Fechar
Metadados

@MastersThesis{Silva:2020:UsOpWa,
               author = "Silva, Edson Filisbino Freire da",
                title = "Using optical water types for satellite monitoring of brazilian 
                         inland waters",
               school = "Instituto Nacional de Pesquisas Espaciais (INPE)",
                 year = "2020",
              address = "S{\~a}o Jos{\'e} dos Campos",
                month = "2020-02-27",
             keywords = "remote sensing, optical water types, inland waters, sensoriamento 
                         remoto, tipos {\'o}pticos de {\'a}gua, {\'a}guas interiores.",
             abstract = "One of the key issues of monitoring inland water quality is 
                         spatial-temporal sampling because water quality can rapidly change 
                         due to natural and anthropogenic influence. Remote sensing of 
                         inland waters is a reliable tool for monitoring water quality in 
                         large areas and time-series. However, the traditional method of 
                         calibrating bio-optical algorithms for limnological parameters 
                         (e.g., Chlorophyll-a (Chl-a), Total Suspended Matter (TSM), and 
                         Colored Dissolved Organic Matter (CDOM)) is limited to bio-optical 
                         characteristics of the study sites used for algorithm calibration. 
                         Consequently, bio-optical algorithms are not suitable for 
                         monitoring inland waters on a macro-scale level. On the other 
                         hand, monitoring Optical Water Types (OWT) has shown a macro-scale 
                         application, while those OWTs also represent changes in Chl-a, 
                         TSM, and CDOM concentrations. Thus, monitoring Brazilian OWTs 
                         could be a useful tool for water management on a wide scale. The 
                         objective of this study is to create a method for monitoring the 
                         water quality of Brazilian inland waters using OWTs. The study is 
                         described in three chapters; the chapter 3 assesses the 
                         uncertainties related to the merging of spectra measurements 
                         obtained under different protocols of computing remote sensing 
                         reflectance (Rrs); the chapter 4 describes the identification of 
                         Brazilian OWTs using hyperspectral in situ Rrs, which was acquired 
                         for water bodies encompassing a wide range of optical 
                         characteristics in Brazil; the chapter 5 describes the training of 
                         classification algorithms for detecting the OWTs using satellite 
                         sensors. In the chapter 3, it is shown that Rrs computed on 
                         Kutsers method is lower than that of Mobleys in all water types, 
                         with bias reaching up to -100%. Both methods allow satisfactory 
                         calibration of biooptical algorithms when they are used apart, but 
                         there is a significant accuracy reduction when both methods are 
                         mixed in the same database. Furthermore, almost half of the 
                         samples are labeled with different clusters depending on the Rrs 
                         method. Hence, merge both methods for calibrating biooptical 
                         algorithms is viable when a validation dataset is used, but 
                         spectral clustering should be avoided. In the chapter 4, a total 
                         of eight OWTs are computed based on Rrs shape and magnitude, which 
                         represent different optical and limnological characteristics of 
                         Brazilian waters. The OWT 1 represents transparent waters with low 
                         TSM, Chl-a, and CDOM concentrations; the OWT 2 represents 
                         transparent waters with moderate CDOM and TSM; OWT 4 is 
                         characterized by waters with algae bloom in aquatic system with 
                         moderate TSM concentration; OWT 5 is characterized by waters with 
                         algae bloom in low TSM concentration; OWT 6 is composed by waters 
                         with severe algae bloom density; OWT 7 is characterized by waters 
                         with the highest CDOM concentration; OWT 8 is waters with high TSM 
                         concentration; OWT 9 is waters with the highest scattering and TSM 
                         concentration. In the chapter 5, classification algorithms are 
                         trained for detecting the OWTs in satellite images of Sentinel-2 
                         MSI, Landsat-8 OLI, and Landsat-7 ETM+. Sentinel-2 MSI has the 
                         best spectral resolution for classifying OWTs and exhibited 
                         satisfactory accuracy (Recall from 0.77 to 0.99) in satellite 
                         images. On the other hand, Landsat-8 OLI and Landsat-7 ETM+ 
                         classifications are profoundly affected by the overestimation of 
                         nearx infrared bands, causing weak accuracy water bodies 
                         characterized by algae blooms (OWTs 4, 5, and 6). In conclusion, 
                         the proposed have many applications, such as i) support of 
                         sampling design and survey campaigns; ii) detection of water 
                         quality anomalies caused by abrupt changes such in sediment 
                         loading and onset of algal blooms; iii) it could also be used for 
                         a census of Brazilian surface waters and provide reliable data in 
                         a macroscale level; last, iv) It could be used for improving the 
                         accuracy and the scope of semi-analytical algorithms based on Rrs 
                         by using the OWT in the calibration and validation process. 
