A evolução do sistema Terrestre sempre foi constante, apresentando períodos com instabilidade de grande, média ou pequena magnitude. A zona costeira é um ambiente que está na interface entre o continente e o oceano, na qual as dunas dessa região apresentam intenso dinamismo, o que torna imprescindível o seu constante monitoramento. A técnica de rotação radiométrica controlada por eixo de não mudança (RCEN) possibilita a análise multitemporal de uma paisagem através da avaliação dos padrões de resposta espectral de toda a imagem, sem a necessidade de correção dos efeitos atmosféricos. Os objetivos desta dissertação são analisar a dinâmica espaço-temporal do Parque Nacional dos Lençóis Maranhenses (PNLM) no período de 1984 a 2014, a partir da análise de imagens de satélite e avaliar a técnica RCEN para a identificação e monitoramento das alterações do parque. A área de estudo está localizada na região nordeste do Brasil, litoral oriental do estado do Maranhão, e tornou-se uma área de proteção ambiental por meio do Decreto Federal nº 86.060, de 02 de junho de 1981. Para as análises foram utilizadas imagens dos satélites Landsat 5 - Sensor TM e Landsat 8 - Sensor OLI para os períodos estudados. A borda limite do parque na parte interior do continente foi vetorizada a partir das imagens dos anos de 1984 e de 2014, para se avaliar o avanço e a retração das dunas. Foram elaborados mapas com o deslocamento dunário em um período de 30 anos sendo identificado um maior avanço em relação à retração em toda a área. A variação do comportamento espectral de pontos de monitoramento também foi avaliada, para identificar o período da ocorrência da mudança. A RCEN foi testada na borda interna limítrofe do parque, na qual foi determinado o ângulo de rotação dos eixos radiométricos, que é o principal parâmetro para a obtenção da imagem de detecção de mudanças. Foi possível a identificação das áreas de não mudança (90,67%) e a variação das dunas (5, 20%), vegetação (3,86%) e água (0,27%) em relação à área total. Identificou-se que a expansão das dunas, do litoral em direção ao interior do continente, ocorre no sentido nordeste - sudoeste, seguindo a circulação dos ventos alísios e que a vegetação ocupou os espaçamentos deixados pelas dunas ou pela água das lagoas. A RCEN foi eficaz ao traduzir as alterações na área analisada. Considerando o tipo de mudanças identificadas, entende-se que monitorar o deslocamento dunário no PNLM é relevante para o planejamento do parque, pois este representa um importante ecossistema da região, bem como é um considerável polo turístico para o Brasil. / The Earth system evolution has always been constant, presenting large, medium or small magnitude instability. The coastal zone is an environment that occurs at the interface between the continent and the ocean, where the dunes have an intense dynamic, requiring their constant monitoring. The radiometric rotation controlled by no change axis (RCEN) technique allow multi-temporal analysis of a landscape by evaluating the spectral response patterns of the entire image, without the need for correction of atmospheric effects. The aim of this study was to analyze the spatio-temporal dynamics of the Parque Nacional dos Lençóis Maranhenses (PNLM) during 1984 to 2014, from satellite imagery analysis and evaluate the RCEN technique for the identification and monitoring of these changes. The study area is located in northeastern Brazil, eastern coast of the state of Maranhão, and has become an environmental protection area through the Federal Decree No. 86060 of June 2, 1981. For these analyses were used satellite images from the Landsat 5-TM and Landsat 8-OLI sensors. The park edge boundary in the inner part of the continent was vectored from the images of the years 1984 and 2014, to assess the advancement and retraction of the dunes. Were made maps with the dunes changes over a period of 30 years and were identified a bigger advancement in relation of the shrinkage among throughout the area. The spectral pattern variation in some monitoring points was also evaluated to identify the timing of the change occurrence. The RCEN was tested in the adjacent inner border of the park in where the angle of rotation of radiometric axis was determined, considering that this angle is the main parameter for obtaining the change detection image. Were identified areas without changes (90.67%) and the variation of the dunes (5, 20%), vegetation (3.86%) and water (0.27%) in relation to the total area. It was identified that the expansion of the dunes, occurs from the coast line towards the interior of the continent, with the northeast – southwest direction, following the circulation of trade winds, while the vegetation occupied the gaps left by the dunes or water ponds. The RCEN was effective in identify the changes in the study area. Considering those changes detected, monitoring the dunes movement in PNLM is relevant to the park planning, once it represents an important ecosystem of the region and is a great tourist hub for Brazil.

