Fechar
Metadados

@PhDThesis{Oliveira:2014:AnEsTe,
               author = "Oliveira, J{\'u}lio C{\'e}sar de",
                title = "Janela de regress{\~a}o: uma an{\'a}lise espacial e temporal 
                         para estimar valores de NDVI classificados com baixa qualidade em 
                         s{\'e}ries temporais MODIS",
               school = "Instituto Nacional de Pesquisas Espaciais (INPE)",
                 year = "2014",
              address = "S{\~a}o Jos{\'e} dos Campos",
                month = "2014-03-31",
             keywords = "qualidade do dado, janela espa{\c{c}}o tempora, 
                         Redu{\c{c}}{\~a}o de ru{\'{\i}}dos, MODIS, s{\'e}rie 
                         temporal, data quality, spatial-temporal window, noise reduction, 
                         MODIS, time series.",
             abstract = "Imagens MODIS s{\~a}o amplamente utilizadas para an{\'a}lise de 
                         v{\'a}rios fen{\^o}menos terrestres, como a fenologia da 
                         vegeta{\c{c}}{\~a}o, mudan{\c{c}}as no uso e cobertura do solo 
                         e monitoramento do desmatamento. Em geral, os produtos MODIS 
                         destinados {\`a}s an{\'a}lises multitemporais s{\~a}o compostos 
                         por mosaicos dos melhores pixels adquiridos ao longo de certo 
                         per{\'{\i}}odo de tempo (tipicamente duas semanas). Entretanto, 
                         a an{\'a}lise das s{\'e}ries temporais {\'e} prejudicada pela 
                         presen{\c{c}}a de pixels com baixa qualidade ao longo da 
                         composi{\c{c}}{\~a}o de dados. Na presente pesquisa {\'e} 
                         apresentada uma metodologia para redu{\c{c}}{\~a}o de 
                         ru{\'{\i}}dos em s{\'e}ries temporais que considera a qualidade 
                         da informa{\c{c}}{\~a}o disponibilizada para um ponto de 
                         interesse, bem como a rela{\c{c}}{\~a}o no espa{\c{c}}o e no 
                         tempo para os vizinhos. Esta metodologia, chamada de Janela de 
                         Regress{\~a}o (JR), estima o valor do ponto de interesse baseado 
                         em an{\'a}lises de regress{\~a}o de dados selecionados por meio 
                         de uma janela espa{\c{c}}o-temporal. A partir do produto MOD13Q1 
                         foram selecionadas tr{\^e}s {\'a}reas testes com o objetivo de 
                         representar a diversidade de uso e cobertura do solo presente no 
                         munic{\'{\i}}pio de Ipu{\~a}/SP. Em cada {\'a}rea teste foi 
                         avaliado o desempenho do m{\'e}todo proposto, e de mais outras 
                         t{\'e}cnicas de filtragem (4253H twice, Mean Value Iteration e 
                         SavitzkyGolay), na redu{\c{c}}{\~a}o de ru{\'{\i}}dos 
                         simulados ao longo do tempo e do espa{\c{c}}o. A 
                         simula{\c{c}}{\~a}o de ru{\'{\i}}dos consistiu em introduzir 
                         n{\'{\i}}veis de ru{\'{\i}}dos com base em quatro tipos de 
                         amostragem de dados (tempo; tempo e espa{\c{c}}o; grupo de pixels 
                         ou cluster; e sequ{\^e}ncia de datas) sobre o conjunto de imagens 
                         de cada {\'a}rea teste. A medida de dispers{\~a}o Mean Absolute 
                         Percentage Error (MAPE) e o {\'{\i}}ndice Akaike Information 
                         Criterion (AIC) indicaram que o m{\'e}todo JR apresentou um 
                         desempenho superior {\`a}s demais t{\'e}cnicas avaliadas nas 
                         estimativas de novos valores de NDVI. As t{\'e}cnicas de 
                         filtragem Janela de Regress{\~a}o e SavitzkyGolay forneceram os 
                         melhores ajustes na redu{\c{c}}{\~a}o dos ru{\'{\i}}dos de 
                         baixa intensidade (ru{\'{\i}}dos de 10\%) para todos os tipos 
                         de amostragem. Para os ru{\'{\i}}dos simulados com os 
                         n{\'{\i}}veis de 30\% e 50\% a t{\'e}cnica de filtragem JR 
                         apresentou desempenho superior {\`a} obtida pelas demais 
                         t{\'e}cnicas analisadas. As discrep{\^a}ncias entre o dado 
                         original e filtrado obtidas pela JR foram consistentes 
                         independentemente do n{\'{\i}}vel de ru{\'{\i}}do simulado, 
                         pois esta t{\'e}cnica n{\~a}o utiliza a informa{\c{c}}{\~a}o 
                         de baixa qualidade (ou com ru{\'{\i}}do) nos procedimentos para 
                         a estimativa de novos valores. Por{\'e}m, observou-se uma queda 
                         de desempenho na estimativa de novos valores em {\'a}reas com 
                         maior diversidade de uso e cobertura do solo, o que indica a 
