Modelar la reflectividad de los cuerpos de agua es un desafío debido a la variabilidad espectral causada por efectos de absorción y dispersión de los distintos componentes presentes en el agua. De igual manera, la detección de la Fluorescencia de la Clorofila Inducida por el Sol (SICF) es una tarea compleja, aún más complicada por la presencia de un 'falso pico de SICF' resultante de la absorción del fitoplancton. La estimación de la SICF es clave para el entendimiento de la fotosíntesis del fitoplancton y por ende la estimación de la producción primaria. La teledetección es una herramienta fundamental en la estimación de la SICF a nivel global. Por otro lado, el desarrollo de nuevas misiones espaciales, como el caso de la misión FLEX, diseñada para la detección de SICF en la vegetación terrestre, abren la puerta al desarrollo de métodos más precisos para la estimación de SICF emitido por el fitoplancton. Esta tesis aborda dos objetivos principales: Primero, desarrollar un algoritmo basado en datos de alta resolución espectral, capaz de separar la señal debida a la emisión del SICF del pico producido por los efectos combinados de la absorción de agua y fitoplancton. Segundo, determinar las posibilidades de implementar este algoritmo para la misión FLEX , teniendo en cuenta algunos factores importantes, tales como: (1) el impacto de los efectos atmosféricos sobre el rango espectral de SICF y (2) los ruidos instrumentales del sensor. En el caso del primer objetivo, se ha desarrollado un algoritmo basado en la estimación de SICF como la diferencia entre la reflectividad del agua con y sin la contribución de SICF (esta última es desconocida). El algoritmo consiste en estimar la reflectividad del agua sin la contribución de SICF siguiendo los siguientes pasos: (1) Normalizar la reflectividad a 780 nm. (2) Estimar tres puntos de anclaje dentro del rango espectral de SICF a partir de las bandas espectrales fuera y alrededor del rango espectral de SICF Esta estimación se hace a partir de diferentes modelos de “Machine Learning” (3) Realizar un ajuste de splines usando los puntos de anclaje estimados para obtener la reflectividad del agua sin SICF (4) Calcular la diferencia entre la reflectividad con y sin SICF para obtener la señal de SICF. Como resultados se obtuvo que los métodos de machine learning que hacen una mejor estimación de los puntos de anclaje son KRR, GPR, VHGPR, SVR y NN, los cuales dan una estimación de SICF con errores relativos menores al 5% en más del 80% de los casos. En el caso del segundo objetivo, se analizó el impacto de una corrección atmosférica errónea debida a errores en la estimación de los parámetros atmosféricos en las imágenes de FLEX, dando como resultado que una correcta estimación de los parámetros atmosféricos es fundamental para una correcta estimación de SICF. Adicionalmente, se analizó el impacto del ruido instrumental sobre el algoritmo de estimación de SICF, utilizando imágenes simuladas, dando como resultado que el mejor método para la estimación de SUCF es el KRR, pues los otros métodos de machine learning son demasiado sensibles al ruido instrumental remanente en la señal. Con el método KRR, se obtuvo un error del 22% en la estimación de SICF en aguas de tipo continental y costero, mientras que para aguas de tipo oceánico se obtuvo un 50% de error. Este algoritmo se puede mejorar en un futuro, diseñando bases de datos más complejas incluyendo otro tipo de pigmentos del fitoplancton, lo cual requiere un alto costo computacional. La implementación de este algoritmo en los productos de nivel-2 de FLEX puede mejorar la estimación de SICF, beneficiando así la evaluación de la concentración de Clorofila-a y la productividad del océano a nivel local y global.

Modeling the reflectance of water bodies poses a significant challenge due to the spectral variability caused by the absorption and scattering effects of different components present in the water. Similarly, the detection of Sun-Induced Chlorophyll Fluorescence (SICF) is a complex task, further complicated by the presence of a 'false SICF peak' resulting from the absorption of phytoplankton. Estimating SICF is crucial to understanding phytoplankton photosynthesis and, consequently, primary production. Remote sensing emerges as a fundamental tool for the global estimation of SICF. Additionally, the development of new space missions, such as the FLEX mission designed for SICF detection in terrestrial vegetation, opens the door to the development of more precise methods for estimating SICF emitted by phytoplankton. This thesis addresses two main objectives: First, to develop an algorithm based on high spectral resolution data able to separate the signal due to the SICF emission from the peak produced by the combined effects of water and phytoplankton absorption. Second, to determine the possibilities of implementing this algorithm for the FLEX mission, taking into account some important factors, such as: (1) the impact of the atmospheric effects over the SICF spectral range and (2) the instrumental noises from the sensor. In the case of the first objective, an algorithm based on SICF estimation as the difference between water reflectance with and without the contribution of SICF (the latter being unknown) has been developed. The algorithm involves estimating water reflectance without the contribution of SICF through the following steps: (1) Normalize reflectance at 780 nm. (2) Estimate three anchor points within the spectral range of SICF from spectral bands outside and around the SICF spectral range. This estimation is done using different Machine Learning models (3) Perform a spline fit using the estimated anchor points to obtain water reflectance without SICF (4) Calculate the difference between reflectance with and without SICF to obtain the SICF signal. As a result, it was found that machine learning methods that provide a better estimation of anchor points are KRR, GPR, VHGPR, SVR, and NN, all of which give an SICF estimate with relative errors of less than 5% in over 80% of cases. In the case of the second objective, the impact of incorrect atmospheric correction due to errors in estimating atmospheric parameters in FLEX images was analyzed, resulting in the finding that accurate estimation of atmospheric parameters is crucial for correct SICF estimation. Additionally, the impact of instrumental noise on the SICF estimation algorithm was analyzed using simulated images, resulting in the determination that the best method for SICF estimation is KRR, as other machine learning methods are too sensitive to the remaining instrumental noise in the signal. With the KRR method, a 22% error in SICF estimation was obtained in continental and coastal waters, while oceanic waters exhibited a 50% error. This algorithm can be further improved in the future by designing more complex databases that include other types of phytoplankton pigments, which requires high computational cost. The implementation of this algorithm in FLEX level-2 products can improve the estimation of SICF, thereby benefiting the assessment of Chlorophyll-a concentration and ocean productivity at local and global levels.