A evolução do sistema Terrestre sempre foi constante, apresentando períodos com instabilidade de grande, média ou pequena magnitude. A zona costeira é um ambiente que está na interface entre o continente e o oceano, na qual as dunas dessa região apresentam intenso dinamismo, o que torna imprescindível o seu constante monitoramento. A técnica de rotação radiométrica controlada por eixo de não mudança (RCEN) possibilita a análise multitemporal de uma paisagem através da avaliação dos padrões de resposta espectral de toda a imagem, sem a necessidade de correção dos efeitos atmosféricos. Os objetivos desta dissertação são analisar a dinâmica espaço-temporal do Parque Nacional dos Lençóis Maranhenses (PNLM) no período de 1984 a 2014, a partir da análise de imagens de satélite e avaliar a técnica RCEN para a identificação e monitoramento das alterações do parque. A área de estudo está localizada na região nordeste do Brasil, litoral oriental do estado do Maranhão, e tornou-se uma área de proteção ambiental por meio do Decreto Federal nº 86.060, de 02 de junho de 1981. Para as análises foram utilizadas imagens dos satélites Landsat 5 - Sensor TM e Landsat 8 - Sensor OLI para os períodos estudados. A borda limite do parque na parte interior do continente foi vetorizada a partir das imagens dos anos de 1984 e de 2014, para se avaliar o avanço e a retração das dunas. Foram elaborados mapas com o deslocamento dunário em um período de 30 anos sendo identificado um maior avanço em relação à retração em toda a área. A variação do comportamento espectral de pontos de monitoramento também foi avaliada, para identificar o período da ocorrência da mudança. A RCEN foi testada na borda interna limítrofe do parque, na qual foi determinado o ângulo de rotação dos eixos radiométricos, que é o principal parâmetro para a obtenção da imagem de detecção de mudanças. Foi possível a identificação das áreas de não mudança (90,67%) e a variação das dunas (5, 20%), vegetação (3,86%) e água (0,27%) em relação à área total. Identificou-se que a expansão das dunas, do litoral em direção ao interior do continente, ocorre no sentido nordeste - sudoeste, seguindo a circulação dos ventos alísios e que a vegetação ocupou os espaçamentos deixados pelas dunas ou pela água das lagoas. A RCEN foi eficaz ao traduzir as alterações na área analisada. Considerando o tipo de mudanças identificadas, entende-se que monitorar o deslocamento dunário no PNLM é relevante para o planejamento do parque, pois este representa um importante ecossistema da região, bem como é um considerável polo turístico para o Brasil. / The Earth system evolution has always been constant, presenting large, medium or small magnitude instability. The coastal zone is an environment that occurs at the interface between the continent and the ocean, where the dunes have an intense dynamic, requiring their constant monitoring. The radiometric rotation controlled by no change axis (RCEN) technique allow multi-temporal analysis of a landscape by evaluating the spectral response patterns of the entire image, without the need for correction of atmospheric effects. The aim of this study was to analyze the spatio-temporal dynamics of the Parque Nacional dos Lençóis Maranhenses (PNLM) during 1984 to 2014, from satellite imagery analysis and evaluate the RCEN technique for the identification and monitoring of these changes. The study area is located in northeastern Brazil, eastern coast of the state of Maranhão, and has become an environmental protection area through the Federal Decree No. 86060 of June 2, 1981. For these analyses were used satellite images from the Landsat 5-TM and Landsat 8-OLI sensors. The park edge boundary in the inner part of the continent was vectored from the images of the years 1984 and 2014, to assess the advancement and retraction of the dunes. Were made maps with the dunes changes over a period of 30 years and were identified a bigger advancement in relation of the shrinkage among throughout the area. The spectral pattern variation in some monitoring points was also evaluated to identify the timing of the change occurrence. The RCEN was tested in the adjacent inner border of the park in where the angle of rotation of radiometric axis was determined, considering that this angle is the main parameter for obtaining the change detection image. Were identified areas without changes (90.67%) and the variation of the dunes (5, 20%), vegetation (3.86%) and water (0.27%) in relation to the total area. It was identified that the expansion of the dunes, occurs from the coast line towards the interior of the continent, with the northeast – southwest direction, following the circulation of trade winds, while the vegetation occupied the gaps left by the dunes or water ponds. The RCEN was effective in identify the changes in the study area. Considering those changes detected, monitoring the dunes movement in PNLM is relevant to the park planning, once it represents an important ecosystem of the region and is a great tourist hub for Brazil.

