυάστηκαν με in-situ μετρήσεις ποιοτικών παραμέτρων (Χλωροφύλλη-α -Chl-a-, βάθος Secchi Disk, συγκέντρωση Ολικού Φωσφόρου,TP- Total Phosphorus) με κύριο στόχο την επίτευξη ανάπτυξης μοντέλων εκτίμησης της ποιότητας και της τροφικής κατάστασης υδάτων. Από στατιστικής άποψης, πραγματοποιήθηκε ανάλυση κύριων συνιστωσών (PCA-Principal Component Analysis) για να διερευνηθούν οι συσχετίσεις των συγκεντρώσεων της Chl-a των ελληνικών λιμνών με άλλα βασικά τους κριτήρια, όπως το εάν είναι φυσικές ή τεχνητές, την τυπολογία (ΟΠΥ), τον κλιματικό τύπο σύμφωνα με το σύστημα ταξινόμησης Köppen-Geiger, την εποχή δειγματοληψιών νερού και την ημερολογιακή διαφορά μεταξύ των in-situ δειγματοληψιών και του περάσματος του δορυφόρου. Η ανάλυση κύριων συνιστωσών υπέδειξε το χαρακτηριστικό φυσική/τεχνητή και την τυπολογία (ΟΠΥ) τους ως τις παραμέτρους που κυρίως συμβάλλουν στη διακύμανση της συγκέντρωσης της Chl-a. Στη συνέχεια, διενεργήθηκαν αναλύσεις πολλαπλής παλινδρόμησης, με τη μέθοδο stepwise, μεταξύ διαφορετικών ομάδων δεδομένων, οι οποίες διαμορφώθηκαν με βάση τα κριτήρια της PCA. Βασικός στόχος ήταν η ανάπτυξη διαφορετικών αλγορίθμων εκτίμησης της συγκέντρωσης Chl-a, προσανατολισμένοι σε διαφορετικούς τύπους λιμνών. Έπειτα, διεξήχθη ανάλυση συσχέτισης (correlation analysis) μεταξύ των in-situ μετρήσεων των μελετούμενων παραμέτρων ποιότητας με σκοπό τη διερεύνηση και ανίχνευση των συσχετίσεών τους. Mε βάση τα αποτελέσματα της ανάλυσης συσχέτισης, διενεργήθηκαν περαιτέρω αναλύσεις παλινδρόμησης, χρησιμοποιώντας τις in-situ τιμές βάθους Secchi disk και TP για τη δημιουργία βέλτιστων μοντέλων όλων των κατηγοριών (όλες, φυσικές και τεχνητές λίμνες). Στη συνέχεια, διεξήχθη η ταξινόμηση της τροφικής κατάστασης των μελετούμενων λιμνών, υπολογίζοντας τον Δείκτη Τροφικής Κατάστασης (TSI) του Carlson για κάθε λίμνη, αρχικά για όλες και στη συνέχεια ξεχωριστά για τις φυσικές και τις τεχνητές. Η προτεινόμενη μεθοδολογία είχε ως αποτέλεσμα την ανάπτυξη ξεχωριστών μοντέλων για τις φυσικές (R = 0.78) και τεχνητές (R= 0.76) λίμνες, ενώ το γενικό μοντέλο που αναπτύχθηκε χωρίς κριτήρια αποδείχθηκε ασθενέστερο (R = 0.65) σε σύγκριση με τα υπόλοιπα. Οι αναλύσεις παλινδρόμησης μεταξύ των δεδομένων Landsat και βάθους Secchi οδήγησαν σε 3 μοντέλα: για όλες τις λίμνες (Secchi general; R = 0.78; RMSE = 2 m), για τις φυσικές (Secchi natural; R = 0.95; RMSE = 1.87 m) και για τις τεχνητές (Secchi artificial, R = 0.62, RMSE = 1.36 m), με αξιόπιστη ακρίβεια. Τα ευρήματα έδειξαν ότι οι αναλύσεις παλινδρόμησης που σχετίζονται με τον Ολικό Φώσφορο απέτυχαν να αναπτύξουν ένα στατιστικά αποδεκτό μοντέλο για τις τεχνητές λίμνες. Ωστόσο, ανέδειξαν ένα ισχυρό για όλες τις λίμνες TP general (R = 0.71, RMSE = 0.008 mg/L) και για τις φυσικές TP natural (R = 0.93, RMSE = 0.018 mg/L).