Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Com a necessidade de extrair as informações contidas nas imagens de satélite de forma rápida, eficiente e econômica, são utilizadas cada vez mais as técnicas computacionais de processamento de imagens como a de segmentação automática. Segmentar uma imagem consiste em dividí-la em regiões através de um critério de similaridade, onde os pixels que estão contidos nestas possuem características semelhantes, como por exemplo, nível de cinza, textura, ou seja, a que melhor represente os objetos presentes na imagem. Existem vários exemplos de algoritmos segmentadores, como o de crescimento de regiões onde os pixels crescem e são aglutinados formando regiões. Para determinar quais os melhores parâmetros utilizados nestes algoritmos segmentadores é necessário que se avalie os resultados a partir dos métodos mais utilizados, que são os supervisionados onde há necessidade de uma imagem de referência, considerada ideal fazendo com que se tenha um conhecimento a priori da região de estudo. Os não supervisionados, onde não há a necessidade de uma imagem de referência, fazendo com que o usuário economize tempo. Devido à dificuldade de se obter avaliadores para diferentes tipos de imagem, é proposta a metodologia que permite avaliar imagens que possuam áreas com vegetação, onde serão formadas grandes regiões (Crianass) e o que avaliará as imagens com áreas urbanas onde será necessário mais detalhamento (Cranassir). / With the need of extracting the information contained in satellite images in a quick, efficent and economic way computational image process tecniques are being used more frequently, such as the automatic segmentation. Segmenting an image consists on dividing it in regions acording to a similarity standard, where the pixels which are contained there have the same characteristic, for example, level of gray, texture, that is, the one that best represents the objects on the image. There are lots of examples of segmentary algorithm like the development of areas where the pixels 'grow" and are agglutinated forming regions. To determine which are the best parameters utilized in these segmentary algorithms it is necessary to evaluate the results from the methods used more often, they are the supervized where there is a need of a reference image, considered ideal, giving us a priori knowledge of the regions in study. The unsupervised, where there is not the need of a reference image, make the user save time. Due to the difficulty of obtaining evaluators, for different kinds of images, is proposed the methodology that allows to evaluate images that have vegetation areas, where it will be formed large regions (Crianass), and the one that will evaluate the images with urban areas, where it will be needed more detailing (Cranassir).

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Com a necessidade de extrair as informações contidas nas imagens de satélite de forma rápida, eficiente e econômica, são utilizadas cada vez mais as técnicas computacionais de processamento de imagens como a de segmentação automática. Segmentar uma imagem consiste em dividí-la em regiões através de um critério de similaridade, onde os pixels que estão contidos nestas possuem características semelhantes, como por exemplo, nível de cinza, textura, ou seja, a que melhor represente os objetos presentes na imagem. Existem vários exemplos de algoritmos segmentadores, como o de crescimento de regiões onde os pixels crescem e são aglutinados formando regiões. Para determinar quais os melhores parâmetros utilizados nestes algoritmos segmentadores é necessário que se avalie os resultados a partir dos métodos mais utilizados, que são os supervisionados onde há necessidade de uma imagem de referência, considerada ideal fazendo com que se tenha um conhecimento a priori da região de estudo. Os não supervisionados, onde não há a necessidade de uma imagem de referência, fazendo com que o usuário economize tempo. Devido à dificuldade de se obter avaliadores para diferentes tipos de imagem, é proposta a metodologia que permite avaliar imagens que possuam áreas com vegetação, onde serão formadas grandes regiões (Crianass) e o que avaliará as imagens com áreas urbanas onde será necessário mais detalhamento (Cranassir). / With the need of extracting the information contained in satellite images in a quick, efficent and economic way computational image process tecniques are being used more frequently, such as the automatic segmentation. Segmenting an image consists on dividing it in regions acording to a similarity standard, where the pixels which are contained there have the same characteristic, for example, level of gray, texture, that is, the one that best represents the objects on the image. There are lots of examples of segmentary algorithm like the development of areas where the pixels 'grow" and are agglutinated forming regions. To determine which are the best parameters utilized in these segmentary algorithms it is necessary to evaluate the results from the methods used more often, they are the supervized where there is a need of a reference image, considered ideal, giving us a priori knowledge of the regions in study. The unsupervised, where there is not the need of a reference image, make the user save time. Due to the difficulty of obtaining evaluators, for different kinds of images, is proposed the methodology that allows to evaluate images that have vegetation areas, where it will be formed large regions (Crianass), and the one that will evaluate the images with urban areas, where it will be needed more detailing (Cranassir).

