Fechar
Metadados

@PhDThesis{Moura:2015:UsMuMo,
               author = "Moura, Yhasmin Mendes de",
                title = "Using multi-angle modis data to observe vegetation dynamics in the 
                         Amazon Forest",
               school = "Instituto Nacional de Pesquisas Espaciais (INPE)",
                 year = "2015",
              address = "S{\~a}o Jos{\'e} dos Campos",
                month = "2015-12-08",
             keywords = "Amaz{\^o}nia, anisotropia, MODIS, MAIAC, sensoriamento remoto 
                         multiangular, Amazon, anisotropy, multi-angle remote sensing.",
             abstract = "Seasonality and drought in Amazon rainforests have been 
                         controversially discussed in the literature, partially due to a 
                         limited ability of current remote sensing techniques to detect 
                         drought impacts on tropical vegetation. Detailed knowledge of 
                         vegetation structure is required for accurate modeling of 
                         terrestrial ecosystem. However, direct measurements of the three 
                         dimensional distribution of canopy elements using LiDAR are not 
                         widely available, especially in the Amazon region. This thesis 
                         explores a novel multi-angle remote sensing approach to determine 
                         changes in vegetation structure from differences in directional 
                         scattering (anisotropy) observed from the analysis of Moderate 
                         Resolution Imaging Spectroradiometer (MODIS) data, atmospherically 
                         corrected using the Multi-Angle Implementation Atmospheric 
                         Correction Algorithm (MAIAC). Chapter 1 presents a general 
                         overview of the topic, followed by a theoretical background of the 
                         most important types of remote sensing data used in this thesis 
                         (Chapter 2). Chapter 3 describes the retrieval of BRDF from MODIS 
                         data. Chapters 4 and 5 present two distinct approaches using 
                         multi-angular MODIS data. In Chapter 4, the potential of using 
                         MODIS anisotropy for modeling vegetation roughness from 
                         directional scattering of visible and near-infrared (NIR) 
                         reflectance was evaluated across different forest types. Derived 
                         estimates were compared to independent measures of canopy 
                         roughness (entropy) obtained from the: 1) airborne laser scanning 
                         (ALS), 2) spaceborne LiDAR Geoscience Laser Altimeter System 
                         (GLAS), and 3) spaceborne SeaWinds/QSCAT. GLAS-derived entropy 
                         presented strong seasonality and varied between different forest 
                         types. Results from Chapter 4 showed linear relationships between 
                         MODIS-derived anisotropy and ALS-derived entropy with a 
                         coefficient of determination (r\$^{2}\$) of 0.54 and a root mean 
                         squared error (RMSE) of 0.11, even in high biomass regions. 
                         Significant relationships were also obtained between MODIS-derived 
                         anisotropy and GLAS-derived entropy 
                         (0.5\$\leq\$r\$^{2}\$\$\leq\$0.61; p<0.05), with similar 
                         slopes and offsets found throughout the season. The RMSE varied 
                         between 0.26 and 0.30 (units of entropy). The relationships 
                         between the MODIS-derived anisotropy and backscattering 
                         measurements (\$\sigma\$\$^{0}\$) from SeaWinds/QuikSCAT were 
                         also significant (r\$^{2}\$=0.59, RMSE=0.11). Results also 
                         showed a strong linear relationship of the anisotropy with field- 
                         (r\$^{2}\$=0.70) and LiDAR-based (r\$^{2}\$=0.88) estimates of 
                         leaf area index (LAI). In Chapter 5, the method was used to 
                         analyze seasonal changes in the Amazonian forests, comparing them 
                         to spatially explicit estimates of onset and length of dry season 
                         obtained from the Tropical Rainfall Measurement Mission (TRMM). 