Esta tese investiga uma abordagem supervisionada para o problema da detecção de mudanças em imagens multitemporais de sensoriamento remoto empregando Support Vector Machines (SVM) com o uso dos kernels polinomial e gaussiano (RBF). A proposta metodológica está baseada na diferença das imagens-fração produzidas para cada data. Em imagens de cenas naturais a diferença nas frações de solo e vegetação tendem a apresentar uma distribuição simétrica em torno da origem. Esse fato pode ser usado para modelar duas distribuições normais multivariadas: mudança e não-mudança. O algoritmo Expectation-Maximization (EM) é implementado para estimar os parâmetros (vetor de médias, matriz de covariância e probabilidade a priori) associados a essas duas distribuições. Amostras aleatórias são extraídas dessas distribuições e usadas para treinar o classificador SVM nesta abordagem supervisionada. A metodologia proposta realiza testes com o uso de conjuntos de dados multitemporais de imagens multiespectrais TM-Landsat, que cobrem a mesma cena em duas datas diferentes. Os resultados são comparados com outros procedimentos, incluindo trabalhos anteriores, um conjunto de dados sintéticos e o classificador SVM One-Class. / In this thesis, we investigate a supervised approach to change detection in remote sensing multi-temporal image data by applying Support Vector Machines (SVM) technique using polynomial kernel and Gaussian kernel (RBF). The methodology is based on the difference-fraction images produced for two dates. In natural scenes, the difference in the fractions such as vegetation and bare soil occurring in two different dates tend to present a distribution symmetric around the origin of the coordinate system. This fact can be used to model two normal multivariate distributions: class change and no-change. The Expectation-Maximization algorithm (EM) is implemented to estimate the parameters (mean vector, covariance matrix and a priori probability) associated with these two distributions. Random samples are drawn from these distributions and used to train the SVM classifier in this supervised approach.The proposed methodology performs tests using multi-temporal TMLandsat multispectral image data covering the same scene in two different dates. The results are compared to other procedures including previous work, a synthetic data set and SVM One-Class.

Esta tese investiga uma abordagem não supervisionada para o problema da detecção de mudanças em imagens multiespectrais e multitemporais de sensoriamento remoto empregando Support Vector Machines (SVM) com o uso dos kernels polinomial e RBF e de uma nova métrica de pertinência de pixels. A proposta metodológica está baseada na diferença das imagens-fração produzidas para cada data. Em imagens de cenas naturais essa diferença nas frações de solo e vegetação tendem a apresentar uma distribuição simétrica próxima à origem. Essa caracteristica pode ser usada para modelar as distribuições normais multivariadas das classes mudança e não-mudança. O algoritmo Expectation-Maximization (EM) é implementado com a finalidade de estimar os parâmetros (vetor de médias, matriz de covariância e probabilidade a priori) associados a essas duas distribuições. A seguir, amostras aleatórias e normalmente distribuidas são extraídas dessas distribuições e rotuladas segundo sua pertinência em uma das classes. Essas amostras são então usadas no treinamento do classificador SVM. A partir desta classificação é estimada uma nova métrica de pertinência de pixels. A metodologia proposta realiza testes com o uso de conjuntos de dados multitemporais de imagens multiespectrais Landsat-TM que cobrem a mesma cena em duas datas diferentes. A métrica de pertinência proposta é validada através de amostras de teste controladas obtidas a partir da técnica Change Vetor Analysis, além disso, os resultados de pertinência obtidos para a imagem original com essa nova métrica são comparados aos resultados de pertinência obtidos para a mesma imagem pela métrica proposta em (Zanotta, 2010). Baseado nos resultados apresentados neste trabalho que mostram que a métrica para determinação de pertinência é válida e também apresenta resultados compatíveis com outra técnica de pertinência publicada na literatura e considerando que para obter esses resultados utilizou-se poucas amostras de treinamento, espera-se que essa métrica deva apresentar melhores resultados que os que seriam apresentados com classificadores paramétricos quando aplicado a imagens multitemporais e hiperespectrais. / This thesis investigates a unsupervised approach to the problem of change detection in multispectral and multitemporal remote sensing images using Support Vector Machines (SVM) with the use of polynomial and RBF kernels and a new metric of pertinence of pixels. The methodology is based on the difference-fraction images produced for each date. In images of natural scenes. This difference in the fractions of bare soil and vegetation tend to have a symmetrical distribution close to the origin. This feature can be used to model the multivariate normal distributions of the classes change and no-change. The Expectation- Maximization algorithm (EM) is implemented in order to estimate the parameters (mean vector, covariance matrix and a priori probability) associated with these two distributions. Then random and normally distributed samples are extracted from these distributions and labeled according to their pertinence to the classes. These samples are then used in the training of SVM classifier. From this classification is estimated a new metric of pertinence of pixel. The proposed methodology performs tests using multitemporal data sets of multispectral Landsat-TM images that cover the same scene at two different dates. The proposed metric of pertinence is validated via controlled test samples obtained from Change Vector Analysis technique. In addition, the results obtained at the original image with the new metric are compared to the results obtained at the same image applying the pertinence metric proposed in (Zanotta, 2010). Based on the results presented here showing that the metric of pertinence is valid, and also provides results consistent with other published in the relevant technical literature, and considering that to obtain these results was used a few training samples, it is expected that the metric proposed should present better results than those that would be presented with parametric classifiers when applied to multitemporal and hyperspectral images.

Esta dissertação aborda o problema da utilização de classificadores paramétricos em dados de alta dimensionalidade. As vantagens trazidas pelos dados em alta dimensionalidade são bem conhecidas. Classes que são muito semelhantes podem, não obstante, ser separadas com um alto grau de acurácia desde que a classificação dos dados seja realizada em um espaço de alta dimensionalidade e que as matrizes de covariância das classes difiram significativamente. Sistemas sensores capazes de adquirir dados de imagem em alta dimensionalidade (dados de imagens hiperespectrais) foram, em parte, desenvolvidos para tirar proveito dessa condição. Nas condições do mundo real, no entanto, temos de enfrentar o problema de estimar um grande número de parâmetros, geralmente, com um número limitado de amostras. Amostras de treinamento são geralmente caras e demoradas para adquirir. Diferentes abordagens para resolver ou, pelo menos, atenuar este problema tem sido um tópico de investigação por parte da comunidade internacional em sensoriamento remoto. Entre outras, uma possível abordagem que tem sido proposta na literatura consiste em aumentar o número de amostras pela adição de amostras semi-rotuladas ao processo de estimação dos parâmetros do classificador. A metodologia investigada nesta dissertação segue esta abordagem geral. O foco principal deste estudo consiste em investigar uma abordagem para estimar os pesos a serem associados às amostras semi-rotuladas. A abordagem proposta inclui duas etapas. Na primeira, as estimativas iniciais para os pesos são realizadas de forma interativa, por meio da utilização de informações espectrais somente. Em uma segunda etapa, os pesos estimados são refinados por meio de informações de contexto espacial. A metodologia proposta é avaliada através de experimentos que fazem uso de dados de imagens hiperespectrais AVIRIS. Os resultados são apresentados e discutidos. Sugestões para futuras pesquisas neste tópico também são apresentados. / This dissertation deals with the problem of using parametric classifiers in high dimensional data settings. The advantages brought by high dimensional data are well known. Classes that are very similar can nonetheless be separated with a high degree of accuracy provided that the classification is performed in high dimensional data settings and that the classes’ covariance matrices differ significantly. Sensor system capable of acquiring high dimensional image data (hyperspectral image data) were in part developed to take advantage of this condition. In real world conditions, however, we have to face the problem of estimating a resulting large number of parameters with a generally limited number of samples. Training samples are usually expensive and time consuming to acquire. Different approaches to solve or at least mitigate this problem have been a topic of investigation by the international community in remote sensing. Among others, one possible approach that has been proposed in the literature consists in increasing the number of samples by adding semilabeled samples to the process of estimating the classifier’s parameters. The methodology investigated in this dissertation follows this general approach. The main focus in this study consists in investigating an approach to estimate the weights to be associated with the semilabeled samples. The proposed approach includes two steps. In the first one, initial estimates for the weights are performed in an iterative way, by making use of spectral information only. In a second step, the estimated weights are further adjusted by means of spatial context information. The proposed methodology is evaluated by experiments making use of AVIRIS hyperspectral image data. The results are presented and discussed. Suggestions for further research in this topic are also presented.