Submitted by Luciana Ferreira (lucgeral@gmail.com) on 2017-02-24T13:58:39Z No. of bitstreams: 2 Dissertação - Daniela de Oliveira Albanez - 2017.pdf: 10127114 bytes, checksum: 4c037243629d84539257a8febc621fa8 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Approved for entry into archive by Luciana Ferreira (lucgeral@gmail.com) on 2017-02-24T13:59:39Z (GMT) No. of bitstreams: 2 Dissertação - Daniela de Oliveira Albanez - 2017.pdf: 10127114 bytes, checksum: 4c037243629d84539257a8febc621fa8 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Made available in DSpace on 2017-02-24T13:59:39Z (GMT). No. of bitstreams: 2 Dissertação - Daniela de Oliveira Albanez - 2017.pdf: 10127114 bytes, checksum: 4c037243629d84539257a8febc621fa8 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Previous issue date: 2017-02-15 / Image segmentation is one of image processing that problems that deserve special interest of the scientific community, given its real utility and application in various areas as medicine, geography, engineering, mathematics and computing, just to name a few. Much of the recent interest in segmentation has been motivated by the availability of satellite images on the Earth’s surface, which can be transformed into concrete knowledge, aiming at land use monitoring and data mining. This work proposes a new segmentation method, using Arficial Intelligence techniques, more specifically Artificial Neural Networks (ANNs), and compare its results of segmentation of satellite images with the original method. The binarized results are compared with the ground truth for the validation of the proposed segmentation method. Experimental results, quantative analysis of segmentation results, indicating that the proposed segmentation method generates better results and a decaying of 36.60% in the total average computacional time when compared with the original method. / Segmentação de Imagens é um dos problemas de processamento de imagens que mercê especial interesse da comunidade científica, tendo em vista sua real utilidade e aplicação em várias áreas do conhecimento como a medicina, geografia, engenharia, matemática e computação, só para citar algumas. Grande parte do interesse recente sobre segmentação foi motivado pela disponibilidade de imagens de satélite sobre a superfície da Terra, que podem ser transformadas em conhecimento concreto, visando o monitoramento e a mineração do uso da terra. Este trabalho propõe um novo método de segmentação, através de técnicas de Inteligência Artificial, mais especificamente pelas Redes Neurais Artificiais (RNA’s), e compara seus resultados de segmentação de imagens de satélite com o método original descrito na literatura. Os resultados binarizados são comparados com o ground truth para a validação do método de segmentação proposto. Resultados experimentais, realizados através da analise quantitativa dos resultados de segmentação, indicam que o método de segmentação proposto produz melhores resultados e uma redução média total do desempenho computacional de 36.60% em relação ao método original.

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / A reservoir presents different environmental traits as a function of the flooded area, water circulation pattern, residence time and nutrients entrance. This situation define the aquatic compartments. The objective was use limnological parameter dynamic and spectral data to identify aquatic compartments in the Rodolfo Costa e Silva reservoir, located on central region of the State of Rio Grande do Sul, on southern region of Brazil. The methodology was based on the measure of water transparence with Secchi disc, Total of Suspended Solids (TSS) and chlorophyll a, b and c. These data were monthly collected in 21 sampling points, distributed over the reservoir during hydrologic year (Oct. 2005 to Sept. 2006). However, chlorophyll samples were collected only two times in autumn season. Satellites images from China-Brazil Earth Resources Satellite 2 (CBERS 2 CCD) and Landsat 5 (TM) were used to make a comparison with limnological and field spectral data. The spatial distribution of limnological parameters was done after data interpolation (weighted average) and its analyses allowed the discrimination of aquatic compartments. During the hydrologic year the transparence changed between 100 and 315 cm and could be divided in two periods: a period with low transparences, from August to November (marked by land tillage for summer crop) and; period with high transparence, from December to June. Based on this variable, the reservoir presented three compartments: a) upstream, with lower transparence; b) downstream, with higher transparence; c) central region, even with high transparence. The TSS ranged from 0.17 to 14.16 mg/L in the hydrologic year. Its behavior was inversely to the water transparence but presented the same three compartments than transparence. The chlorophyll concentration varied from 0.63 to 24.19 μg/L and defined two compartments: upstream and downstream. A larger input of nutrients in upstream let the development of phytoplankton (chlorophylls). Results from CCD and TM images were better when TSS concentration was greater and transparence smaller, associated to the highest data variance. Concentrations of TSS up to 4 mg/L periods with low transparence allowed identify aquatic compartments with blue band (centered on 450 nm) and the red band (centered on 661 nm). The chlorophylls a and c showed absorption bands on the field spectrum of reflectance, making possible establish correlations with limnological parameters (TSS and transparence). Finally, the aquatic compartments that were found out are specially related to the entrance of organic and inorganic matter from terrestrial environment. TSS and chlorophyll decreases into downstream. / Normalmente, um reservatório apresenta diferentes características ambientais em função das áreas alagadas, dos diferentes padrões de circulação, do tempo de residência e entrada de nutrientes, que definem diferentes compartimentos aquáticos. A caracterização limnológica e espectral, com a identificação da dinâmica dos compartimentos aquáticos, foram realizadas no reservatório Rodolfo Costa e Silva RS (Brasil). A metodologia baseou-se na coleta de dados de transparência da água medida pelo disco de Secchi, Totais de Sólidos em Suspensão (TSS) e clorofila a, b e c em 21 pontos amostrais, distribuídos em todo o reservatório e obtidos mensalmente para compor um ano hidrológico (Out. 2005 a Set. 2006); com exceção da clorofila, que foi medida em duas datas durante o outono. Imagens dos satélites CBERS 2 CCD e Landsat 5 TM foram utilizadas para relacionar com os dados limnológicos de campo. A distribuição espacial desses dados limnológicos foi identificada por interpolação por média ponderada, para posterior discriminação dos compartimentos aquáticos. A transparência da água apresentou uma variação no ano hidrológico de 100 a 315 cm e pode ser dividida em dois períodos: das baixas transparências, compreendendo o período de agosto a novembro (período de preparo de solo para a safra agrícola de verão); e de altas transparências, compreendendo o período de dezembro a junho. Essa variável forma três compartimentos: a) o de montante, com menor transparência; b) o de jusante, com maior transparência; c) junto ao dique, de elevada transparência. O TSS apresentou uma amplitude de 0,17 a 14,16 mg/L no ano hidrológico, com comportamento inversamente proporcional ao da transparência definindo compartimentos aquáticos semelhantes. As clorofilas com variação de 0,53 a 24,19 μg/L apresentaram os dois compartimentos aquáticos: o de montante e o de jusante. O maior aporte de nutrientes, à montante do reservatório, proporcionaram o desenvolvimento do fitoplâncton (clorofilas). Os resultados obtidos com imagens CCD e TM foram melhores, quando as concentrações de TSS foram maiores e as transparências foram menores, acompanhados de maior variância. As baixas transparências e as concentrações de TSS maiores que 4 mg/L permitiram identificar compartimentos aquáticos nas bandas azul (450 nm) e vermelha (661 nm). As clorofilas a e c apresentaram bandas de absorção nos espectros de reflectância, permitindo estabelecer correlações. Por fim, os compartimentos aquáticos encontrados estão relacionados, principalmente, ao fornecimento de matéria orgânica e inorgânica oriundas do ambiente terrestre para o sistema aquático, verificado no setor montante, e sua concentração diminui no sentido jusante do reservatório.