Στη συνέχεια, όσον αφορά στα αποτελέσματα του δείκτη τροφικής κατάστασης TSI, η μεγαλύτερη απόκλιση των προβλεπόμενων τιμών σε σχέση με τις αντίστοιχες in-situ ανιχνεύθηκε σε τεχνητές και πιο ρηχές λίμνες (μέσο βάθος < 5 m), επιβεβαιώνοντας την ύπαρξη αξιοσημείωτων διαφοροποιήσεων μεταξύ φυσικών και τεχνητών υδάτινων σωμάτων. Τα επόμενα σημαντικά ερωτήματα τα οποία απάντησε η παρούσα διδακτορική διατριβή είναι αρχικά εάν οι προαναφερθέντες εμπειρικοί αλγόριθμοι παρακολούθησης της ποιότητας λιμνών που αναπτύχθηκαν με εικόνες Landsat μπορούν να εφαρμοστούν επιτυχώς σε εικόνες Sentinel 2 και στη συνέχεια εάν η συνδυασμένη χρήση εικόνων πολλαπλών αισθητήρων δύναται να βελτιώσει την ακρίβεια ποσοτικοποίησής τους. Προς αυτή την κατεύθυνση, χρησιμοποιήθηκαν εικόνες Sentinel 2 MSI της χρονιάς 2018 με ημερομηνίες ταυτόχρονες με αυτές των μετρήσεων πεδίου με σκοπό την αξιολόγηση της απόδοσης των εμπειρικών μοντέλων και τη σύγκριση των αποτελεσμάτων επικύρωσής τους με τα αντίστοιχα των δορυφόρων Landsat. Αναφορικά με τα αποτελέσματα, τα γενικά μοντέλα όλων των ποιοτικών παραμέτρων (Chl-a, βάθος Secchi Disk και TP), με εφαρμογή σε όλες τις λίμνες ήταν πιο αποτελεσματικά και ακριβή όταν εφαρμόστηκαν σε εικόνες Landsat, ενώ δεν παρατηρήθηκε βελτίωση ύστερα από τη χρήση εικόνων πολλαπλών αισθητήρων. Τα μοντέλα Chl-a και TP παρουσίασαν μικρότερες τιμές σφάλματος όταν εφαρμόστηκαν σε εικόνες Sentinel 2 (RMSE Chl-a=16.4 μg/l vs 21.5 μg/l; RMSE TP=0.03 mg/l vs 0.031 mg/l) και μόνο το μοντέλο Secchi natural είχε καλύτερη απόδοση με δεδομένα Landsat (2.8 m vs 2.9 m).Όσον αφορά στους αλγόριθμους των τεχνητών λιμνών, το μοντέλο της Chl-a απέδωσε καλύτερα ύστερα από τη χρήση Landsat εικόνων (RMSE= 3.7 μg/l vs 7.7 μg/l; Sentinel 2), ενώ το μοντέλο εκτίμησης βάθους Secchi Disk πέτυχε ελαφρώς καλύτερη απόδοση χρησιμοποιώντας εικόνες Sentinel 2 (RMSE= 1.5 m vs 1.6 m; Landsat). Τη χειρότερη απόδοση ανάμεσα στις υπό μελέτη ποιοτικές παραμέτρους παρουσίασαν τα μοντέλα της Chl-a (οι διάμεσες MAPE τιμές κυμάνθηκαν από 42 % έως 58% ενώ του βάθους Secchi από 24% έως 44% και του Ολικού Φωσφόρου από 22% έως 38%), γεγονός που επιβεβαιώνει για ακόμα μία φορά την πολυπλοκότητα που κρύβει η χαρτογράφηση της Chl-a στα ύδατα της Περίπτωσης 2 (παράκτια, εσωτερικά ύδατα). Σήμερα, οι πλατφόρμες υπολογιστικής νέφους ανοιχτού κώδικα έχουν αναδειχθεί σε πολύτιμα εργαλεία γεωχωρικής ανάλυσης δεδομένων εικόνας διαφόρων δορυφόρων, ενώ η πλατφόρμα Google Earth Engine (GEE) είναι η πιο διαδεδομένη στο επιστημονικό πεδίο της δορυφορικής τηλεπισκόπησης. Οι πρόσφατες