Análise do modelo de regressão GWR em águas túrbidas para dados Landsat 5 - TM

Transcrição

1 Análise do modelo de regressão GWR em águas túrbidas para dados Landsat 5 - TM Rogerio Flores júnior Analise espacial SER

2 Águas Naturais Óptica Hidrológica Mistura de materiais dissolvidos e em suspensão. Componentes opticamente ativos (COA). Responsáveis pelo absorção e espalhamento da radiação. Conferem Cor a água.

3 Óptica Hidrológica Sensoriamento remoto Espacialização dos parâmetros. Desenvolvimento de Séries Temporais. Redução dos custos e tempo de amostragem. Monitoramento dos recursos Hídricos.

4 Objetivo Comparar as estimativas de parâmetros de qualidade da água através da utilização da regressão geograficamente ponderada (GWR) em contraste com a regressão linear simples em dados Landsat 5 TM.

5 Área de estudo Lago Grande Curuai - Santarém - PA Várzea de inundação de 1340 a 2000 km2 Recebe águas do rio Amazonas Grande presença de Materiais Suspensos. ~359 Km2

6 Fluxograma

7 Dados Imagens Orbitais Landsat 5-Sensor TM Level 1 24/11/2003 In situ (Chl, TSS TSI) Coleta: 22/11 a 02/ Barbosa,2005

8 Dados Orbitais Correção atmosférica - Modelo ACOLITE Image based Entrada: ND Saída: Refletância de Superfície Recorte para área de estudo Retângulo envolvente. Utilização de mascara de água.

9 Dados In Situ Remoção de dados Não utilizáveis: A partir da Imagem: Presença de Nuvem no ponto. Pontos não concomitantes com a massa d água. Pontos Iniciais : 73 Pontos Utilizados: 62

10 BoxPlot Analise exploratória Remoção de outliers Histograma Teste de Normalidade: Shapiro-wilk Correlação entre as variáveis. Chl, TSI, logtsi X Bandas (TM)

11 Modelo de regressão simples Coeficiente Único para toda cena. Resíduos do modelo aplicado as bandas. Analise espacial Teste de Moran Unidimensional Aplicado aos resíduos da RLS. Métrica dos K-vizinhos : 3 pontos.

12 Modelo GWR

13 Espacialização Interpolador: Inverse Distance Weighted (IDW) Aplicação dos coeficientes das regressões. Utilizado a partir de (Chu et al.,2018) Peso 2 Validação 40 iterações para RLS e GWR Remoção de 15 pontos para Validação. Aplicação GRW e RLS nos 42 pontos remanescentes. RMSE, MAPE. Mapas de Regressão

14 BoxPlot

15 Histograma Shapiro-Wilk p-value = 7.662e-07 p-value = p-value = p-value =

16 Correlação

17 Analise Espacial Banda 3 Clorofila Banda 4

18 Analise Espacial Banda 3 TSI Banda 4

19 RLS x GWR Banda 3 Clorofila Banda 4

20 RLS x GWR Banda 3 TSI Banda 4

21 RLS x GWR TSI (B3) TSI (B4) CHL (B3) CHL (B4) R2 RLS 0,07 0,26 0,02 0,07 R2 GWR 0,10 0,32 0,23 0,28 Rmse RLS (mg/l) 190,32 171,64 8,92 8,48 Rmse GWR (mg/l) 178,24 154,37 7,75 7,58 MAPE RLS (%) 47,64 28,71 29,17 29,17 MAPE GWR (%) 45,98 28,91 23,49 24,24

22 GWR - TSI Coeficientes RLS: Intercepto Coeficiente

23 Introdução Metodologia Resultados TSI - RLS v Conclusão

24 TSI - GWR v

25 - Método GWR Obteve resultados melhores R 2 e RMSE. - Cooeficientes locais fortes devido ao baixo nível da água. - Baixa correlação da chl devido a águas altamente túrbidas. - Autocorrelação da chl pode explicar melhor desempenho do GWR para este parâmetro. - Baixo RMSE geral devido a relação simples de bandas.

26 Considerações - Utilização de algoritmos para estimativas dos constituintes. - Avaliar Ponderações Bandwith mais restritas para épocas secas (restrição natural no lago) - Aliar a técnica espacial GWR com séries temporais GTWR Agradecimentos Claudio Barbosa e Daniel Maciel

27 Referências BARBOSA, C. C. F.. Sensoriamento remoto da dinâmica da circulação da água do sistema planície de Curuai/Rio Amazonas. Tese de Doutorado do Curso de Pós- Graduação em Sensoriamento Remoto do INPE, aprovada em 09 de dezembro de Charlton, Martin, Stewart Fotheringham, and Chris Brunsdon. "Geographically weighted regression." White paper. National Centre for Geocomputation. National University of Ireland Maynooth (2009). Chu, Hone-Jay, Shish-Jeng Kong, and Chih-Hua Chang. "Spatio-temporal water quality mapping from satellite images using geographically and temporally weighted regression." International Journal of Applied Earth Observation and Geoinformation 65 (2018): 1-11.