Fechar
Metadados

@PhDThesis{Jorge:2018:CaBiIm,
               author = "Jorge, Daniel Schaffer Ferreira",
                title = "Caracteriza{\c{c}}{\~a}o bio-{\'o}ptica e 
                         implementa{\c{c}}{\~a}o de algoritmos semi-anal{\'{\i}}ticos 
                         para o estudo da qualidade da {\'a}gua na Reserva de 
                         Desenvolvimento Sustent{\'a}vel Mamirau{\'a}",
               school = "Instituto Nacional de Pesquisas Espaciais (INPE)",
                 year = "2018",
              address = "S{\~a}o Jos{\'e} dos Campos",
                month = "2018-04-24",
             keywords = "sensoriamento remoto, propriedades bio-{\'o}pticas, lagos da 
                         Amaz{\^o}nia, algoritmos semi-anal{\'{\i}}ticos, 
                         simula{\c{c}}{\~a}o de sensores, remote sensing, bio-optical 
                         properties, Amazon lakes, semi analytical algorithms, sensor 
                         simulation.",
             abstract = "O desenvolvimento de algoritmos com boa acur{\'a}cia e 
                         precis{\~a}o para obten{\c{c}}{\~a}o de informa{\c{c}}{\~o}es 
                         {\'o}pticas de {\'a}guas interiores {\'e} fundamental para 
                         aumentar a aplicabilidade de dados de sensoriamento remoto para 
                         fins de monitoramento. Embora os algoritmos 
                         semi-anal{\'{\i}}ticos tenham sido desenvolvidos para as 
                         {\'a}guas oce{\^a}nicas, diversos trabalhos adaptaram e 
                         aplicaram estes em {\'a}guas continentais e costeiras, com 
                         relativo sucesso, entretanto para {\'a}guas opticamente complexas 
                         ainda n{\~a}o foi poss{\'{\i}}vel valid{\'a}-los. Para 
                         compreender melhor estes ambientes e auxiliar o desenvolvimento de 
                         ferramentas para o monitoramento de plan{\'{\i}}cies de 
                         inunda{\c{c}}{\~a}o da Amaz{\^o}nia, este estudo possui 3 
                         objetivos: i) Realizar a caracteriza{\c{c}}{\~a}o 
                         bio-{\'o}ptica da Reserva de Desenvolvimento Sustent{\'a}vel 
                         Mamirau{\'a} (RDSM) ii) Avaliar o impacto do SNR nos algoritmos 
                         para estimativa de Chl-a e TSS em quatro lagos localizados na RDSM 
                         iii) Avaliar dois algoritmos semi-anal{\'{\i}}ticos aplicados 
                         aos lagos da Amaz{\^o}nia, que s{\~a}o muito din{\^a}micos, e 
                         com alta variabilidade na concentra{\c{c}}{\~a}o de mat{\'e}ria 
                         org{\^a}nica, sedimentos e fitopl{\^a}ncton. Para isto, dados 
                         {\'o}pticos in situ foram obtidos durante cinco miss{\~o}es 
                         entre 2015 e 2016, com um total de 102 pontos de amostragem. A 
                         an{\'a}lise das propriedades {\'o}ticas deste ambiente mostrou 
                         que estas s{\~a}o controladas por duas for{\c{c}}antes, tempo e 
                         espa{\c{c}}o. Durante a vazante, os lagos possuem 
                         caracter{\'{\i}}sticas relativamente homog{\^e}neas, enquanto 
                         que durante a enchente, o impacto varia em fun{\c{c}}{\~a}o da 
                         posi{\c{c}}{\~a}o dos lagos em rela{\c{c}}{\~a}o aos rios de 
                         entorno. Para os lagos localizados dentro da floresta e longe dos 
                         rios principais, observou-se um aumento na mat{\'e}ria 
                         org{\^a}nica, enquanto que para os lagos localizados 
                         pr{\'o}ximos aos rios, observou-se um aumento de detrito. Para 
                         avaliar o impacto do SNR em medidas bio-{\'o}pticas, dois 
                         conjuntos de dados foram simulados (espectros com e sem 
                         ru{\'{\i}}do) com base em medi{\c{c}}{\~o}es in situ e nas 
                         caracter{\'{\i}}sticas do sensor (MSI / Sentinel-2, OLCI / 
                         Sentinel-3 e OLI / Landsat 8). O conjunto de dados foi testado em 
                         tr{\^e}s algoritmos emp{\'{\i}}ricos para TSS e em quatro para 
                         Chl-a. Os resultados mostraram que o impacto do SNR em cada 
                         algoritmo exibiu padr{\~o}es semelhantes para ambos os 
                         constituintes. Para algoritmos lineares e aditivos, a amplitude do 
                         erro {\'e} constante para toda a faixa de 
                         concentra{\c{c}}{\~a}o. No entanto, para algoritmos 
                         multiplicativos, o erro muda de acordo com a equa{\c{c}}{\~a}o 
                         do algoritmo e a magnitude da \𝑅\𝑟\𝑠. 
