La région de Katiola, située au centre de la Côte d’Ivoire est affectée par des variations climatiques. Cette région d’une superficie de 9452 kilomètres est à cheval sur deux bassins versants, à l’ouest le bassin du Bandama et à l’est le bassin du Comoé. Malgré le manque des ressources en eau, cette zone connaît une intense activité de mobilisation et d’utilisation des eaux : périmètres sucriers dans les localités de Tafiré, les parcelles de riz irriguées et activités pastorales à travers le département. Ce travail consiste à localiser les sites potentiels des puits et forages à l’aide de la géostatistique et de la télédétection. Des outils tel que les sondes géophysiques, permettent une compréhension des caractéristiques hydrogéologiques des formations. Une compréhension de la productivité des formations géologiques par l'étude des relevés de forages et de la télédétection peut permettre une meilleure compréhension des aquifères de ces formations. L’objectif de cette étude est de mettre en place des valeurs de référence devant servir comme outils de gestion, de surveillance et voire même d’aide à la prise de décision. Egalement rentabiliser le coût des forages en proposant le maximum d’ouvrages avec beaucoup de chance de succès et établir un lien entre les formations et la circulation de l'eau souterraine (espacement, longueur, connectivité). Cette étude nous a présenté les potentialités que regorgent les images SRTM. Leur traitement nous a permis de faire une cartographie assez détaillée des limites de bassin versant, du réseau hydrographique, et d’établir l’ordre des cours d’eau selon Strahler. Le calcul de l’Index Topographique d’Humidité montre bien la corrélation entre la topographie, les sols et la qualité des sols. Malgré l’étendue de notre zone d’étude, il a été possible de trouver une corrélation entre les indices topographiques, la répartition des champs et les caractéristiques du sol. Ces résultats nous ont permis d’avoir une nette amélioration de la classification des sols et l’occupation à partir d’image LANDSAT. Les images LANDSAT, nous ont également permis de suivre le phénomène d’eutrophisation et de disparition des plans d’eau de surface dont souffre le département. Nous avons pu établir l’ordre d’apparition des végétaux sur les plans d’eau, ceci jusqu'à la disparition totale du cours d’eau / The Katiola region, located in central Côte d'Ivoire, suffers climatic variations. This region has an area of 9,452 km². It is straddling two watersheds, the Bandama basin to the West, and the Comoé basin to the East. Despite the lack of water resources, this area is experiencing an intense mobilization and use of water: sugar stores in the localities of Tafiré, paddy fields and irrigated pastoral activities across the department. This work aims to locate potential sites for drilling wells using eostatistics and remote sensing. An understanding of the productivity of geologic formations by studying the records of boreholes and remote sensing can provide a better understanding of the aquifers in these formations. The objective of this study is also to establish benchmarks to serve as management tools, monitoring and even aid in decision making. The goal is also to make a maximum of successful drillings, and establish a link between these informations (spacing, length, connectivity) and groundwater movements. This study presents the potential of the DEM SRTM images. Their processing llowed us to make a fairly detailed mapping of the boundaries of catchments, drainage network, and establish the order of watercourses according to the Strahler classification. The calculation of the Topographic Index Humidity shows the correlation between topography, soil and soil quality. Despite the size of our study area, it was possible to find a correlation between the topographic indices, the distribution of fields and soil characteristics. These results enabled us improving soil classification and occupation from LANDSAT imagery. Using LANDSAT images, we also monitored the eutrophisation and isappearance of surficial water bodies in the department. We could follow the order of appearance of plants on the water, until the total disappearance of the watercourse

Dissertação (mestrado) - Universidade Federal do Paraná. Curso de Pós - Graduação em Ciências Geodésicas / Made available in DSpace on 2012-10-15T21:18:40Z (GMT). No. of bitstreams: 0

Monitoring large forest areas is presently feasible with satellite remote sensing as opposed to time-consuming and expensive ground surveys as alternative. This study evaluated, for the first time, the potential of using freely available medium resolution (30 m) Landsat time series data for deforestation monitoring in tropical rainforests of Kalimantan, Indonesia, at sub-annual time scales. A simple, generic, data-driven algorithm for deforestation detection based on a consecutive anomalies criterion was proposed. An accuracy assessment in the spatial and the temporal domain was carried out using high-confidence reference sample pixels interpreted with the aid of multi-temporal very high spatial resolution image series. Results showed a promising spatial accuracy, when three consecutive anomalies were required to confirm a deforestation event. Recommendations in tuning the algorithm for different operational use cases were provided within the context of satisfying REDD+ requirements, depending on whether spatial accuracy or temporal accuracy need to be optimized.