Ainda que o conhecimento sobre a flora e a ecologia do cerrado tenha sido consideravelmente ampliado nas últimas décadas, persistem dificuldades relacionadas com a caracterização estrutural das fitofisionomias e pouco se sabe sobre as transformações fisionômicas que ocorrem nesta vegetação ao longo do tempo em áreas protegidas. Adicionalmente, mediante as mudanças climáticas, surgiu a demanda de quantificação de fitomassa e estoque de carbono em formações vegetais, entre os quais o cerrado. Os objetivos deste estudo foram: a) verificar se a classificação fisionômica de três fisionomias de cerrado reflete diferenças florísticas e estruturais; b) caracterizar a dinâmica espaço-temporal das fisionomias de cerrado; c) quantificar a fitomassa dessa vegetação e sua contribuição para estoque de carbono; d) avaliar a aplicabilidade de dados de sensoriamento remoto para estimar a fitomassa do cerrado. A pesquisa foi desenvolvida na Estação Ecológica de Assis (EEcA) localizada no estado de São Paulo. O cerrado típico, cerrado denso e cerradão foram caracterizados florística e estruturalmente e comparados para verificar se podem ser considerados distintos. Foram alocadas 30 parcelas de 20 x 50 m, sendo 10 parcelas para cada um dos tipos fisionômicos. Os indivíduos de espécies lenhosas com DAP \'> OU =\' 5 cm foram identificados e medidos. As fisionomias mostraram-se estruturalmente distintas, em classes de densidade, área basal e altura média das árvores e o melhor descritor para classificá-las, por ser pouco variável com o critério de inclusão, é a área basal (\'M POT.2\'/ha). Floristicamente, há diferenças apenas entre o cerradão e as fisionomias savânicas. Analisou-se a dinâmica espaço-temporal das fisionomias de cerrado, ao longo de 44 anos, com base em aerofotos (1962, 1984 e 1994) e imagens QuickBird (2006). Após a criação da unidade de conservação e devido à suspensão das atividades antrópicas (fogo e agropecuária), tem ocorrido um adensamento da vegetação, em que áreas de campo foram ocupadas por fisionomias de maior fitomassa, o cerradão correspondendo, em 2006, 91,43% da EEcA. Analisou-se, em particular, a oscilação na área ocupada por uma espécie invasora de samambaia (Pteridium arachnoideum). As imagens de 1994 e 2006 mostram que espécies arbóreas estão aumentando em densidade e cobertura em meio às manchas de samambaias e, em campo, constatou-se que a fitomassa das samambaias está diminuindo consideravelmente sob as copas das árvores. A fitomassa do cerrado stricto sensu e cerradão da EEcA foi estimada por meio de equações alométricas. Utilizaram-se parcelas de 20 x 40 m, sendo 20 parcelas para cada fitofisionomia. Utilizou-se regressão robusta com reamostragem Bootstrap para explorar as relações entre a fitomassa aérea do cerrado e as imagens do QuickBird e TM/Landsat, índices espectrais de vegetação (IV), componentes principais (CP), modelo linear de mistura espectral (MLME). Na EEcA, os valores médios de fitomassa aérea (23,22 Mg/ha) e total (28,88 Mg/ha) do cerrado stricto sensu foram próximos aos descritos na literatura para o cerrado do Brasil Central e os valores médios de fitomassa aérea (98,18 Mg/ha) e total (118,36 Mg/ha) do cerradão aproximaramse aos descritos para florestas estacionais. As bandas espectrais dos sensores QuickBird e TM apresentaram correlações fracas a moderadas com a fitomassa aérea de cerrado. As transformações espectrais (IV e CP) melhoram, em geral, a predição da fitomassa aérea de cerrado, contudo as correlações se mantiveram entre fracas e moderadas. / Even though knowledge on the ecology and flora of cerrado vegetation has considerably improved in recent years, gaps are still remaining on structural differentiation of the cerrado physiognomies and few is known about cerrado vegetation dynamics after protection from human pressure. In addition, before the climate changes, phytomass and carbon storage quantification has been a new challenge for different vegetation types, including the cerrado physiognomies. The present study was carried out with the aim of a) to characterize three cerrado physiognomies to verify if they are structurally and floristically distinct; b) to analyze the vegetation dynamics in time and space, to verify if the vegetation is undergoing a sucessional process, whose structural climax will be a forest physiognomy; c) to quantify phytomass in different physiognomies and their contribution to carbon stock; and d) to assess the application of remote sensing techniques to estimate the cerrado phytomass in large scale. This study was carried out at Assis Ecological Station (EEcA), located in the southwestern São Paulo state, Brazil. This protected area preserves one of the few brazilian cerrado (savanna) biome remnants in the State. Three distinct physiognomic types of cerrado (typical cerrado, dense cerrado and woodland cerrado) were floristically and structurally characterized and submitted to comparative analyses to verify if they can, or not, be considered as separate vegetation types within the cerrado gradient. Thirty permanent plots (20 x 50 m each) were set, ten in every cerrado type, and all woody individuals with DBH \'> OR =\' 5 cm were measured and identified. The three types of cerrado under comparison are structurally distinct in terms of density, medium height and basal area (\'M POT.2/ha), the last being considered as the best and more precise descriptor to classify the physiognomies of the cerrado vegetation. The woodland cerrado is also distinct by its flora, but the two open physiognomies (dense cerrado and cerrado stricto sensu) are floristically very similar. The dynamics of the vegetation types along 44 years in the studied area was analyzed by using aerial photographs (1962, 1984 and 1994) and QuickBird images (2006). After protection from human pressures (fire and agriculture), the woody vegetation density and phytomass has continuously increased, with open physiognomies tending to disappear and woodland cerrado replacing them. Surprisingly, the area covered by the invasive fern Pteridium arachnoideum has also decreased, replaced by sparse or clustered trees. The cerrado phytomass