                         The results of Chapter 5 showed an increase in vegetation greening 
                         during the beginning of dry season (7\% of the basin), which was 
                         followed by a decline (browning) later during the dry season (5\% 
                         of the basin). Anomalies in vegetation browning were particularly 
                         strong during the 2005 and 2010 drought years (10\% of the 
                         basin). The magnitude of seasonal changes was significantly 
                         affected by regional differences in onset and duration of the dry 
                         season. Seasonal changes were much less pronounced when assuming a 
                         fixed dry season from June through September across the Amazon 
                         basin. The findings reconcile remote sensing studies with 
                         field-based observations and model results, supporting the 
                         argument that tropical vegetation growth increases during the 
                         beginning of the dry season, but declines after extended dry 
                         season and drought periods. Overall, we concluded that multi-angle 
                         approaches, as the one used in this thesis, are suitable to 
                         extrapolate measures of canopy structure across different forest 
                         types, and may help quantify drought tolerance and seasonality in 
                         the Amazonian forests. RESUMO: Os temas sazonalidade e secas 
                         severas na Amaz{\^o}nia v{\^e}m sido discutidos de maneira 
                         controversa na literatura, parcialmente devido {\`a} habilidade 
                         limitada das atuais t{\'e}cnicas de sensoriamento remoto para 
                         detec{\c{c}}{\~a}o e an{\'a}lise da resposta de florestas 
                         tropicais a estes eventos. O conhecimento detalhado da estrutura 
                         da vegeta{\c{c}}{\~a}o constitui um dado fundamental para 
                         melhoria da modelagem dos ecossistemas terrestres. No entanto, 
                         medi{\c{c}}{\~o}es diretas da distribui{\c{c}}{\~a}o 
                         tridimensional dos elementos do dossel, por exemplo, oriundas de 
                         LiDAR, n{\~a}o s{\~a}o dispon{\'{\i}}veis amplamente, 
                         especialmente na regi{\~a}o Amaz{\^o}nica. Neste estudo, {\'e} 
                         proposta uma abordagem de sensoriamento remoto multiangular para 
                         avaliar mudan{\c{c}}as na estrutura da vegeta{\c{c}}{\~a}o a 
                         partir de diferen{\c{c}}as do espalhamento direcional 
                         (anisotropia) observado pelo Moderate Resolution Imaging 
                         Spectroradiometer (MODIS), que teve seus dados atmosfericamente 
                         corrigidos usando o Multi-Angle Implementation Atmospheric 
                         Correction Algorithm (MAIAC). O Cap{\'{\i}}tulo 1 apresenta uma 
                         vis{\~a}o geral do problema, seguido de uma base te{\'o}rica 
                         sobre os mais importantes temas e dados de sensoriamento remoto 
                         usados nesta tese (Cap{\'{\i}}tulo 2). O Cap{\'{\i}}tulo 3 
                         descreve o modelo utilizado para recupera{\c{c}}{\~a}o dos dados 
                         da Fun{\c{c}}{\~a}o de Distribui{\c{c}}{\~a}o da 
                         Reflect{\^a}ncia Bidirecional (BRDF) a partir dos dados MODIS. Os 
                         Cap{\'{\i}}tulos 4 e 5 apresentam duas abordagens distintas 
                         usando dados multiangulares do MODIS. No Cap{\'{\i}}tulo 4 foi 
                         avaliado o potencial dos dados de anisotropia de 
                         superf{\'{\i}}cie para modelar a rugosidade dos doss{\'e}is 
                         atrav{\'e}s do espalhamento direcional nas bandas de 
                         reflect{\^a}ncia do vis{\'{\i}}vel e infravermelho pr{\'o}ximo 
                         sobre diferentes tipologias florestais. Foram efetuadas 
                         compara{\c{c}}{\~o}es entre os dados de anisotropia em 
                         rela{\c{c}}{\~a}o {\`a} medidas independentes de rugosidade de 
                         doss{\'e}is (entropia) obtidos de dados: 1) LiDAR 
                         aerotransportado (ALS), 2) LiDAR orbital do Geoscience Laser 
                         Altimeter System (GLAS), e 3) radar orbital do SeaWinds/QSCAT. 
                         Dados de entropia do GLAS apresentaram forte sazonalidade entre as 
                         tipologias florestais analisadas. Os resultados mostraram uma 
                         rela{\c{c}}{\~a}o linear entre os dados de anisotropia derivados 
                         do sensor MODIS com os dados de entropia estimados do LiDAR 
                         aerotransportado com coeficiente de determina{\c{c}}{\~a}o 
                         (r\$^{2}\$) de 0.54 e erro m{\'e}dio quadr{\'a}tico (RMSE) de 
                         0.11, mesmo em regi{\~o}es de floresta densa. 