Este estudo analisou a dinâmica espacial e temporal dos padrões das macrófitas aquáticas no Banhado do Taim - RS, por meio de imagens Landsat MSS, Landsat TM e Cbers CCD, no período compreendido entre 1973 e 2005. Foi analisada a influência da variação da estrutura de fundo do banhado e dos diferentes extratos que a compõem, para caracterizar a distribuição dos padrões espaciais e temporais das macrófitas aquáticas. Esta abordagem buscou avaliar o quanto a estrutura de fundo pode desempenhar um papel mais importante do que lhe vem sendo atribuído na definição destes padrões. Este questionamento se deu, devido à existência de uma recorrência do padrão de distribuição das macrófitas no banhado, que pode ser observado na série temporal de imagens de satélite e produtos derivados. Foram abordadas duas escalas espaciais de análise. Na primeira escala são analisados os padrões de superfícies de lâmina de água aparente, de distribuição das classes de macrófitas aquáticas, da variação de Índice de Vegetação por Diferença Normalizada (NDVI) e da variação textural para a superfície do Banhado do Taim como um todo. Nessa escala o limite da área do Banhado do Taim, nas imagens de satélite e produtos derivados, tem uma superfície total de 17882hectares que representam 53% dos 33815hectares da área total da Unidade de Conservação Federal Estação Ecológica do Taim. A segunda escala de análise corresponde a denominada janela do DNOS. Nessa escala, foram analisados os padrões espaciais e temporais considerando como agente principal na definição dos padrões de distribuição das macrófitas aquáticas no Banhado do Taim, a variação da estrutura de fundo Esta abordagem é inicialmente restrita a esta área, tendo em vista as informações disponíveis. Nesta escala o limite utilizado para delimitar a área nas imagens de satélite e produtos derivados, tem uma superfície total de 2700hectares que representam 15% dos 17882hectares da área total do Banhado do Taim. As relações estabelecidas para a área de maior detalhe foram então ampliadas para a área definida pela primeira escala, quando então, foram espacializadas estas relações para a superfície do Banhado do Taim como um todo. Esta abordagem permitiu concluir que a espécie de macrófita predominante no Banhado do Taim, em termos de área total, é a espécie Z.bonariensis, e que existe uma recorrência da estrutura básica dos padrões de distribuição das macrófitas. Este padrão, se mantém, mesmo depois dos pulsos de inundação ou de prolongados períodos de águas baixas, e está vinculado às estruturas de fundo no Banhado do Taim.

This thesis focuses on the analysis of all data sources available for landscape memory interpretation. Amongst those data sources are Lidar, Landsat and orthophoto pictures. According to the analytical outcome the most convenient data source seems to be the Lidar data. Based on their analysis and interpretation an information source for complex land consolidation was elaborated in the form of the forest park proposal.