                         necessidade de cautela no emprego da metodologia proposta em 
                         {\'a}reas heterog{\^e}neas. Os filtros que necessitam da 
                         defini{\c{c}}{\~a}o de limiares ou janela de an{\'a}lises podem 
                         ter desempenhos distintos em fun{\c{c}}{\~a}o do comportamento 
                         da s{\'e}rie temporal a ser analisada ou do n{\'{\i}}vel de 
                         acerto do usu{\'a}rio em definir tais par{\^a}metros. Os 
                         resultados obtidos nesta pesquisa indicam bom potencial da 
                         metodologia para reduzir o ru{\'{\i}}do em s{\'e}ries temporais 
                         NDVI/MODIS; no entanto, mais investiga{\c{c}}{\~o}es s{\~a}o 
                         necess{\'a}rias para a redu{\c{c}}{\~a}o de ru{\'{\i}}do por 
                         meio de an{\'a}lise espa{\c{c}}o-temporal. ABSTRACT: MODIS data 
                         is largely used in multitemporal analysis of various Earth related 
                         phenomena, such as vegetation phenology, land use/land cover 
                         change, deforestation monitoring and time series analysis. In 
                         general, the MODIS products used to undertake multitemporal 
                         analysis are composite mosaics of the best pixels over a certain 
                         period of time (typically two weeks). However, it is common the 
                         presence of bad pixels in the composition which affect the time 
                         series analysis. We present a filtering methodology that takes the 
                         pixel position (location in space) and time (location in the 
                         temporal data series) to define a new value for the bad pixel. 
                         This methodology, called Window Regression (WR), estimates the 
                         value of the point of interest based on regression analysis of the 
                         data selected by a spatial-temporal window. From the product 
                         MOD13Q1 intensities of noise were simulated over time and space, 
                         and both the method presented and other techniques (4253H twice, 
                         Mean Value Iteration (MVI) and SavitzkyGolay (SG)) were evaluated 
                         using the Mean Absolute Percentage Error (MAPE) and Akaike 
                         Information Criterion (AIC). The simulated noises in time series 
                         were scaled into three intensities. The Window Regression and 
                         SavitzkyGolay filtering techniques provided the best fits for the 
                         noise reduction at low intensity (10\% noise), according to the 
                         MAPE and AIC values. For the 30\% and 50\% noise simulations, 
                         the WR presented the best performance when compared to the other 
                         techniques. It is obvious that the noise intensity in the 
                         vegetation indices affects the results obtained by the 4253H 
                         twice, MVI and SG filtering techniques. On the other hand, it does 
                         not occur in the WR filtering technique, since the NDVI value of 
                         the pixel, along with the pixels considered as of low quality, are 
                         not used in the procedure for estimating the new value of the 
                         pixel of interest. The proposed method uses spatial-temporal 
                         analysis to estimate new NDVI value for a given pixel, and the 
                         analysis between neighboring pixels will be applied with caution 
                         in heterogeneous areas, or in more fragmented landscapes. The 
                         results obtained in this research indicate good potential of the 
                         method to reduce noise in MODIS NDVI time series data; however, 
                         more investigations are needed for noise reduction of NDVI time 
                         series from spatial-temporal analysis.",
            committee = "Renn{\'o}, Camilo Daleles (presidente) and Epiphanio, Jos{\'e} 
                         Carlos Neves (orientador) and Namikawa, La{\'e}rcio Massaru and 
                         Freitas, Ramon Morais de and Gleriani, Jos{\'e} Marinaldo",
         englishtitle = "Window Regression: a spatial-temporal analysis to estimate pixels 
                         classified as low-quality in MODIS NDVI time series",
             language = "pt",
                  ibi = "8JMKD3MGP5W34M/3G3872B",
                  url = "http://urlib.net/rep/8JMKD3MGP5W34M/3G3872B",
           targetfile = "publicacao.pdf",
        urlaccessdate = "23 nov. 2020"
}


Fechar