                         Rela{\c{c}}{\~o}es significantes foram tamb{\'e}m obtidas entre 
                         anisotropia derivada do MODIS e entropia derivada do GLAS 
                         (0.52\$\leq\$r\$^{2}\$\$\leq\$0.61; p<0.05), com 
                         inclina{\c{c}}{\~o}es e interceptos aproximadamente similares ao 
                         longo de diferentes meses. O RMSE variou entre 0.26 e 0.30 
                         (unidades de entropia). A correla{\c{c}}{\~a}o entre anisotropia 
                         do MODIS com medidas de retroespalhamento 
                         (\$\sigma\$\$^{0}\$) do sensor SeaWinds/QuikSCAT foi 
                         estat{\'{\i}}sticamente significante (r\$^{2}\$=0.59, 
                         RMSE=0.11). Os resultados tamb{\'e}m mostraram uma forte 
                         correla{\c{c}}{\~a}o linear entre os dados de anisotropia e as 
                         estimativas de {\'{\i}}ndice de {\'a}rea foliar (LAI) obtidas 
                         em campo (r\$^{2}\$=0.70) e a partir de dados LiDAR 
                         (r\$^{2}\$=0.88). No Cap{\'{\i}}tulo 5, analisou-se as 
                         varia{\c{c}}{\~o}es sazonais das florestas Amaz{\^o}nicas, em 
                         que foram calculadas estimativas espacialmente expl{\'{\i}}citas 
                         do in{\'{\i}}cio e dura{\c{c}}{\~a}o da esta{\c{c}}{\~a}o 
                         seca na regi{\~a}o utilizando dados do Tropical Rainfall 
                         Measurement Mission (TRMM). Os resultados mostraram um aumento em 
                         verdejamento da vegeta{\c{c}}{\~a}o (\emph{greening}) durante o 
                         in{\'{\i}}cio da esta{\c{c}}{\~a}o seca (7\% da bacia), 
                         seguido de um subsequente decl{\'{\i}}nio (\emph{browning}) no 
                         final da esta{\c{c}}{\~a}o seca (\$\sim\$5\% da bacia). As 
                         anomalias negativas (\emph{browning}) foram particularmente mais 
                         fortes durantes os anos de seca extrema na regi{\~a}o, em 2005 e 
                         2010 (\$\sim\$10\% da bacia). Os resultados mostraram que a 
                         magnitude dessas mudan{\c{c}}as sazonais pode ser 
                         significantemente afetada pelas diferen{\c{c}}as regionais de 
                         in{\'{\i}}cio e dura{\c{c}}{\~a}o da esta{\c{c}}{\~a}o seca. 
                         Mudan{\c{c}}as sazonais foram muito menos pronunciadas quando se 
                         assumiu um per{\'{\i}}odo fixo de esta{\c{c}}{\~a}o seca 
                         (junho at{\'e} setembro) sobre a bacia Amaz{\^o}nica. Os 
                         resultados reconciliam estudos baseados em dados de sensoriamento 
                         remoto com observa{\c{c}}{\~o}es de campo e modelagem, uma vez 
                         que fornecem uma base mais s{\'o}lida sobre o argumento de que a 
                         vegeta{\c{c}}{\~a}o tropical aumenta seu crescimento durante o 
                         in{\'{\i}}cio da esta{\c{c}}{\~a}o seca, mas sofre um 
                         decl{\'{\i}}nio com o seu prolongamento, e especialmente 
                         ap{\'o}s per{\'{\i}}odos de secas severas. Como conclus{\~a}o 
                         geral, a abordagem multiangular utilizada neste trabalho se 
                         mostrou satisfat{\'o}ria, permitindo a extrapola{\c{c}}{\~a}o 
                         de estimativas estruturais do dossel sobre diferentes tipologias 
                         florestais, podendo auxiliar na quantifica{\c{c}}{\~a}o sobre os 
                         impactos e resili{\^e}ncia das florestas Amaz{\^o}nicas em 
                         rela{\c{c}}{\~a}o a ocorr{\^e}ncias de secas severas.",
            committee = "Galv{\~a}o, L{\^e}nio Soares (presidente/orientador) and Santos, 
                         Jo{\~a}o Roberto dos (orientador) and Anderson, Liana Oighenstein 
                         and Lyapustin, Alexei I. and Ferreira J{\'u}nior, Laerte 
                         Guimar{\~a}es",
           copyholder = "SID/SCD",
         englishtitle = "Utiliza{\c{c}}{\~a}o de dados multiangulares do sensor MODIS 
                         para an{\'a}lise da din{\^a}mica da vegeta{\c{c}}{\~a}o na 
                         Floresta Amaz{\^o}nica",
             language = "en",
                pages = "107",
                  ibi = "8JMKD3MGP3W34P/3L2FEBH",
                  url = "http://urlib.net/rep/8JMKD3MGP3W34P/3L2FEBH",
           targetfile = "publicacao.pdf",
        urlaccessdate = "29 nov. 2020"
}


Fechar