<?xml version="1.0" encoding="ISO-8859-1"?>
<metadatalist>
	<metadata ReferenceType="Thesis">
		<site>mtc-m21d.sid.inpe.br 808</site>
		<holdercode>{isadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S}</holdercode>
		<identifier>8JMKD3MGP3W34T/474PTSB</identifier>
		<repository>sid.inpe.br/mtc-m21d/2022/06.15.17.57</repository>
		<lastupdate>2022:08.11.15.19.53 urlib.net/www/2021/06.04.03.40 simone</lastupdate>
		<metadatarepository>sid.inpe.br/mtc-m21d/2022/06.15.17.57.33</metadatarepository>
		<metadatalastupdate>2023:05.02.18.08.55 urlib.net/www/2021/06.04.03.40 simone {D 2022}</metadatalastupdate>
		<secondarykey>INPE-18584-TDI/3224</secondarykey>
		<citationkey>Begliomini:2022:CyMoUr</citationkey>
		<title>Cyanobacteria monitoring on urban reservoirs using hyperspectral orbital remote sensing data and machine learning</title>
		<alternatetitle>Monitoramento de cianobactérias em reservatórios urbanos utlilizando dados orbitais de sensoriamento remoto e algoritmos de aprendizado de máquina</alternatetitle>
		<course>SER-SRE-DIPGR-INPE-MCTI-GOV-BR</course>
		<year>2022</year>
		<date>2022-05-30</date>
		<thesistype>Dissertação (Mestrado em Sensoriamento Remoto)</thesistype>
		<secondarytype>TDI</secondarytype>
		<numberofpages>88</numberofpages>
		<numberoffiles>2</numberoffiles>
		<size>12424 KiB</size>
		<author>Begliomini, Felipe Nincao,</author>
		<committee>Novo, Evlyn Márcia Leão de Moraes (presidente),</committee>
		<committee>Barbosa, Cláudio Clemente Faria (orientador),</committee>
		<committee>Martins, Vitor Souza (orientador),</committee>
		<committee>Ciotti, Áurea Maria,</committee>
		<committee>Nordi, Cristina Souza Freire,</committee>
		<committee>Lamparelli, Marta Condé,</committee>
		<e-mailaddress>fnincao@hotmail.com</e-mailaddress>
		<university>Instituto Nacional de Pesquisas Espaciais (INPE)</university>
		<city>São José dos Campos</city>
		<transferableflag>1</transferableflag>
		<keywords>cyanobacteria, C-phycocyanin, remote sensing, PRISMA, machine leaning, cianobactérias, C-ficocianina, sensoriamento remoto, aprendizado de máquina.</keywords>
		<abstract>Urban Reservoirs provide relevant ecosystem services to the population worldwide. Although its recognized importance, there is an increasing degradation trend of metropolitan water systems' due to anthropical impacts. Cultural eutrophication is highlighted as a negative effect of human activities, with severe consequences such as the intensification of algae blooms. Cyanobacteria are the most concerning bloom-forming species for inland waters due to the environmental impacts and potential to produce toxic compounds. Therefore, this research presents a state-of-art methodology for monitoring Cyanobacteria based on orbital hyperspectral images and Machine Learning Algorithms (MLA) in tropical urban reservoirs. The photosynthetic pigment C-Phycocyanin (PC) was used as a proxy for the Cyanobacteria biomass once this billiprotein is specific from this algae group. Billings reservoir was chosen as the study area due to the constant presence of Cyanobacteria and its importance to the regional urban water supply. Eight field campaigns were made for collecting radiometric, photosynthetic pigments, and taxonomical samples. A hyperspectral image from the PRISMA was acquired in matchup condition, and tree atmospheric correction algorithms were assessed (ASI, ACOLITE, and 6SV). Synthetic multispectral Landsat-8/OLI and Worldview-3 images were generated from PRISMAs best surface reflectance product. Random Forest (RF), Extreme Gradient Boost (XgBOOST), and Support Vector Machine (SVM) were chosen to retrieve PC from Remote Sensing data. Previously published PC algorithms, Normalized Index, and Line Heights were generated from resampled in-situ radiometry for each sensor. A data-driven feature selection followed by a decorrelation procedure was used to identify the most informative layers. The Grid Search algorithm tuned the hyperparameters. PC was modeled from in-situ data through Monte Carlo simulations for all assessed sensors and MLA. Then, the best combinations were used for mapping PC in the hyperspectral and synthetic multispectral images. The results for in-situ and orbital modeling were compared with the state-of-art PC algorithm Mixture Density Network (MDN) (OSHEA et al., 2021). PC from 0 to 301.81 &#956;g/L were found, with mean and median values of 20.28 and 2.9 &#956;g/L. Cyanobacteria species were at least abundant in 96% of the taxonomical samples. ASI was the best surface reflectance product (MAE < 20% for the visible spectrum). ACOLITE and 6SV underperformed ASIs product by two to ten folds. MDN has sharply overestimated PC in both orbital and in-situ assessments. RF had the best estimates for all assessed sensors using in-situ data, with MAE ranging from 59-86%. The best result from orbital data was achieved by PRISMA/RF (MAE = 45%). XgBOOST produced the best results for Worldview-3 (MAE = 49%) and Landsat- 8/OLI (MAE = 74%) synthetic images. Those are the best-reported results for low PC concentrations and reduced PC:Chla ratios. The low PC:Chla ratios are also the most likely explanation for MDNs errors