@MastersThesis{Lima:2023:MaCyPr,
author = "Lima, Thainara Munhoz de",
title = "Mapping of cyanobacteria in the promiss{\~a}o reservoir by
multispectral and hyperspectral images",
school = "Instituto Nacional de Pesquisas Espaciais (INPE)",
year = "2023",
address = "S{\~a}o Jos{\'e} dos Campos",
month = "2023-03-14",
keywords = "harmful algal bloom, phycocyanin, inland water, hybrid model,
OLCI, PRISMA, flora{\c{c}}{\~o}es de algas t{\'o}xicas,
ficocianina, {\'a}guas continentais, modelo h{\'{\i}}brido.",
abstract = "Timely monitoring, detecting, and quantifying cyanobacterial
blooms are important for controlling public health risks and
understanding aquatic ecosystem dynamics. In this context, Remote
sensing emerges as an important tool in monitoring these
ecosystems, providing information about water quality parameters
based on bio-optical algorithms. Since phycocyanin is a unique
pigment of inland water cyanobacteria, the quantification of its
concentrations from satelliltes obervations has been largely
assessed for water quality monitoring. This work aims to test the
state-of-the-art algorithms for retrieving phycocyanin
concentrations in a Brazilian reservoir using multispectral and
hyperspectral images and concurrent in-situ data. In this
research, two main analyses were performed: (i) development of a
hybrid algorithm to retrieve PC concentration in optically dynamic
waters uing OLCI imagery {{data;}} and (ii) comparison between the
PC estimate from semi-analytical and machine learning models
applied in hyperspectral PRISMA observations. In the first
analysis (i), a cyanobacteria detection algorithm was firstly
applied in three atmospherically corrected OLCI image (L2-WFR,
6SV, and ACOLITE) to mask the cyano-dominant waters. For each
class, a suitable bio-optical algorithm was then applied,
composing the final hybrid model. The PC retrieval uncertainties
showed that the hybrid model {{(\ζ}} = 25.35%) is superior
to the single algorithms calibrated for the entire range of
optical properties. The final application of the hybrid model
proved to be highly sensitive to variations in the spectrum shape,
and less sensitive to spectrally neural offset in the corrected
{{\𝑅\𝑟\𝑠.}} In the second analysis
(ii), the semi-analytical model provided low median absolute error
(MdAE) for PRISMA-derived (MdAE = 3.06 mg.m-3) and OLCI-derived
(MdAE = 3.93 mg.m-3) PC concentrations, while it overestimated
PRISMA-derived Chl-a (MdAE = 42.11 mg.m-3). The random forest
model for PC applied to PRISMA performed slightly worse than the
semi-analytical (MdAE = 5.21 mg.m-3). The Mixture Density Network
(MDN) model showed a rather different performances with higher
errors for PC (MdAE = 40.94 mg.m-3) and lower errors for Chl-a
(MdAE = 23.21 mg.m-3). The results overall suggest that model
calibrated with site-specific measurement perform better and
indicate that semi-analytical models could be applied to PRISMA
and OLCI for remote sensing of PC in the Brazilian reservoirs. In
conclusion, both evaluated approaches were capable of estimating
the pigment concentration with the required accuracy, exploring
the advantages and disadvantages of the multispectral and
hyperspectral sensors. Future investigations on the synergy
between the two sensors may be important for monitoring
cyanobacteria in small water bodies with dynamic optical
characteristics. RESUMO: O monitoramento, detec{\c{c}}{\~a}o e
quantifica{\c{c}}{\~a}o de flora{\c{c}}{\~o}es de
cianobact{\'e}rias s{\~a}o importantes para controlar os riscos
{\`a} sa{\'u}de p{\'u}blica e entender as din{\^a}micas dos
ecossistemas aqu{\'a}ticos. Nesse contexto, o Sensoriamento
Remoto surge como uma importante ferramenta no monitoramento
desses ecossistemas, fornecendo informa{\c{c}}{\~o}es sobre
par{\^a}metros de qualidade da {\'a}gua com base em algoritmos
bio-{\'o}pticos. Uma vez que a ficocianina {\'e} um pigmento
{\'u}nico de cianobact{\'e}rias, a quantifica{\c{c}}{\~a}o de
suas concentra{\c{c}}{\~o}es a partir de observa{\c{c}}{\~o}es
de sat{\'e}lites tem sido amplamente avaliada para monitoramento
da qualidade da {\'a}gua. Este trabalho tem como objetivo testar
os algoritmos de {\'u}ltima gera{\c{c}}{\~a}o para
recupera{\c{c}}{\~a}o das concentra{\c{c}}{\~o}es de
ficocianina em um reservat{\'o}rio brasileiro usando imagens
multiespectrais e hiperespectrais e dados in-situ concorrentes.