Made available in DSpace on 2014-06-11T19:26:11Z (GMT). No. of bitstreams: 0 Previous issue date: 2009-10-30Bitstream added on 2014-06-13T19:13:06Z : No. of bitstreams: 1 ferreira_mv_me_.pdf: 2821882 bytes, checksum: 24dcb4d30cc4b2729beddecf93510558 (MD5) / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / Em um país de grande extensão territorial como o Brasil, são comuns faixas de dutos com muitas centenas e até milhares de quilômetros. Eles atravessam lugares com diversidade morfológica, rios, ambientes da costa marinha e áreas metropolitanas. A partir do momento em que o duto é instalado, este passa a sofrer influência do ambiente e também causar impacto ao mesmo, como vazamentos, e pesquisas têm interesse nestas questões porque estas envolvem a integridade dos dutos e comprometem o abastecimento dos derivados de petróleo. Neste contexto, este trabalho visa analisar a pressão da cobertura e uso da terra em faixas dos dutos Rio - Belo Horizonte, localizadas em três municípios do Estado do Rio de Janeiro, no período de 1986 a 2005, com a utilização de técnicas de geoprocessamento. Para a identificação e avaliação das pressões dos impactos humanos nas faixas de dutos, foram utilizados dados multitemporais e técnicas de detecção de mudanças. As análises de uso e ocupação da terra consideraram as relações dos sistemas de relevo em áreas de influência dos dutos. A partir destas primeiras análises, um índice de pressão antrópica (IPAd) foi proposto para analisar de forma conjunta as classes de uso e ocupação da terra. O mapa de IPAd e o mapa de variação de IPAd, possibilitaram a identificação de áreas de maior e menor pressão antrópica à faixa de dutos, bem como a variação desta pressão ao longo do período analisado. / In a country with a great territorial extension as Brazil, pipelines with a lot of hundreds and even thousands of kilometers are common. They cross morphologic diversity places, rivers, coastal marines environments and metropolitan areas. After their installation, the pipelines suffer environmental influence that can cause impacts on them, as emptying, and some researchers have interest in these questions because it involves the pipeline integrity and compromise the supplying of oil derivates. In this context, this work aim to analyze the pressures of land use and land cover on Rio – Belo Horizonte pipelines strip, located in three municipal districts of Rio de Janeiro State, during 1986 to 2005, with geoprocessing techniques. To identify and evaluate the pressures of human impacts on the pipelines strip, multi-temporal datasets and change detection techniques were used. The analyses of land use and land cover considered the relationships of relief systems in some areas of pipeline influence. From these first analyses a pressure human index (IPAd) was proposed for pipelines strip, objecting an integrated study form between land cover and land use classes. The IPAd map and IPAd variations map, enabled the identification of areas with high and low pressure human for pipelines strip, as well as a variation of the pressures over the analyzed period.