                         Por fim, para o algoritmo exponencial, a amplitude de erro {\'e} 
                         maior para concentra{\c{c}}{\~a}o baixa. O sensor OLCI possui o 
                         melhor desempenho (erro de at{\'e} 2 \μg/L para o Chl-a, 
                         com faixa entre 9 e 14 \μg/L, e 3 mg/L para o TSS, com faixa 
                         entre 5 e 30 mg/L). Para MSI, o erro dos algoritmos aditivos e 
                         lineares para TSS e Chl-a {\'e} baixo (at{\'e} 5 mg/L e 1 
                         \μg/L, respectivamente); mas, para o algoritmo 
                         multiplicativo, os erros foram acima de viii 10 \μg/L. A 
                         simula{\c{c}}{\~a}o OLI resultou em erros abaixo de 3 mg/L para 
                         o TSS. No entanto, o n{\'u}mero e a posi{\c{c}}{\~a}o das 
                         bandas do OLI restringem a estimativa de Chl-a. Para a 
                         avalia{\c{c}}{\~a}o dos algoritmos semi-anal{\'{\i}}ticos, 
                         foram testados dois algoritmos para os lagos da RDSM: Spectral 
                         Optimization Algorithm (SOA); e Quasi-Anal{\'{\i}}tical Algoritm 
                         (QAA). Cada algoritmo foi calibrado, utilizando tanto a estrutura 
                         original quanto mudan{\c{c}}as propostas para {\'a}guas 
                         opticamente complexas. Os algoritmos foram inicialmente testados 
                         para todo o conjunto de dados coletados in situ com resultados 
                         n{\~a}o satisfat{\'o}rios para o QAA. Para melhorar o desempenho 
                         dos algoritmos, o conjunto de dados foi dividido em lagos escuros 
                         (Bua Bua e Mamiraua) e lagos claros (Pirarara e Pantale{\~a}o), 
                         com base no espectro de \𝑅\𝑟\𝑠. Os 
                         resultados mostraram que os espectros de absor{\c{c}}{\~a}o 
                         total derivados do SOA, quando comparados a medidas in situ, 
                         apresentaram alta correla{\c{c}}{\~a}o, entretanto ao 
                         discriminar as fra{\c{c}}{\~o}es em fitopl{\^a}ncton e 
                         detrito+CDOM, o algoritmo n{\~a}o foi capaz de discriminas a 
                         fra{\c{c}}{\~a}o do fitopl{\^a}ncton em lagos escuros. Para o 
                         QAA, os resultados se mostraram satisfat{\'o}rios, tanto para a 
                         absor{\c{c}}{\~a}o total, quanto para as absor{\c{c}}{\~o}es 
                         fracionada. Entretanto, observou-se uma tend{\^e}ncia do QAA 
                         subestimar os valores de absor{\c{c}}{\~a}o. Considerando que os 
                         algoritmos n{\~a}o foram desenvolvidos para ambientes opticamente 
                         complexos e com grande varia{\c{c}}{\~a}o espacial e temporal os 
                         resultados se mostraram satisfat{\'o}rios, sendo uma ferramenta 
                         fundamental para o desenvolvimento de programas de monitoramento 
                         para {\'a}guas Amaz{\^o}nicas. ABSTRACT: The development of 
                         algorithms with good precision and accuracy to obtain optical 
                         information from inland waters is fundamental to increase the 
                         applicability of remote sensing data for monitoring purposes. 