Monitoring large forest areas is presently feasible with satellite remote sensing as opposed to time-consuming and expensive ground surveys as alternative. This study evaluated, for the first time, the potential of using freely available medium resolution (30 m) Landsat time series data for deforestation monitoring in tropical rainforests of Kalimantan, Indonesia, at sub-annual time scales. A simple, generic, data-driven algorithm for deforestation detection based on a consecutive anomalies criterion was proposed. An accuracy assessment in the spatial and the temporal domain was carried out using high-confidence reference sample pixels interpreted with the aid of multi-temporal very high spatial resolution image series. Results showed a promising spatial accuracy, when three consecutive anomalies were required to confirm a deforestation event. Recommendations in tuning the algorithm for different operational use cases were provided within the context of satisfying REDD+ requirements, depending on whether spatial accuracy or temporal accuracy need to be optimized.

ARAÚJO, Efraim Martins. Utilização do sensoriamento remoto para detecção de diferentes alvos no entorno de reservatórios no semiárido. 2017. 159 f. Tese (Doutorado em Engenharia Agrícola)-Universidade Federal do Ceará, Fortaleza, 2017. / Submitted by Aline Mendes (alinemendes.ufc@gmail.com) on 2017-05-30T20:44:38Z No. of bitstreams: 1 2017_tese_emaraujo.pdf: 10444465 bytes, checksum: 54198305b9d650c104ee92d5588717ee (MD5) / Approved for entry into archive by Aline Mendes (alinemendes.ufc@gmail.com) on 2017-05-30T21:13:40Z (GMT) No. of bitstreams: 1 2017_tese_emaraujo.pdf: 10444465 bytes, checksum: 54198305b9d650c104ee92d5588717ee (MD5) / Made available in DSpace on 2017-05-30T21:13:40Z (GMT). No. of bitstreams: 1 2017_tese_emaraujo.pdf: 10444465 bytes, checksum: 54198305b9d650c104ee92d5588717ee (MD5) Previous issue date: 2017 / The main goal of this work is to evaluate the potential of discrimination for soil use and occupation in the surroundings of reservoirs located in the semi-arid region, using spectral information obtained by remote sensor considering multispectral and hyperspectral satellites images. The satellite images selected for the survey are Landsat 8 and Hyperion images. The research evaluated and compared the performance of different techniques for image classification applied to multispectral (Landsat 8) and hyperspectral (Hyperion) sensors aiming the detection and delineation of the land uses around the reservoirs Paus Brancos, Nova Vida and Marengo, located in the 25 de Maio settlement, Madalena – CE, belongin the hydrographic basin of the Banabuiú reservoir. The classes identified based on surveys conducted in 2014 and 2015 campaigns around the reservoirs were: water (water bodies), macrophytes, exposed soil, native vegetation, agriculture, sparse vegetation and fload plaind crop, in addition to cloud and shadow targets. Different techniques for image processing are tested and compared, such as NDVI (Vegetation Index by Normative Difference), non-supervised classifier (ISODATA) and supervised classifiers (Maximum Likelihood, K-Nearest Neighbours - KNN, Minimal Distance and Random Forest). For processing hyperspectral images, we use SVM (Support Vector Machine) classifier, which provides to analyze all the 155 radiometrically calibrated bands of the Hyperion sensor, assigning them weights in the classification process. According to the results provided by SVM classifier, RGB compositions of the 10 best ranked bands are evaluated aiming the identification of the best successful combination for delineating classes in the surroundings of the three studied reservoirs (bands R – 51, G – 161, B – 19). The analysis of NDVI multispectral images behaved inaccurate for delineating classes, mainly considering targets with similar spectral response, such as some kinds of vegetation. Meanwhile, the unsupervised classification proved to be deficient, not being able to discriminate water bodies from cloud shadow, even after applying contrast enhancing techniques within the Matlab computing program environment. The spectral and temporal analysis of soil use reflectance allowed to identify the spectral behavior of the nine classes considered in this study and also the spectral bands with the highest potential for discriminating the referred classes. Indeed, even within these optimal bands, some targets present similar spectral behaviors, difficulting their discrimination. On the other hand, the supervised classification applied to Landsat 8 and Hyperion images achieved to be succeed in the delineation of either distinct (water, soil and