                         RESUMO: Um dos fatores limitantes para se monitorar a qualidade 
                         das {\'a}guas interiores {\'e} a cobertura 
                         espa{\c{c}}o-temporal de amostragens, visto que a qualidade da 
                         {\'a}gua pode mudar rapidamente por causas naturais ou 
                         antropog{\^e}nicas. O sensoriamento remoto de {\'a}guas 
                         interiores {\'e} uma excelente ferramenta para monitorar com 
                         maior frequ{\^e}ncia grandes regi{\~o}es. Entretanto, o 
                         m{\'e}todo tradicional de calibra{\c{c}}{\~a}o de algoritmos 
                         bio-{\'o}pticos para a estimativa de par{\^a}metros como 
                         concentra{\c{c}}{\~a}o de Material Total Suspenso (TSM), 
                         clorofila-a (Chl-a), e mat{\'e}ria org{\^a}nica colorida 
                         dissolvida (CDOM) tem sua aplica{\c{c}}{\~a}o limitada {\`a}s 
                         regi{\~o}es para as quais estes foram calibrados, e, portanto, 
                         n{\~a}o podem ser aplicados em macro escala. Por outro lado, o 
                         monitoramento de tipos {\'o}pticos de {\'a}gua (OWT) possui 
                         aplica{\c{c}}{\~a}o em macro escala pois estes tamb{\'e}m 
                         representam altera{\c{c}}{\~o}es em TSM, Chl-a, e CDOM. Sendo 
                         assim, o uso de OWTs para o monitoramento de grandes regi{\~o}es, 
                         como o territ{\'o}rio brasileiro, pode ser vantajoso. Essa 
                         vantagem fundamenta o objetivo deste estudo, de criar um 
                         m{\'e}todo para o monitoramento das {\'a}guas brasileiras usando 
                         OWTs. Este estudo encontra-se descrito em tr{\^e}s 
                         cap{\'{\i}}tulos; o cap{\'{\i}}tulo 3 investiga as incertezas 
                         geradas quando diferentes m{\'e}todos de corre{\c{c}}{\~a}o de 
                         glint para o c{\'a}lculo da reflect{\^a}ncia de sensoriamento 
                         remoto (Rrs) s{\~a}o misturados para formar uma {\'u}nica base 
                         de dados; o cap{\'{\i}}tulo 4 descreve como as OWTs de sistemas 
                         aqu{\'a}ticos interiores brasileiros foram geradas a partir de 
                         medidas de Rrs hiperespectral representativas de um amplo range de 
                         caracter{\'{\i}}sticas {\'o}pticas dos corpos de {\'a}gua do 
                         Brasil; o cap{\'{\i}}tulo 5 descreve o processo de treinamento 
                         de algoritmos classificadores desenvolvidos para detectar OWTs 
                         definidas por dados hiper espectrais aplicados a sensores 
                         multiespectrais. Nos resultados do cap{\'{\i}}tulo 3, a Rrs 
                         calculada utilizando o m{\'e}todo do Kutser {\'e} mais baixa que 
                         a Rrs calculada pelo m{\'e}todo do Mobley em todos tipos de 
                         {\'a}gua, sendo que a Rrs do Kutser pode subestimar em at{\'e} 
                         -100% a Rrs corrigida por Mobley. Ambos os m{\'e}todos permitem 
                         calibrar algoritmos bio-{\'o}pticos quando s{\~a}o usados 
                         separados, mas quando s{\~a}o combinados em uma {\'u}nica base 
                         de dados, pode haver uma queda significativa na acur{\'a}cia dos 
                         algoritmos. Al{\'e}m disso, o processo de 
                         classifica{\c{c}}{\~a}o (clustering) de espectros de Rrs, 
                         aproximadamente metade das amostras s{\~a}o agrupadas em classes 
                         distintas em fun{\c{c}}{\~a}o do m{\'e}todo de 
                         corre{\c{c}}{\~a}o de glint utilizado. Portanto, ambos os 
                         m{\'e}todos de corre{\c{c}}{\~a}o de glint podem ser combinados 
                         para calibra{\c{c}}{\~a}o de algoritmos bio{\'o}pticos, desde 
                         que uma base de dados de avalia{\c{c}}{\~a}o seja utilizada. Por 
                         outro lado, deve se evitar clusterizar espectros combinando os 
                         dois m{\'e}todos. No cap{\'{\i}}tulo 4, um total de oito OWTs 
                         foram obtidas utilizando a forma e magnitude da Rrs, cujas 
                         propriedades {\'o}pticas e limnol{\'o}gicas s{\~a}o distintas. 