once the model was trained with samples with 6 times higher the mean PC:Chla found in this study. Specked noise was identified in hyperspectral mapping and is probably due to the reduced Signal-to-Noise ratio. More studies assessing PC in tropical waters are recommended to understand the effects of different latitudes on PC production. Finally, Landsat-8/OLI was identified as the most feasible sensor for monitoring PC due to the reasonable accuracy, the increased temporal resolution (8 days with Landsat-9), and the free access data policy. RESUMO: Os reservatórios urbanos oferecem importantes serviços ecossistêmicos. Contudo, esses sistemas aquáticos têm a qualidade de suas águas impactada pela antropização. A eutrofização cultural é destacada como um efeito negativo das ações humanas e intensifica a ocorrência de florações de algas. As Cianobactérias são as espécies formadoras de florações mais preocupantes em águas continentais devido aos impactos ambientais causados e o potencial para produzir compostos tóxicos. Portanto, esse estudo apresenta uma metodologia para monitorar Cianobactérias por meio de imagens orbitais hiperespectrais e Algoritmos de Aprendizado de Máquina (AAM) em reservatórios tropicais urbanos. O pigmento fotossintético C-Ficocianina (PC) foi usado como proxy para a biomassa de Cianobactérias. O reservatório Billings serviu como área de estudo devido à presença constante de Cianobactérias e o uso para o abastecimento público. Oito campanhas foram realizadas para coletar dados radiométricos, pigmentos fotossintentizantes, e taxonomia. Uma imagem hiperespectral do sensor PRISMA foi adquirida concomitantemente com uma das amostragens, e três algoritmos de correção atmosférica foram avaliados (ASI, ACOLITE e 6SV). Imagens sintéticas dos sensores Landsat-8/OLI e Worldview-3 foram geradas pelo melhor produto de reflectância de superfície do sensor PRISMA. Random Forest (RF), Extreme Gradient Boost (XgBOOST), e Support Vector Machine (SVM) foram escolhidos para modelar a PC. Algoritmos de PC, Índices Normalizados, e Line Heights foram gerados por meio de dados radiométricos reamostrados para cada sensor. Uma metodologia de seleção de atributos baseada em dados foi utilizada para selecionar as feições mais informativas. O algoritmo Grid Search foi aplicado para ajustar os hiperparâmetros. A PC foi modelada com dados de campo por meio de Simulações Monte Carlo para todos os sensores e AAM avaliados. As melhores combinações foram usadas para mapear a PC nas imagens multiespectrais sintéticas e na hiperespectral. Os resultados foram comparados com o algoritmo Mixture Density Network (MDN) (OSHEA et al., 2021). Foram encontrados valores de PC entre 0 to 301,81 &#956;g/L, com uma média e mediana de 20,28 e 2,9 &#956;g/L. As Cianobactérias foram pelo menos abundantes em 96% das amostras taxonômicas. A ASI teve o melhor produto de reflectância de superfície (MAE < 20% para o espectro do visível). ACOLITE e 6SV tiveram resultados de duas a dez vezes piores que o da ASI. O MDN superestimou os valores de PC tanto nas análises in-situ como orbitais. O RF obteve as melhores estimativas para todos os sensores com dados in-situ, com MAE entre 59- 86%. O melhor resultado para dados orbitais foi obtido pelo PRISMA/RF (MAE = 45%). O XgBOOST teve os melhores resultados para as imagens sintéticas do Worldview-3 e (MAE = 49%) e Landsat-8/OLI (MAE = 74%). Esses são os melhores resultados reportados para baixas concentrações de PC e baixas razões PC:Chla. A razão PC:Chla também é a melhor explicação para os erros do MDN, uma vez que o modelo foi treinado com amostras 6 vezes maiores do que a PC:Chla deste estudo. Mais estudos avaliando a PC em águas tropicais devem ser realizados para entender o impacto de diferentes latitudes na produção de PC. Finalmente, o sensor Landsat-8/OLI foi identificado com o sensor mais adequado para o monitoramento de PC devido suas métricas de predição razoáveis, alta resolução temporal e acesso de dados gratuito.</abstract>
		<area>SRE</area>
		<language>en</language>
		<targetfile>publicacao.pdf</targetfile>
		<usergroup>fnincao@hotmail.com</usergroup>
		<usergroup>pubtc@inpe.br</usergroup>
		<usergroup>simone</usergroup>
		<visibility>shown</visibility>
		<copyright>urlib.net/www/2012/11.12.15.10</copyright>
		<readpermission>allow from all</readpermission>
		<documentstage>not transferred</documentstage>
		<mirrorrepository>urlib.net/www/2021/06.04.03.40.25</mirrorrepository>
		<nexthigherunit>8JMKD3MGPCW/3F3NU5S</nexthigherunit>
		<nexthigherunit>8JMKD3MGPCW/46KUATE</nexthigherunit>
		<citingitemlist>dpi.inpe.br/banon/2004/02.16.09.30.00 2</citingitemlist>
		<citingitemlist>sid.inpe.br/bibdigital@80/2006/04.07.15.50.13 1</citingitemlist>
		<hostcollection>urlib.net/www/2021/06.04.03.40</hostcollection>
		<agreement>agreement.html autorizacao.pdf .htaccess .htaccess2</agreement>
		<lasthostcollection>urlib.net/www/2021/06.04.03.40</lasthostcollection>
		<supervisor>Martins, Vitor Souza,</supervisor>
		<supervisor>Barbosa, Cláudio Clemente Faria,</supervisor>
		<url>http://mtc-m21d.sid.inpe.br/rep-/sid.inpe.br/mtc-m21d/2022/06.15.17.57</url>
	</metadata>
</metadatalist>