was estimated by allometric equations. Forty plots (20 x 40 m each) were used, twenty in every cerrado type - cerrado stricto sensu and woodland cerrado. Robust Regression and Bootstrap methods were used to explore relationships between aboveground cerrado phytomass and remote sensing data of QuickBird and Landsat Thematic Mapper (TM) sensors (spectral bands, vegetation index - VI, principal components - PC, linear spectral mixture model LSMM). Valors of medium phytomass obtained for the cerrado stricto sensu at Assis Ecological Station were close to those described in the literature for Central Brazilian cerrado. The valors of medium phytomass of the woodland cerrado were close to those described for seasonal forests. Spectral bands of QuickBird and TM sensors presented weak to moderate correlations with the aboveground cerrado phytomass. In general, spectral transformations (VI and PC) improved the prediction of the cerrado phytomass, however the correlation remained from weak to moderate.

O inventário florestal é uma das principais ferramentas na gestão dos recursos florestais, uma vez que as informações geradas por ele são utilizadas ao longo de toda a cadeia produtiva do setor. Desta forma, erros nas estimativas volumétricas dos inventários florestais devem ser controlados. Inúmeras informações podem ser obtidas a partir de imagens orbitais ou aerotransportadas, uma vez que podem cobrir facilmente toda a área de interesse, e estão comumente disponíveis em empresas florestais ou ao usuário final. A utilização de preditores derivados das imagens pode trazer benefícios para as estimativas do inventário florestal. Desta forma, a aplicação de técnicas de regressão linear múltipla (RLM) ganhou espaço no setor devido a sua facilidade de aplicação. Porém, a RLM não leva em consideração a dependência espacial entre as unidades amostrais, sendo que a geoestatística pode ser utilizada para predizer a distribuição espacial do estoque de madeira (VTCC) para uma dada região. A modelagem geoestatística mais simples como a krigagem ordinária (KO), por considerar apenas a dependência espacial entre os pontos não amostrados, pode apresentar erros de predição nestes locais. Tais erros podem ser reduzidos com a aplicação de técnicas mais robustas como a Krigagem com Deriva Externa (KDE), pois esta agrega as informações obtidas das imagens com a distribuição espacial do volume. Buscando-se avaliar as vantagens da integração do Sensoriamento Remoto (SR) ao inventário florestal foram testados 4 tipos diferentes de imagens; as oriundas dos satélites LANDSAT8, RAPIDEYE e GEOEYE, e as provenientes de aeronaves (Imagens Aerotransportadas). Avaliou-se também diferentes tipos de estimativas para a predição volumétrica sendo estas RLM, KDE e KO. A melhor estimativa serviu de variável auxiliar para o estimador de regressão (ER), sendo os resultados comparados com a abordagem tradicional da amostragem aleatória simples (AAS). Os resultados demonstraram por meio da validação cruzada que as estimativas da KDE foram mais eficientes que as estimativas da KO e da RLM. Os melhores preditores (variáveis auxiliares) foram aqueles derivados do satélite LANDSAT8 e do satélite RAPIDEYE. Obteve-se como produto das estimativas de KDE e RLM mapas capazes de detectar áreas com mortalidade ou anomalias em meio a formação florestal. A utilização de uma estimativa de KDE utilizando imagens LANDSAT8 como medida auxiliar para o ER permitiu reduzir o erro amostral da AAS de 3,87% para 2,34%. Da maneira tradicional, tal redução de erro apenas seria possível com um aumento de mais 99 unidades amostrais. / Forest Inventory (FI) is one of the main tools for managing forest resources, once the information derived from FI is used along the sector production chain. When estimating volume, errors resulting from FI are common, therefore these errors must be controlled. Once orbital or airborne imaging data are easily acquired for an entire area, and are commonly available in forest companies or for the end user, much information can be obtained from these products. The use of predictor derived from images can be of significant benefits to forest inventory estimates. For that reason, the application of linear multiple regression (LMR) techniques have taken place in the forest sector, due to the facilities of its application. However, the LMR technique does not take the spatial dependence among sample units in consideration, the geostatistics utilized to predict the spatial distribution of the wood stock (VTCC) for a specific region. Simpler geostatistical modeling as the ordinary kriging (OK), just takes in consideration the spatial dependence among non-sampled points, because of that, prediction errors can be found. Such errors can be reduced when techniques that are more robust are applied, such as the kriging with external drift (KED) approach. This technique aggregates the information obtained from the images with the spatial distribution of the volume. In order to evaluate the advantages of Remote Sensing and Forest Inventory integration, we considered 4 different types of images, from the satellites LANSAT 8, RAPIDEYE, GEOEYE and from airborne images. When predicting volume, three different approaches were evaluated: LMR, EDK, OK. The best model among those evaluated, served as auxiliary variable for the regression estimator (RE). The result were then compared to the traditional approach, simple random sampling (SRS).This approach showed, through a cross-validation, that the KDE estimates were more efficiently than the OK and the LMR. The best predictor model (auxiliary variables) were derived from LADNSAT 8 and RAPIDEYE satellites. There is a significant advantage to using the KDE and LMR approaches, as it allows for a spatial representation of areas with mortality or anomalies, in a forest environment. The combination of KDE approach and LANDSAT 8 images as an auxiliary method for the RE, abled the decrease of the sampling error of SRS from 3.87% to 2.34%.The traditional approaches to conduct plantation inventories would allow for this error reduction, only if there were an increase of 99 more sampling units.

