Coastal oceans play a pivotal role in fisheries production and global biogeochemical cycles, making large-scale monitoring an essential task. The advent of modern remote sensors, such as OLCI (Ocean Land Colour Instrument), on board the Sentinel-3A satellite, has made it possible to obtain oceanic biogeochemical products at higher spatial (300 m) and temporal (daily) resolutions than previously possible. However, validating the Sentinel-3A retrievals for coastal waters is an ongoing effort. Using a regional in situ dataset from British Columbia (BC) and Southeast Alaska (SEA) coastal waters, we evaluated the performance of OLCI Sentinel-3A in retrieving remote-sensing reflectance (Rrs) and biophysical products, including total suspended matter (TSM), chlorophyll-a concentration (Chl-a) and coloured dissolved organic matter (CDOM). The OLCI data were processed through a spectral optimization-based algorithm (POLYMER) and a neural net-based (NN) algorithm (C2RCC), including the original (C2RCC v1) and the alternative version (altNN or v2), in which the neural network was trained with extended ranges to cope with larger dynamic range for high backscatter waters. The processors' performance was evaluated through match-up analysis using data from southern BC, as well as expected ranges and seasonal trends for northern BC and SEA. Multimetric statistical analyses demonstrated that POLYMER provided the best overall performance for TSM and Chl-a retrievals, with the Chl-a product improved by the use of the so-called “Case-2” flag. Despite the relative outperformance of POLYMER-derived products, with low systematic biases, the relative percent differences are still high (80–100%) and should be acknowledged in future analyses when using these data. CDOM, only retrieved here from NN approaches, was better estimated using the alternative version of C2RCC. The best performing approaches were used to evaluate Level-3 composites for northern BC and SEA waters. The observed spatial and seasonal trends compared favourably with those reported in the literature, including highlighting more productive areas (e.g. west coast of Vancouver Island), and the important interactions between riverine systems and adjacent coastal waters (e.g., high TSM and CDOM loads near the Skeena and Nass rivers). This study demonstrated the benefits of OLCI Sentinel-3A to investigate complex coastal ecosystems and provides a robust evaluation of OLCI performance and a framework for future observational and process-oriented studies.

沿海海洋在渔业生产和全球生物地球化学循环中起着举足轻重的作用，因此大规模监测成为一项必不可少的任务。Sentinel-3A卫星上的现代遥感器（例如OLCI（海洋土地颜色仪器））的出现使以比以前更高的空间（300 m）和时间（每日）分辨率获得海洋生物地球化学产品成为可能。 。但是，验证Sentinel-3A取回品是否在沿海水域是一项持续的工作。在原地使用区域来自不列颠哥伦比亚（BC）和东南阿拉斯加（SEA）沿海水域的数据集，我们评估了OLCI Sentinel-3A在检索遥感反射率（Rrs）和生物物理产品（包括总悬浮物（TSM），叶绿素a浓度）方面的性能（Chl-a）和有色溶解有机物（CDOM）。OLCI数据通过基于频谱优化的算法（POLYMER）和基于神经网络的（NN）算法（C2RCC）进行处理，包括原始版本（C2RCC v1）和替代版本（altNN或v2），其中对网络进行了扩展范围的培训，以应对高反向散射水的更大动态范围。通过使用不列颠哥伦比亚省南部地区的数据以及对不列颠哥伦比亚省北部和东南亚地区的预期范围和季节性趋势的匹配分析，对加工者的性能进行了评估。多指标统计分析表明，POLYMER为TSM和Chl-a检索提供了最佳的整体性能，并且通过使用所谓的“ Case-2”标记改进了Chl-a产品。尽管POLYMER衍生产品的性能相对较高，但系统偏差较小，相对百分比差异仍然很高（80–100％），在使用这些数据时应在以后的分析中予以确认。仅从NN方法中检索到的CDOM使用C2RCC的替代版本进行了更好的估算。表现最佳的方法用于评估北部BC和SEA水域的Level-3复合材料。观测到的空间和季节趋势与文献中所报道的有利，包括突出显示了更高产的地区（通过使用所谓的“ Case-2”标志来改进Chl-a产品。尽管POLYMER衍生产品的性能相对较高，但系统偏差较小，但相对百分比差异仍然很高（80-100％），在使用这些数据时应在以后的分析中予以确认。仅从NN方法中检索到的CDOM使用C2RCC的替代版本进行了更好的估算。表现最佳的方法用于评估北部BC和SEA水域的Level-3复合材料。观测到的空间和季节趋势与文献中所报道的有利，包括突出显示了更高产的地区（通过使用所谓的“ Case-2”标志来改进Chl-a产品。尽管POLYMER衍生产品的性能相对较高，但系统偏差较小，但相对百分比差异仍然很高（80-100％），在使用这些数据时应在以后的分析中予以确认。仅从NN方法中检索到的CDOM使用C2RCC的替代版本进行了更好的估算。表现最佳的方法用于评估北部BC和SEA水域的Level-3复合材料。观测到的空间和季节趋势与文献中所报道的有利，包括突出显示了更高产的地区（相对百分比差异仍然很高（80-100％），在使用这些数据时应在以后的分析中予以确认。仅从NN方法中检索到的CDOM使用C2RCC的替代版本进行了更好的估算。表现最佳的方法用于评估北部BC和SEA水域的Level-3复合材料。观测到的空间和季节趋势与文献中所报道的有利，包括突出显示了更高产的地区（相对百分比差异仍然很高（80-100％），在使用这些数据时应在以后的分析中予以确认。仅从NN方法中检索到的CDOM使用C2RCC的替代版本进行了更好的估算。表现最佳的方法用于评估北部BC和SEA水域的Level-3复合材料。观测到的空间和季节趋势与文献中所报道的有利，包括突出显示了更高产的地区（例如温哥华岛的西海岸），以及河流系统与邻近沿海水域之间的重要相互作用（例如，Skeena和Nass河附近的高TSM和CDOM负荷）。这项研究证明了OLCI Sentinel-3A可以研究复杂的沿海生态系统，并且可以对OLCI的性能进行可靠的评估，并为未来的观察和面向过程的研究提供框架。