Nesta pesquisa, duas an{\'a}lises principais foram realizadas:
(i) desenvolvimento de um algoritmo h{\'{\i}}brido para estimar
a concentra{\c{c}}{\~a}o de ficocianina em {\'a}guas
opticamente din{\^a}micas usando dados de imagens {{OLCI;}} e
(ii) compara{\c{c}}{\~a}o entre a estimativa de ficocianina a
partir de modelos semi-anal{\'{\i}}ticos e de machine learning
aplicados em observa{\c{c}}{\~o}es hiperespectrais PRISMA. Na
primeira an{\'a}lise (i), um algoritmo de detec{\c{c}}{\~a}o de
cianobact{\'e}rias foi primeiramente aplicado em tr{\^e}s
imagens OLCI corrigidas atmosfericamente (L2-WFR, 6SV e ACOLITE)
para identificar pixels com a presen{\c{c}}a de
flora{\c{c}}{\~o}es de cianobacterias. Para cada classe, um
algoritmo bio{\'o}ptico adequado foi ent{\~a}o aplicado,
compondo o modelo h{\'{\i}}brido final. As incertezas de
estimativa do pigmento mostraram que o modelo h{\'{\i}}brido
{{(\ζ}} = 25,35%) {\'e} superior aos algoritmos simples
calibrados para toda a faixa de propriedades {\'o}pticas. A
aplica{\c{c}}{\~a}o final do modelo h{\'{\i}}brido provou ser
altamente sens{\'{\i}}vel a varia{\c{c}}{\~o}es na forma do
espectro e menos sens{\'{\i}}vel ao deslocamento espectralmente
neutro da {{\𝑅\𝑟\𝑠}} corrigida. Na
segunda an{\'a}lise (ii), o modelo semianal{\'{\i}}tico
forneceu erro absoluto m{\'e}dio baixo (MdAE) para a
concentra{\c{c}}{\~a}o de ficocianina estimada a partir de dados
PRISMA (MdAE = 3,06 mg.m-3) e de imagens do sensor OLCI (MdAE =
3,93 mg.m-3), enquanto superestimou a concentra{\c{c}}{\~a}o de
Chl-a obtida a partir de dados do sat{\'e}lite PRISMA (MdAE =
42,11 mg.m-3). O modelo random forest para estimativa da
ficocianina aplicado as iamgens PRISMA teve desempenho
ligeiramente inferior ao semi-anal{\'{\i}}tico (MdAE = 5,21
mg.m-3). O modelo Mixture Density Network (MDN) apresentou
desempenhos bastante diferentes com erros maiores para PC (MdAE =
40,94 mg.m-3) e erros menores para Chl-a (MdAE = 23,21 mg.m-3). Os
resultados gerais sugerem que o modelo calibrado com dados in-situ
do local apresentou melhor desempenho, indicando que modelos
semi-anal{\'{\i}}ticos podem ser aplicados as iamgens PRISMA e
OLCI para sensoriamento remoto de PC nos reservat{\'o}rios
brasileiros. Em conclus{\~a}o, ambas as abordagens avaliadas
foram capazes de estimar a concentra{\c{c}}{\~a}o de pigmento
com a precis{\~a}o necess{\'a}ria, explorando as vantagens e
desvantagens dos sensores multiespectrais e hiperespectrais.
Futuras investiga{\c{c}}{\~o}es sobre a sinergia entre os dois
sensores podem ser importantes para o monitoramento de
cianobact{\'e}rias em pequenos corpos d'{\'a}gua com
caracter{\'{\i}}sticas {\'o}pticas din{\^a}micas.",
committee = "Novo, Evlyn M{\'a}rcia Le{\~a}o de Moraes (presidente) and
Barbosa, Cl{\'a}udio Clemente Faria (orientador) and Nordi,
Cristina Souza Freire (orientadora) and Watanabe, Fernanda Sayuri
Yoshino and Ciotti, Aurea Maria and Giardino, Claudia",
englishtitle = "Mapeamento de cianobact{\'e}rias no reservat{\'o}rio de
promiss{\~a}o por imagens multispectrais e hiperespectrais",
language = "en",
pages = "94",
ibi = "8JMKD3MGP3W34T/48NALQ2",
url = "http://urlib.net/ibi/8JMKD3MGP3W34T/48NALQ2",
targetfile = "publicacao.pdf",
urlaccessdate = "07 maio 2024"
}