Esta tese investiga uma abordagem supervisionada para o problema da detecção de mudanças em imagens multitemporais de sensoriamento remoto empregando Support Vector Machines (SVM) com o uso dos kernels polinomial e gaussiano (RBF). A proposta metodológica está baseada na diferença das imagens-fração produzidas para cada data. Em imagens de cenas naturais a diferença nas frações de solo e vegetação tendem a apresentar uma distribuição simétrica em torno da origem. Esse fato pode ser usado para modelar duas distribuições normais multivariadas: mudança e não-mudança. O algoritmo Expectation-Maximization (EM) é implementado para estimar os parâmetros (vetor de médias, matriz de covariância e probabilidade a priori) associados a essas duas distribuições. Amostras aleatórias são extraídas dessas distribuições e usadas para treinar o classificador SVM nesta abordagem supervisionada. A metodologia proposta realiza testes com o uso de conjuntos de dados multitemporais de imagens multiespectrais TM-Landsat, que cobrem a mesma cena em duas datas diferentes. Os resultados são comparados com outros procedimentos, incluindo trabalhos anteriores, um conjunto de dados sintéticos e o classificador SVM One-Class. / In this thesis, we investigate a supervised approach to change detection in remote sensing multi-temporal image data by applying Support Vector Machines (SVM) technique using polynomial kernel and Gaussian kernel (RBF). The methodology is based on the difference-fraction images produced for two dates. In natural scenes, the difference in the fractions such as vegetation and bare soil occurring in two different dates tend to present a distribution symmetric around the origin of the coordinate system. This fact can be used to model two normal multivariate distributions: class change and no-change. The Expectation-Maximization algorithm (EM) is implemented to estimate the parameters (mean vector, covariance matrix and a priori probability) associated with these two distributions. Random samples are drawn from these distributions and used to train the SVM classifier in this supervised approach.The proposed methodology performs tests using multi-temporal TMLandsat multispectral image data covering the same scene in two different dates. The results are compared to other procedures including previous work, a synthetic data set and SVM One-Class.

Esta tese investiga uma abordagem não supervisionada para o problema da detecção de mudanças em imagens multiespectrais e multitemporais de sensoriamento remoto empregando Support Vector Machines (SVM) com o uso dos kernels polinomial e RBF e de uma nova métrica de pertinência de pixels. A proposta metodológica está baseada na diferença das imagens-fração produzidas para cada data. Em imagens de cenas naturais essa diferença nas frações de solo e vegetação tendem a apresentar uma distribuição simétrica próxima à origem. Essa caracteristica pode ser usada para modelar as distribuições normais multivariadas das classes mudança e não-mudança. O algoritmo Expectation-Maximization (EM) é implementado com a finalidade de estimar os parâmetros (vetor de médias, matriz de covariância e probabilidade a priori) associados a essas duas distribuições. A seguir, amostras aleatórias e normalmente distribuidas são extraídas dessas distribuições e rotuladas segundo sua pertinência em uma das classes. Essas amostras são então usadas no treinamento do classificador SVM. A partir desta classificação é estimada uma nova métrica de pertinência de pixels. A metodologia proposta realiza testes com o uso de conjuntos de dados multitemporais de imagens multiespectrais Landsat-TM que cobrem a mesma cena em duas datas diferentes. A métrica de pertinência proposta é validada através de amostras de teste controladas obtidas a partir da técnica Change Vetor Analysis, além disso, os resultados de pertinência obtidos para a imagem original com essa nova métrica são comparados aos resultados de pertinência obtidos para a mesma imagem pela métrica proposta em (Zanotta, 2010). Baseado nos resultados apresentados neste trabalho que mostram que a métrica para determinação de pertinência é válida e também apresenta resultados compatíveis com outra técnica de pertinência publicada na literatura e considerando que para obter esses resultados utilizou-se poucas amostras de treinamento, espera-se que essa métrica deva apresentar melhores resultados que os que seriam apresentados com classificadores paramétricos quando aplicado a imagens multitemporais e hiperespectrais. / This thesis investigates a unsupervised approach to the problem of change detection in multispectral and multitemporal remote sensing images using Support Vector Machines (SVM) with the use of polynomial and RBF kernels and a new metric of pertinence of pixels. The methodology is based on the difference-fraction images produced for each date. In images of natural scenes. This difference in the fractions of bare soil and vegetation tend to have a symmetrical distribution close to the origin. This feature can be used to model the multivariate normal distributions of the classes change and no-change. The Expectation- Maximization algorithm (EM) is implemented in order to estimate the parameters (mean vector, covariance matrix and a priori probability) associated with these two distributions. Then random and normally distributed samples are extracted from these distributions and labeled according to their pertinence to the classes. These samples are then used in the training of SVM classifier. From this classification is estimated a new metric of pertinence of pixel. The proposed methodology performs tests using multitemporal data sets of multispectral Landsat-TM images that cover the same scene at two different dates. The proposed metric of pertinence is validated via controlled test samples obtained from Change Vector Analysis technique. In addition, the results obtained at the original image with the new metric are compared to the results obtained at the same image applying the pertinence metric proposed in (Zanotta, 2010). Based on the results presented here showing that the metric of pertinence is valid, and also provides results consistent with other published in the relevant technical literature, and considering that to obtain these results was used a few training samples, it is expected that the metric proposed should present better results than those that would be presented with parametric classifiers when applied to multitemporal and hyperspectral images.