εκτοξεύσεις διαφόρων δορυφόρων σε συνδυασμό με την πλατφόρμα GEE, διευκολύνουν σε μεγάλο βαθμό την παρακολούθηση των λιμνών σε εθνική κλίμακα. Με βάση τα παραπάνω, το επόμενο βήμα ήταν η εξακρίβωση της απόδοσης των ποιοτικών μοντέλων όταν χρησιμοποιούν τιμές ανάκλασης οι οποίες έχουν υποβληθεί σε διαφορετικές μεθόδους ατμοσφαιρικής διόρθωσης από αυτές όταν αναπτύχθηκαν. Πιο συγκεκριμένα, τιμές ανάκλασης από εικόνες Landsat και Sentinel 2 του έτους 2018, αποκτήθηκαν μέσω της πλατφόρμας GEE στους σταθμούς δειγματοληψίας λιμνών της ΟΠΥ ενώ ήταν ατμοσφαιρικά διορθωμένες με τις μεθόδους LaSRC (Landsat 8 OLI), LEDAPS (Landsat 7 ETM+) και Sen2Cor (Sentinel 2). Οι εν λόγω τιμές ανάκλασης (GEE) αντιστοιχίστηκαν με τα επιτόπια δεδομένα ποιότητας υδάτων του 2018 με διαφορά ημερομηνιών ±7 ημερών (από την ημερομηνία δειγματοληψίας), ενώ τα ίδια ζεύγη δημιουργήθηκαν με τις τιμές ανάκλασης προερχόμενες από τις αντίστοιχες εικόνες, οι οποίες αποκτήθηκαν και προ-επεξεργάστηκαν χειροκίνητα, με τη μέθοδο της ατμοσφαιρικής διόρθωσης DOS1. Τα εμπειρικά μοντέλα Chl-a, βάθους Secchi Disk και TP (για όλες και ξεχωριστά για φυσικές και τεχνητές λίμνες), εφαρμόστηκαν δύο φορές χρησιμοποιώντας και τα δύο είδη ανάκλασης, την DOS1-διορθωμένη ανάκλαση και εκείνη που αποκτήθηκε από εικόνες ενσωματωμένες στη GEE πλατφόρμα. Επιπρόσθετα, η διπλή εφαρμογή των εμπειρικών μοντέλων εκτίμησης της ποιότητας υδάτων πραγματοποιήθηκε ξεχωριστα για τους δορυφόρους Landsat (7 ETM+/OLI) και Sentinel 2. Η διπλή εφαρμογή των ποιοτικών μοντέλων είχε ως αποτέλεσμα τη διπλή εκτίμηση των τιμών της εκάστοτε ποιοτικής παραμέτρου στον εκάστοτε σταθμό δειγματοληψίας και στη συνέχεια αυτές οι διπλές τιμές (προερχόμενες από DOS1 και λοιπές ατμοσφαιρικές μεθόδους) εισήχθησαν σε ανάλυση γραμμικής παλινδρόμησης. Οι γραμμικές εξισώσεις που προέκυψαν μεμονωμένα για κάθε αισθητήρα (Landsat, Sentinel 2) υπέδειξαν τιμές υψηλής συσχέτισης (R2 από 0.68 έως 0.98). Η διόρθωση των εμπειρικών μοντέλων ανάλογα με τον αισθητήρα πραγματοποιήθηκε με βάση τα διαθέσιμα in-situ δεδομένα ποιότητας του 2019 και του 2020 ενώ αποδείχθηκε απαραίτητη για ορισμένα από αυτά, με τις τιμές RMSE να κυμαίνονται για τη Chl-a από 11.68 μg/l (Landsat) έως 14.88 μg/l (Sentinel 2), για το βάθος Secchi Disk από 2.02 m (Landsat) έως 2.57 m (Sentinel 2) και TP από 0.14 mg/l (Landsat) έως 0.09 mg/l (Sentinel 2), τιμές που επιβεβαίωσαν τη σταθερότητα και τη δυνατότητα μεταφοράς των εμπειρικών μοντέλων σε εικόνες διαφορετικά ατμοσφαρικά διορθωμένες, στην πλατφόρμα GEE. Ένα ακόμη περίπλοκο ερώτημα που έχει εξεταστεί είναι εάν τα μοντέλα εκτίμησης ποιότητας υδάτων (Chl-a, βάθους Secchi Disk και Ολικού Φωσφόρου) δύναται