Soil attributes directly influence on its surface temperature. Although there are several studies using soil spectra obtained from satellites, soil evaluation through Land Surface Temperature (LST) is still scarce. The broad availability of satellite thermal data and the development of algorithms to retrieve LST facilitated its use in soil studies. The objective of this study was to evaluate soil LST variations due to its composition and verify the potential of using LST on soil attributes quantification, also integrated with reflectance spectra and elevation data. The study area (198 ha) is located in Sao Paulo state, Brazil, and had plowed bare soil during the satellite image acquisition date. Soil samples were collected in a regular grid of 100 x 100 m (depths: 0-0.2 m and 0.8- 1.0 m); soil granulometry, organic matter (OM) and iron oxides were determined by wet chemistry analysis. In this study, an image of Landsat 5 was used for extracting LST using the inversion of Planck\'s function in band 6 (10,400 - 12,500 nm), and land surface emissivity was estimated using Normalized Difference Vegetation Index threshold method. Reflectance values were extracted from bands 1, 2, 3, 4, 5 and 7. Models for soil attributes quantification were performed using Linear Regression (LR), with samples from 62 auger points distributed in 14 toposequences. Simple LR was applied for generating prediction models based on LST and on elevation data (extracted from a Digital Elevation Model). Multiple LR was applied in order to generate prediction models using atmospherically corrected spectral reflectance from Visible, Near-Infrared and Shortwave infrared (Vis-NIR-SWIR) bands as predictors, and also for the prediction of soil attributes using simultaneously Vis-NIR-SWIR, LST and elevation data, and only significant variables identified by T-tests were used. Predictive performance of models was assessed based on adjusted coefficient of determination (R2adj), Root Mean Squared Error (RMSE, g kg-1) and Ratio of Performance to Interquartile Range (RPIQ) obtained in validation. Ordinary kriging was also performed and the resulted interpolated surfaces were compared to the maps obtained from the best LR model. There was significant correlation between soil attributes and reflectance, LST and elevation data, and soils with clay texture were differentiated from sandy soils based on LST mean values. For all soil attributes, models using only elevation presented the worst performance; models using only LST, moderate performance; and using Vis-NIR-SWIR bands, good predictive performance. For clay, the best model obtained had bands 4-7, LST and elevation as predictors; for sand and iron oxides, the best model had bands 4-7 and LST; for OM, band 4, band 7 and LST. The use of LST for estimating soil attributes increases the predictive performance of multiple LR models when associated with other variables obtained through remote sensing, particularly surface reflectance data, improving the validation of models reaching high R2adj, high RPIQ and low RMSE values. Maps for sand, OM and iron oxides obtained through ordinary kriging outperformed those obtained for the same attributes using LR models based on RS co-variables, and for clay, both approaches reached the same accuracy level. Mapping of soil clay, sand, OM and iron oxides contents through multiple LR models using Landsat 5 products is a simple and easy to reproduce technique, appropriate for soil attributes mapping in bare soil agricultural areas. / Os atributos do solo influenciam diretamente na sua temperatura de superfície. Apesar de existir vários estudos utilizando espectros de solos obtidos de satélite, a avaliação do solo por meio da Temperatura de Superfície Terrestre (em inglês Land Surface Temperature, LST) ainda é escassa. A ampla disponibilidade de dados termais de satélite e o desenvolvimento de algoritmos para derivar a LST facilitou o seu uso em estudos de solos. O objetivo desse trabalho foi avaliar variações da LST do solo devidas à sua composição e verificar o potencial de uso da LST na quantificação de atributos do solo, também integrada com dados de espectros de reflectância e elevação. A área de estudo (198 ha) está localizada no estado de São Paulo, Brasil, e estava com solo exposto e arado na data de aquisição da imagem de satélite. Amostras de solo foram coletadas em um grid regular de 100 x 100 m (profundidades: 0.02 m e 0.8-1.0 m); a granulometria do solo, matéria orgânica (MO) e óxidos de ferro foram determinados via análises físicas e químicas laboratoriais. Neste estudo, uma imagem do Landsat 5 foi utilizada para extrair a temperatura de superfície usando a inversão da função da Lei de Planck na banda 6 (10.400 - 12.500 nm), e a emissividade de superfície foi estimada utilizando o método do limiar do Índice de Vegetação da Diferença Normalizada. Valores de reflectância das bandas 1, 2, 3, 4, 5 e 7 foram extraídos. Modelos para quantificação