Esta dissertação aborda o problema da utilização de classificadores paramétricos em dados de alta dimensionalidade. As vantagens trazidas pelos dados em alta dimensionalidade são bem conhecidas. Classes que são muito semelhantes podem, não obstante, ser separadas com um alto grau de acurácia desde que a classificação dos dados seja realizada em um espaço de alta dimensionalidade e que as matrizes de covariância das classes difiram significativamente. Sistemas sensores capazes de adquirir dados de imagem em alta dimensionalidade (dados de imagens hiperespectrais) foram, em parte, desenvolvidos para tirar proveito dessa condição. Nas condições do mundo real, no entanto, temos de enfrentar o problema de estimar um grande número de parâmetros, geralmente, com um número limitado de amostras. Amostras de treinamento são geralmente caras e demoradas para adquirir. Diferentes abordagens para resolver ou, pelo menos, atenuar este problema tem sido um tópico de investigação por parte da comunidade internacional em sensoriamento remoto. Entre outras, uma possível abordagem que tem sido proposta na literatura consiste em aumentar o número de amostras pela adição de amostras semi-rotuladas ao processo de estimação dos parâmetros do classificador. A metodologia investigada nesta dissertação segue esta abordagem geral. O foco principal deste estudo consiste em investigar uma abordagem para estimar os pesos a serem associados às amostras semi-rotuladas. A abordagem proposta inclui duas etapas. Na primeira, as estimativas iniciais para os pesos são realizadas de forma interativa, por meio da utilização de informações espectrais somente. Em uma segunda etapa, os pesos estimados são refinados por meio de informações de contexto espacial. A metodologia proposta é avaliada através de experimentos que fazem uso de dados de imagens hiperespectrais AVIRIS. Os resultados são apresentados e discutidos. Sugestões para futuras pesquisas neste tópico também são apresentados. / This dissertation deals with the problem of using parametric classifiers in high dimensional data settings. The advantages brought by high dimensional data are well known. Classes that are very similar can nonetheless be separated with a high degree of accuracy provided that the classification is performed in high dimensional data settings and that the classes’ covariance matrices differ significantly. Sensor system capable of acquiring high dimensional image data (hyperspectral image data) were in part developed to take advantage of this condition. In real world conditions, however, we have to face the problem of estimating a resulting large number of parameters with a generally limited number of samples. Training samples are usually expensive and time consuming to acquire. Different approaches to solve or at least mitigate this problem have been a topic of investigation by the international community in remote sensing. Among others, one possible approach that has been proposed in the literature consists in increasing the number of samples by adding semilabeled samples to the process of estimating the classifier’s parameters. The methodology investigated in this dissertation follows this general approach. The main focus in this study consists in investigating an approach to estimate the weights to be associated with the semilabeled samples. The proposed approach includes two steps. In the first one, initial estimates for the weights are performed in an iterative way, by making use of spectral information only. In a second step, the estimated weights are further adjusted by means of spatial context information. The proposed methodology is evaluated by experiments making use of AVIRIS hyperspectral image data. The results are presented and discussed. Suggestions for further research in this topic are also presented.

