@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/ibi/8JMKD3MGP5W34M/3G3872B",
targetfile = "publicacao.pdf",
urlaccessdate = "27 abr. 2024"
}