de atributos do solo foram feitos usando Regressão Linear (RL), com amostras de 62 pontos de tradagem distribuídos em 14 topossequências. A RL simples foi aplicada para gerar modelos de predição baseados na LST e também na elevação (extraída de um modelo digital de elevação). A RL múltipla foi aplicada para gerar modelos de predição usando os espectros de reflectância com correção atmosférica das bandas do Visível, Infravermelho próximo e Infravermelho de ondas curtas (Vis-NIR-SWIR) como preditores; também foi aplicada para predição de atributos do solo usando simultaneamente dados do Vis-NIR-SWIR, LST e elevação, e apenas variáveis significativas identificadas por teste T foram usadas. A performance preditiva dos modelos foi avaliada baseada no coeficiente de determinação ajustado (R2adj), raiz do erro quadrático médio (RMSE, g kg-1) e razão de desempenho do intervalo interquartil (RPIQ) obtidos na validação. A krigagem ordinária também foi feita e as superfícies interpoladas resultantes foram comparadas com o melhor modelo de RL. Houve correlação significativa entre os atributos do solo e dados de reflectância, LST e elevação, e solos com textura argilosa foram diferenciados de solos arenosos com base em valores médios de LST. Para todos os atributos do solo, os modelos usando apenas elevação apresentaram a pior performance, modelos usando somente LST, performance moderada, e usando as bandas do Vis-NIR-SWIR, boa performance preditiva. Para argila, o melhor modelo obtido teve as bandas 4-7, LST e elevação como preditores; para areia e óxidos de ferro, o melhor modelo teve as bandas 4-7 e LST; para MO, banda 4, banda 7 e LST. O uso da LST para estimar atributos do solo aumenta a performance preditiva de modelos de RL múltipla quando associada a outras variáveis obtidas via sensoriamento remoto (SR), particularmente dados de reflectância de superfície, melhorando a validação dos modelos atingindo altos valores de R2adj e RPIQ e baixos valores de RMSE. Os mapas para areia, MO e óxidos de ferro obtidos via krigagem ordinária superaram aqueles obtidos para os mesmos atributos usando modelos de RL baseados em co-variáveis obtidas via SR, e para argila, ambas abordagens atingiram o mesmo nível de acurácia. O mapeamento dos conteúdos de argila, areia, matéria orgânica e óxidos de ferro do solo via modelos de RL múltipla utilizando produtos do Landsat 5 é uma técnica simples e fácil de reproduzir, apropriada para o mapeamento de atributos do solo em áreas de agricultura com solo exposto.

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Áreas alagadas são importantes devido à grande biodiversidade que sustentam e aos serviços ambientais gerados pela sua conservação. Essas áreas, quando dominadas por macrófitas, tendem a suportar grande biodiversidade e assumir grande valor de conservação. Assim, o monitoramento do estabelecimento deste importante componente do ecossistema durante um projeto de recuperação de ecossistemas é importante para avaliar o sucesso da sua recuperação. Este trabalho teve como objetivo estimar aquantidade de biomassa por área acumulada em um ecossistema ao longo de um gradiente de recuperação. Através da classificação não supervisionada gerada a partir de de imagens de satélite de alta resolução (GeoEye-1) e amostragem destrutiva foram estimadas quantidades de biomassa por área em três alagados em recuperação na Reserva Ecológica Guapiaçú. A classificação não supervisionada se mostrou uma ferramenta acurada e eficiente no mapeamento de classes de vegetação. Os alagados estudados apresentam uma taxa de acúmulo de carbono anual estimada em 1,12 MgC.hec-1 atingindo um máximo de 5.55 MgC.hec-1 no terceiro ano. Adicionalmente, foi observada uma correlação negativa entre biomassa e profundidade. / Wetlands are important due to the substantial biodiversity they maintain and for the ecosystem services they provide. These areas when colonized by macrophytes tend to support great biodiversity and assume great value for conservation. Therefore monitoring the establishment of these important ecosystem features during the recovery of reconstructed wetlands is made necessary to evaluate the success of such projects. Here, the main objective was to estimate the amount of biomass accumulated by the macrophyte growth during the first 6 years of a wetland recovery project. From unsupervised classification generated from high resolution satellite imagery and destructive field sampling the accumulated biomass of macrophyte beds was estimated in 3 reconstructed wetlands at Reserva Ecológica Guapiaçú, Rio de Janeiro. Unsupervised classification was shown to be an effective and accurate tool for mapping vegetation classes. The studied wetlands showed an annual carbon accumulation rate of 1,12 MgC.hec-1 with apparent decrease in rate over time and with the maximum accumulated biomass of 5,55 MgC.hec-1 in the third year. A negative correlation between water depth and biomass was observed.