να είναι αποτελεσματικά για την παρακολούθηση της ποιότητας των ολιγοτροφικών υδάτων. Η ταξινόμηση των υδάτων στην Περίπτωση 1 (ωκεάνια) και στην Περίπτωση 2 (παράκτιες περιοχές, ποτάμια και λίμνες), είναι ιδιαίτερα σημαντική. Τα νερά της Περίπτωσης 1 προσδιορίζονται με βάση το φυτοπλαγκτόν και λοιπές ουσίες, ενώ τα νερά της Περίπτωσης 2 είναι πιο πολύπλοκα όσον αφορά στη σύσταση και τις οπτικές τους ιδιότητες. Οι ολιγοτροφικές λίμνες αποτελούν μια ξεχωριστή κατηγορία των περίπλοκων οπτικά υδάτων της Περίπτωσης 2 και δε ταξινομούνται στην Περίπτωση 1 δεδομένου ότι συνήθως λαμβάνουν σημαντικές εισροές ιζημάτων και η διαύγεια των υδάτων τους ελέγχεται συνήθως από τις συγκεντρώσεις του διαλυμένου οργανικού άνθρακα (DOC-Dissolved Organic Carbon) και όχι από το φυτοπλαγκτόν. Με βάση τα προαναφερθέντα, τα μοντέλα εκτίμησης ποιότητας υδάτων λιμνών (Chl-a, βάθους Secchi Disk και TP), εφαρμόστηκαν σε εικόνες Landsat 8 OLI που απεικονίζουν δύο (2) ελληνικά ολιγοτροφικά υδάτινα σώματα, τις λίμνες Τριχωνίδα και Αμβρακία. Συμπερασματικά, η εφαρμογή των μοντέλων σε αυτές τις λίμνες ήταν αναποτελεσματική˙ το γενικό μοντέλο υπολογισμού της Χλωροφύλλης-α απέδωσε τιμές RMSE=1.9 μg/l, NRMSE=1.6 και median MAPE=256.8, το μοντέλο υπολογισμού Χλωροφύλλης-α στις φυσικές λίμνες απέδωσε: RMSE=1.8 μg/l, NRMSE=1.5 και median MAPE=176.6 ενώ τα αποτελέσματα των λοιπών μοντέλων Ολικού Φωσφόρου και βάθους Secchi Disk δεν ήταν στατιστικά σημαντικά. Λαμβάνοντας υπόψιν τα προαναφερθέντα αποτελέσματα, έγινε μια προσπάθεια ανάπτυξης μοντέλων εκτίμησης της ποιότητας υδάτων στη λίμνη Τριχωνίδα με βάση ένα πυκνό δίκτυο δειγματοληψίας (22 σταθμοί). Στη συνέχεια, τα βέλτιστα μοντέλα (που αναπτύχθηκαν με βάση τα δορυδορικά και επιτόπια δεδομένα του 2014) εφαρμόστηκαν στη δορυφορική εικόνα του 2013 και η επικύρωση των αποτελεσμάτων πραγματοποιήθηκε χρησιμοποιώντας τα αντίστοιχα in-situ δεδομένα του 2013. Τα αποτελέσματα από τη διαδικασία επικύρωσης έδειξαν μια σχετικά διαφορετική στατιστική σχέση μεταξύ των in-situ δεδομένων και των ανακλάσεων (R logchl-a: 0.4, R NH4 +: 0.7, R Chl-a: 0.5, R CDOM στα 420 nm: 0.3). Ως εκ τούτου, τα ευρήματα ταυτίζονται με με αυτά άλλων μελετών στη διεθνή βιβλιογραφία, υποδεικνύοντας ότι η παρακολούθηση της ποιότητας υδάτων στις ολιγοτροφικές λίμνες είναι λιγότερο ακριβής σε σχέση με τις ευτροφικές και μεσοτροφικές, λόγω της απουσίας αιωρούμενων σωματιδίων τα οποία είναι ανιχνεύσιμα από τους δορυφορικούς αισθητήρες. Επιπλέον περιγράφονται οι απαιτούμενες πληροφορίες υποβάθρου, οι κατάλληλες φασματικές ζώνες και οι βασικές συνθήκες για τον βέλτιστο σχεδιασμό των μεθόδων παρακολούθησης ποιότητας υδάτων σε ολιγοτροφικά υδάτινα σώματα.