A evolução do sistema Terrestre sempre foi constante, apresentando períodos com instabilidade de grande, média ou pequena magnitude. A zona costeira é um ambiente que está na interface entre o continente e o oceano, na qual as dunas dessa região apresentam intenso dinamismo, o que torna imprescindível o seu constante monitoramento. A técnica de rotação radiométrica controlada por eixo de não mudança (RCEN) possibilita a análise multitemporal de uma paisagem através da avaliação dos padrões de resposta espectral de toda a imagem, sem a necessidade de correção dos efeitos atmosféricos. Os objetivos desta dissertação são analisar a dinâmica espaço-temporal do Parque Nacional dos Lençóis Maranhenses (PNLM) no período de 1984 a 2014, a partir da análise de imagens de satélite e avaliar a técnica RCEN para a identificação e monitoramento das alterações do parque. A área de estudo está localizada na região nordeste do Brasil, litoral oriental do estado do Maranhão, e tornou-se uma área de proteção ambiental por meio do Decreto Federal nº 86.060, de 02 de junho de 1981. Para as análises foram utilizadas imagens dos satélites Landsat 5 - Sensor TM e Landsat 8 - Sensor OLI para os períodos estudados. A borda limite do parque na parte interior do continente foi vetorizada a partir das imagens dos anos de 1984 e de 2014, para se avaliar o avanço e a retração das dunas. Foram elaborados mapas com o deslocamento dunário em um período de 30 anos sendo identificado um maior avanço em relação à retração em toda a área. A variação do comportamento espectral de pontos de monitoramento também foi avaliada, para identificar o período da ocorrência da mudança. A RCEN foi testada na borda interna limítrofe do parque, na qual foi determinado o ângulo de rotação dos eixos radiométricos, que é o principal parâmetro para a obtenção da imagem de detecção de mudanças. Foi possível a identificação das áreas de não mudança (90,67%) e a variação das dunas (5, 20%), vegetação (3,86%) e água (0,27%) em relação à área total. Identificou-se que a expansão das dunas, do litoral em direção ao interior do continente, ocorre no sentido nordeste - sudoeste, seguindo a circulação dos ventos alísios e que a vegetação ocupou os espaçamentos deixados pelas dunas ou pela água das lagoas. A RCEN foi eficaz ao traduzir as alterações na área analisada. Considerando o tipo de mudanças identificadas, entende-se que monitorar o deslocamento dunário no PNLM é relevante para o planejamento do parque, pois este representa um importante ecossistema da região, bem como é um considerável polo turístico para o Brasil. / The Earth system evolution has always been constant, presenting large, medium or small magnitude instability. The coastal zone is an environment that occurs at the interface between the continent and the ocean, where the dunes have an intense dynamic, requiring their constant monitoring. The radiometric rotation controlled by no change axis (RCEN) technique allow multi-temporal analysis of a landscape by evaluating the spectral response patterns of the entire image, without the need for correction of atmospheric effects. The aim of this study was to analyze the spatio-temporal dynamics of the Parque Nacional dos Lençóis Maranhenses (PNLM) during 1984 to 2014, from satellite imagery analysis and evaluate the RCEN technique for the identification and monitoring of these changes. The study area is located in northeastern Brazil, eastern coast of the state of Maranhão, and has become an environmental protection area through the Federal Decree No. 86060 of June 2, 1981. For these analyses were used satellite images from the Landsat 5-TM and Landsat 8-OLI sensors. The park edge boundary in the inner part of the continent was vectored from the images of the years 1984 and 2014, to assess the advancement and retraction of the dunes. Were made maps with the dunes changes over a period of 30 years and were identified a bigger advancement in relation of the shrinkage among throughout the area. The spectral pattern variation in some monitoring points was also evaluated to identify the timing of the change occurrence. The RCEN was tested in the adjacent inner border of the park in where the angle of rotation of radiometric axis was determined, considering that this angle is the main parameter for obtaining the change detection image. Were identified areas without changes (90.67%) and the variation of the dunes (5, 20%), vegetation (3.86%) and water (0.27%) in relation to the total area. It was identified that the expansion of the dunes, occurs from the coast line towards the interior of the continent, with the northeast – southwest direction, following the circulation of trade winds, while the vegetation occupied the gaps left by the dunes or water ponds. The RCEN was effective in identify the changes in the study area. Considering those changes detected, monitoring the dunes movement in PNLM is relevant to the park planning, once it represents an important ecosystem of the region and is a great tourist hub for Brazil.