O inventário florestal é uma das principais ferramentas na gestão dos recursos florestais, uma vez que as informações geradas por ele são utilizadas ao longo de toda a cadeia produtiva do setor. Desta forma, erros nas estimativas volumétricas dos inventários florestais devem ser controlados. Inúmeras informações podem ser obtidas a partir de imagens orbitais ou aerotransportadas, uma vez que podem cobrir facilmente toda a área de interesse, e estão comumente disponíveis em empresas florestais ou ao usuário final. A utilização de preditores derivados das imagens pode trazer benefícios para as estimativas do inventário florestal. Desta forma, a aplicação de técnicas de regressão linear múltipla (RLM) ganhou espaço no setor devido a sua facilidade de aplicação. Porém, a RLM não leva em consideração a dependência espacial entre as unidades amostrais, sendo que a geoestatística pode ser utilizada para predizer a distribuição espacial do estoque de madeira (VTCC) para uma dada região. A modelagem geoestatística mais simples como a krigagem ordinária (KO), por considerar apenas a dependência espacial entre os pontos não amostrados, pode apresentar erros de predição nestes locais. Tais erros podem ser reduzidos com a aplicação de técnicas mais robustas como a Krigagem com Deriva Externa (KDE), pois esta agrega as informações obtidas das imagens com a distribuição espacial do volume. Buscando-se avaliar as vantagens da integração do Sensoriamento Remoto (SR) ao inventário florestal foram testados 4 tipos diferentes de imagens; as oriundas dos satélites LANDSAT8, RAPIDEYE e GEOEYE, e as provenientes de aeronaves (Imagens Aerotransportadas). Avaliou-se também diferentes tipos de estimativas para a predição volumétrica sendo estas RLM, KDE e KO. A melhor estimativa serviu de variável auxiliar para o estimador de regressão (ER), sendo os resultados comparados com a abordagem tradicional da amostragem aleatória simples (AAS). Os resultados demonstraram por meio da validação cruzada que as estimativas da KDE foram mais eficientes que as estimativas da KO e da RLM. Os melhores preditores (variáveis auxiliares) foram aqueles derivados do satélite LANDSAT8 e do satélite RAPIDEYE. Obteve-se como produto das estimativas de KDE e RLM mapas capazes de detectar áreas com mortalidade ou anomalias em meio a formação florestal. A utilização de uma estimativa de KDE utilizando imagens LANDSAT8 como medida auxiliar para o ER permitiu reduzir o erro amostral da AAS de 3,87% para 2,34%. Da maneira tradicional, tal redução de erro apenas seria possível com um aumento de mais 99 unidades amostrais. / Forest Inventory (FI) is one of the main tools for managing forest resources, once the information derived from FI is used along the sector production chain. When estimating volume, errors resulting from FI are common, therefore these errors must be controlled. Once orbital or airborne imaging data are easily acquired for an entire area, and are commonly available in forest companies or for the end user, much information can be obtained from these products. The use of predictor derived from images can be of significant benefits to forest inventory estimates. For that reason, the application of linear multiple regression (LMR) techniques have taken place in the forest sector, due to the facilities of its application. However, the LMR technique does not take the spatial dependence among sample units in consideration, the geostatistics utilized to predict the spatial distribution of the wood stock (VTCC) for a specific region. Simpler geostatistical modeling as the ordinary kriging (OK), just takes in consideration the spatial dependence among non-sampled points, because of that, prediction errors can be found. Such errors can be reduced when techniques that are more robust are applied, such as the kriging with external drift (KED) approach. This technique aggregates the information obtained from the images with the spatial distribution of the volume. In order to evaluate the advantages of Remote Sensing and Forest Inventory integration, we considered 4 different types of images, from the satellites LANSAT 8, RAPIDEYE, GEOEYE and from airborne images. When predicting volume, three different approaches were evaluated: LMR, EDK, OK. The best model among those evaluated, served as auxiliary variable for the regression estimator (RE). The result were then compared to the traditional approach, simple random sampling (SRS).This approach showed, through a cross-validation, that the KDE estimates were more efficiently than the OK and the LMR. The best predictor model (auxiliary variables) were derived from LADNSAT 8 and RAPIDEYE satellites. There is a significant advantage to using the KDE and LMR approaches, as it allows for a spatial representation of areas with mortality or anomalies, in a forest environment. The combination of KDE approach and LANDSAT 8 images as an auxiliary method for the RE, abled the decrease of the sampling error of SRS from 3.87% to 2.34%.The traditional approaches to conduct plantation inventories would allow for this error reduction, only if there were an increase of 99 more sampling units.