                         A OWT 1 compreende {\'a}guas transparentes com baixa 
                         concentra{\c{c}}{\~a}o de TSM, Chl-a e CDOM; a OWT 2 compreende 
                         {\'a}guas transparentes com moderada concentra{\c{c}}{\~a}o de 
                         CDOM e TSM; a OWT 4 inclui {\'a}guas com flora{\c{c}}{\~a}o de 
                         algas em ambientes com concentra{\c{c}}{\~a}o moderada de TSM; a 
                         OWT 5 compreende {\'a}guas com flora{\c{c}}{\~a}o de algas em 
                         ambientes com baixa concentra{\c{c}}{\~a}o de TSM; a OWT 6 
                         inclui {\'a}guas com flora{\c{c}}{\~o}es de algas com alta 
                         densidade; a OWT 7 compreende {\'a}guas com elevadas 
                         concentra{\c{c}}{\~o}es de CDOM; a OWT 8 s{\~a}o {\'a}guas com 
                         alta concentra{\c{c}}{\~a}o de TSM; e a OWT 9 s{\~a}o 
                         {\'a}guas com alto retro espalhamento e as mais altas 
                         concentra{\c{c}}{\~o}es de TSM. No cap{\'{\i}}tulo 5, 
                         algoritmos classificadores foram treinados para detectarem as OWTs 
                         em imagens dos sensores Sentinel-2 MSI, Landsat-8 OLI e Landsat-7 
                         ETM+. Sentinel-2 MSI mostrou a melhor capacidade espectral para 
                         classificar as OWTs. Nas imagens de sat{\'e}lite, o desempenho 
                         dos classificadores {\'e} muito sens{\'{\i}}vel a 
                         corre{\c{c}}{\~a}o atmosf{\'e}rica, sendo o Sentinel-2 MSI o 
                         que apresenta o melhor desempenho entre as imagens orbitais. Por 
                         outro lado, as classifica{\c{c}}{\~o}es das imagens obtidas por 
                         Landsat-8 OLI e Landsat-7 ETM+ foram significativamente afetadas 
                         pela super estima{\c{c}}{\~a}o de suas bandas no infravermelho 
                         pr{\'o}ximo, o que levou {\`a} redu{\c{c}}{\~a}o da 
                         acur{\'a}cia de classifica{\c{c}}{\~a}o de OWTs relacionadas a 
                         flora{\c{c}}{\~a}o de algas (OWTs 4, 5 e 6). Concluindo, a 
                         utiliza{\c{c}}{\~a}o do m{\'e}todo proposto neste estudo para o 
                         monitoramento das {\'a}guas interiores brasileiras pode: i) 
                         fornecer subs{\'{\i}}dios para o delineamento amostral e para o 
                         planejamento de campanhas de campo; ii) permitir 
                         detec{\c{c}}{\~a}o de anomalias em mudan{\c{c}}as abruptas do 
                         ambiente, como alto aporte de sedimentos e a flora{\c{c}}{\~a}o 
                         de algas; iii) o m{\'e}todo pode tamb{\'e}m ser utilizado para 
                         um cadastro das {\'a}guas superficiais brasileiras, 
                         informa{\c{c}}{\~a}o essencial para determinar um n{\'{\i}}vel 
                         de refer{\^e}ncia da qualidade da {\'a}gua contra qual medir 
                         impactos antropog{\^e}nicos e naturais em um n{\'{\i}}vel de 
                         macro escala.; iv) melhorar a acur{\'a}cia de algoritmos 
                         semi-anal{\'{\i}}ticos baseados em Rrs, usando as OWTs durante o 
                         processo de calibra{\c{c}}{\~a}o e valida{\c{c}}{\~a}o.",
            committee = "Barbosa, Cl{\'a}udio Clemente Faria (presidente) and Novo, Evlyn 
                         M{\'a}rcia Le{\~a}o de Moraes (orientadora) and Lobo, Felipe de 
                         Lucia (orientador) and Noernberg, Mauricio Almeida and Costa, 
                         Maycira",
         englishtitle = "Uso de tipos {\'o}pticos de {\'a}gua para o monitoramento das 
                         {\'a}guas interiores brasileiras por sat{\'e}lites",
             language = "en",
                pages = "111",
                  ibi = "8JMKD3MGP3W34R/4247NRS",
                  url = "http://urlib.net/rep/8JMKD3MGP3W34R/4247NRS",
           targetfile = "publicacao.pdf",
        urlaccessdate = "24 jan. 2021"
}


Fechar