                         Although semianalytical algorithms had been developed for ocean 
                         waters, several works adapted and applied them on coastal and 
                         inland waters, with relative success, but for extremely complex 
                         waters, validations have yet to be achieved. To understand better 
                         those environments and to develop new tools to monitor Amazonian 
                         flood plains, this has 3 objectives: i) Accomplish the bio-optical 
                         characterization of the Mamirau{\'a} Sustainable Development 
                         Reserve (MSDR) ii) Evaluate the impact of signal-to-noise ratio 
                         (SNR) on Chla and TSS algorithms in four lakes located in the 
                         Mamirau{\'a} Sustainable Development Reserve (RDSM) iii) Evaluate 
                         two semi-analytical algorithms applied to Amazon lakes, which are 
                         dynamic and with high variability in the organic matter, sediments 
                         and phytoplankton concentration. To accomplish that, in situ 
                         optical data were obtained during five missions between 2015 and 
                         2016, with a total of 102 sampling stations. The evaluation of the 
                         optical propertis of this environment showed that those are 
                         controlled by 2 forces, time and space. During the receding water, 
                         the lakes have relatively homogeneous characteristics, while 
                         during the flood, the impact changes based on the lakes position 
                         in relation with the surrounding rivers. For the lakes located 
                         inside the forest and far from the main rivers, an increase in 
                         organic matter was observed, while for the lakes located near the 
                         rivers, an increase in detritus was observed. To evaluate the 
                         impact of the SNR on biooptical measurements, two datasets were 
                         simulated (noisy and noiseless), based on in situ measurements and 
                         sensors design (MSI / Sentinel-2, OLCI / Sentinel-3 e OLI / 
                         Landsat 8). The dataset was tested in three empirical algorithms 
                         for TSS and four for Chl-a. The results showed that the impact of 
                         the SNR on each algorithm showed similar patterns for both 
                         constituents. For linear additive algorithms, the error amplitude 
                         is constant for all the concentration range. But for 
                         multiplicative algorithms, the uncertainty changed based on the 
                         algorithm equation and \𝑅\𝑟\𝑠 
                         magnitude. Lastly, for exponential algorithms, the error amplitude 
                         is higher for lower concentration. OLCI sensor had the best 
                         performance (error of up to 2 \μg/L for Chl-a, with range 
                         between 9 and 14 \μg/L and 3 mg/L for TSS with range between 
                         5 and 30 mg/L). For MSI, the additive and linear algorithms error 
                         for TSS and Chl-a is low (up to 5 mg/L and 1 \μg/L, 
                         respectively); but for multiplicative algorithms, the errors were 
                         above 10 \μg/L. OLI simulation resulted in errors bellow 3 
                         mg/L for TSS. However, OLI band positions and numbers is 
                         restrictive for Chl-a estimation. x To evaluate the 
                         semi-analytical algorithms, two algorithms were tested for RDSM 
                         lakes: Spectral Optimization Algorithm (SOA); and 
                         Quasi-Anal{\'{\i}}tical Algoritm (QAA). Each algorithm was 
                         calibrated, using both the original structure and proposed changes 
                         for optically complex waters. The algorithms were initially tested 
                         for all the dataset sampled in situ, but the results were not 
                         satisfactory for QAA. To increase the algorithm performance the 
                         dataset was divided on dark lakes (Bua Bua and Mamirau{\'a}) and 
                         bright lakes (Pirarara and Pantale{\~a}o), based on 
                         \𝑅\𝑟\𝑠 spectrum. The results showed 
                         that the total absorption spectra derived from SOA, when compared 
                         to in situ measurements, presented high correlation, however when 
                         discriminating the phytoplankton and detritus+CDOM fractions, the 
                         algorithm was not successful to discriminate the phytoplankton 
                         fraction on dark lakes. For the QAA, the results were 
                         satisfactory, for both total and fractioned absorption. However, 
                         QAA showed a tendency to underestimate the absorption magnitude. 
                         Considering that the algorithms were not developed for optically 
                         complex environments and with high spatial and temporal 
                         variability, the results were satisfactory, being a fundamental 
                         tool for the development of monitoring programs for Amazon 
                         waters.",
            committee = "Moraes Novo, Evlyn M{\'a}rcia Le{\~a}o de (presidente) and 
                         Barbosa, Cl{\'a}udio Clemente Faria (orientador) and Affonso, 
                         Adriana Gomes (orientadora) and Rudorff, Nat{\'a}lia de Moraes 
                         and Carvalho, Lino Augusto Sander de and Costa, Maycira and 
                         Ciotti, Aurea Maria",
         englishtitle = "Bio-optical characterization and implementation of semi-analytical 
                         algorithms for the study of Mamirau{\'a} Sustainable Development 
                         Reserve water quality",
             language = "pt",
                pages = "161",
                  ibi = "8JMKD3MGP3W34R/3QRHPKP",
                  url = "http://urlib.net/rep/8JMKD3MGP3W34R/3QRHPKP",
           targetfile = "publicacao.pdf",
        urlaccessdate = "04 dez. 2020"
}


Fechar