Soil attributes directly influence on its surface temperature. Although there are several studies using soil spectra obtained from satellites, soil evaluation through Land Surface Temperature (LST) is still scarce. The broad availability of satellite thermal data and the development of algorithms to retrieve LST facilitated its use in soil studies. The objective of this study was to evaluate soil LST variations due to its composition and verify the potential of using LST on soil attributes quantification, also integrated with reflectance spectra and elevation data. The study area (198 ha) is located in Sao Paulo state, Brazil, and had plowed bare soil during the satellite image acquisition date. Soil samples were collected in a regular grid of 100 x 100 m (depths: 0-0.2 m and 0.8- 1.0 m); soil granulometry, organic matter (OM) and iron oxides were determined by wet chemistry analysis. In this study, an image of Landsat 5 was used for extracting LST using the inversion of Planck\'s function in band 6 (10,400 - 12,500 nm), and land surface emissivity was estimated using Normalized Difference Vegetation Index threshold method. Reflectance values were extracted from bands 1, 2, 3, 4, 5 and 7. Models for soil attributes quantification were performed using Linear Regression (LR), with samples from 62 auger points distributed in 14 toposequences. Simple LR was applied for generating prediction models based on LST and on elevation data (extracted from a Digital Elevation Model). Multiple LR was applied in order to generate prediction models using atmospherically corrected spectral reflectance from Visible, Near-Infrared and Shortwave infrared (Vis-NIR-SWIR) bands as predictors, and also for the prediction of soil attributes using simultaneously Vis-NIR-SWIR, LST and elevation data, and only significant variables identified by T-tests were used. Predictive performance of models was assessed based on adjusted coefficient of determination (R2adj), Root Mean Squared Error (RMSE, g kg-1) and Ratio of Performance to Interquartile Range (RPIQ) obtained in validation. Ordinary kriging was also performed and the resulted interpolated surfaces were compared to the maps obtained from the best LR model. There was significant correlation between soil attributes and reflectance, LST and elevation data, and soils with clay texture were differentiated from sandy soils based on LST mean values. For all soil attributes, models using only elevation presented the worst performance; models using only LST, moderate performance; and using Vis-NIR-SWIR bands, good predictive performance. For clay, the best model obtained had bands 4-7, LST and elevation as predictors; for sand and iron oxides, the best model had bands 4-7 and LST; for OM, band 4, band 7 and LST. The use of LST for estimating soil attributes increases the predictive performance of multiple LR models when associated with other variables obtained through remote sensing, particularly surface reflectance data, improving the validation of models reaching high R2adj, high RPIQ and low RMSE values. Maps for sand, OM and iron oxides obtained through ordinary kriging outperformed those obtained for the same attributes using LR models based on RS co-variables, and for clay, both approaches reached the same accuracy level. Mapping of soil clay, sand, OM and iron oxides contents through multiple LR models using Landsat 5 products is a simple and easy to reproduce technique, appropriate for soil attributes mapping in bare soil agricultural areas. / Os atributos do solo influenciam diretamente na sua temperatura de superfície. Apesar de existir vários estudos utilizando espectros de solos obtidos de satélite, a avaliação do solo por meio da Temperatura de Superfície Terrestre (em inglês Land Surface Temperature, LST) ainda é escassa. A ampla disponibilidade de dados termais de satélite e o desenvolvimento de algoritmos para derivar a LST facilitou o seu uso em estudos de solos. O objetivo desse trabalho foi avaliar variações da LST do solo devidas à sua composição e verificar o potencial de uso da LST na quantificação de atributos do solo, também integrada com dados de espectros de reflectância e elevação. A área de estudo (198 ha) está localizada no estado de São Paulo, Brasil, e estava com solo exposto e arado na data de aquisição da imagem de satélite. Amostras de solo foram coletadas em um grid regular de 100 x 100 m (profundidades: 0.02 m e 0.8-1.0 m); a granulometria do solo, matéria orgânica (MO) e óxidos de ferro foram determinados via análises físicas e químicas laboratoriais. Neste estudo, uma imagem do Landsat 5 foi utilizada para extrair a temperatura de superfície usando a inversão da função da Lei de Planck na banda 6 (10.400 - 12.500 nm), e a emissividade de superfície foi estimada utilizando o método do limiar do Índice de Vegetação da Diferença Normalizada. Valores de reflectância das bandas 1, 2, 3, 4, 5 e 7 foram extraídos. Modelos para quantificação de atributos do solo foram feitos usando Regressão Linear (RL), com amostras de 62 pontos de tradagem distribuídos em 14 topossequências. A RL simples foi aplicada para gerar modelos de predição baseados na LST e também na elevação (extraída de um modelo digital de elevação). A RL múltipla foi aplicada para gerar modelos de predição usando os espectros de reflectância com correção atmosférica das bandas do Visível, Infravermelho próximo e Infravermelho de ondas curtas (Vis-NIR-SWIR) como preditores; também foi aplicada para predição de atributos do solo usando simultaneamente dados do Vis-NIR-SWIR, LST e elevação, e apenas variáveis significativas identificadas por teste T foram usadas. A performance preditiva dos modelos foi avaliada baseada no coeficiente de determinação ajustado (R2adj), raiz do erro quadrático médio (RMSE, g kg-1) e razão de desempenho do intervalo interquartil (RPIQ) obtidos na validação. A krigagem ordinária também foi feita e as superfícies interpoladas resultantes foram comparadas com o melhor modelo de RL. Houve correlação significativa entre os atributos do solo e dados de reflectância, LST e elevação, e solos com textura argilosa foram diferenciados de solos arenosos com base em valores médios de LST. Para todos os atributos do solo, os modelos usando apenas elevação apresentaram a pior performance, modelos usando somente LST, performance moderada, e usando as bandas do Vis-NIR-SWIR, boa performance preditiva. Para argila, o melhor modelo obtido teve as bandas 4-7, LST e elevação como preditores; para areia e óxidos de ferro, o melhor modelo teve as bandas 4-7 e LST; para MO, banda 4, banda 7 e LST. O uso da LST para estimar atributos do solo aumenta a performance preditiva de modelos de RL múltipla quando associada a outras variáveis obtidas via sensoriamento remoto (SR), particularmente dados de reflectância de superfície, melhorando a validação dos modelos atingindo altos valores de R2adj e RPIQ e baixos valores de RMSE. Os mapas para areia, MO e óxidos de ferro obtidos via krigagem ordinária superaram aqueles obtidos para os mesmos atributos usando modelos de RL baseados em co-variáveis obtidas via SR, e para argila, ambas abordagens atingiram o mesmo nível de acurácia. O mapeamento dos conteúdos de argila, areia, matéria orgânica e óxidos de ferro do solo via modelos de RL múltipla utilizando produtos do Landsat 5 é uma técnica simples e fácil de reproduzir, apropriada para o mapeamento de atributos do solo em áreas de agricultura com solo exposto.