vegetation) and similar (macrophytes, fload plaind crop, native vegetation, agriculture and sparse vegetation) targets. It should be emphasized that the performance results of the classifiers applied to the Hyperion images are generally superior to those obtained respectively by the same classifiers over the Landsat 8 images. This can be explained by the higher spectral resolution of the first sensor, which increases the potential for delineating targets with similar spectral response. Concerning the supervised classifiers, in the stage of performance test, it was observed that KNN method is more accurate than the others for Landsat 8 images, with a maximum Kappa coefficient equal to 0.68. Meanwhile, for Hyperion images, the Maximum Likelihood method achieves the highest performance result, with a maximum Kappa coefficient equal to 0,78. Additionally, a sensitivity analysis of the supervised classification applied to Landsat 8 and Hyperion images is performed regarding the number of samples per class randomly collected for training. It is clearly observed that the randomness concerning training stage allows finding subsets of samples which increase the performance results. For the evaluation of the supervised maximum likelihood classification method, Landsat 8 (24/08/2015) and Hyperion (285/08/2015) images are considered for the computing tests. The training data were collected through a research technical visit in November, 2015, around São Nicolau reservoir, also located in the 25 de Maio settlement, while the data for performance evaluation (validation) were extracted from the image generated through the overflight performed by an Unmanned Aerial Vehicle (UAV), in the same period in the Paus Brancos reservoir. The obtained results demonstrate the robustness for that classifier when applied to Hyperion image, with a Kappa of 0.83. Concerning Landsat 8 image, the computed Kappa is 0.49, which can be explained by the corresponding lower spectral resolution. Two other applications of the Maximum Likelihood classifier for Landsat 8 and Hyperion images were performed. In the first one, the accuracy of each classifier for detecting reservoirs contours was tested. In some of these reservoirs, that task is made difficult by the presence of macrophytes in the hydraulic basin. For this analysis, the intersection area between the scenes of the Landsat 8 and Hyperion sensors, which cover the area of 25 de Maio Settlement, was used, totalizing 48 reservoirs. The results showed that the classifier generally underestimates the reservoir areas, reaching 73% and 51% of the reference value in the Landsat 8 and Hyperion images, respectively. Finally, an application of the supervised Maximum Likelihood classifier was performed using Hyperion images for the detection of land uses in the surroundings of reservoirs of other regions of the State of Ceará. In the analysis of the available data, it is possible to identify a reservoir located in the municipality of Lavras da Mangabeira, displayed in the Hyperion image (26/09/2010), with low cloud cover, near the image of Google Earth (08/07/2009), also used for validation purposes. The results of the application indicate accurate performance for the classifier associated with the RGB composition selected for the Hyperion image (bands R - 51, G - 161, B - 19) concerning the detection of the uses around this reservoir, the resultant Kappa coefficient is 0.90. On the other hand, the availability of Hyperion sensor data in applications for the State of Ceará is very restricted, which makes difficult to develop continuous researches using hyperspectral images. / O objetivo deste trabalho é avaliar o potencial de discriminação dos uso e ocupação do solo no entorno de reservatórios localizados na região semiárida, mediante informações espectrais obtidas por sensor remoto com imagens de satélites multiespectrais e hiperespectrais. As imagens de satélites selecionadas para a realização da pesquisa foram imagens Landsat 8 e Hyperion. A pesquisa analisou o desempenho de diferentes técnicas de classificação de imagens aplicadas a sensores multiespectrais (Landsat 8) e hiperespectrais (Hyperion) para detecção e diferenciação das classes do solo no entorno dos reservatórios Paus Brancos, Nova Vida e Marengo, situados no Assentamento 25 de Maio, localizados no município de Madalena – CE, pertencentes a bacia hidrográfica do reservatório Banabuiú. As classes identificadas com base em levantamentos em campanhas realizadas em 2014 e 2015 no entorno dos reservatórios são: água (corpos hídricos), macrófitas, solo exposto, vegetação nativa, agricultura, vegetação rala e vazante, além dos alvos nuvem e sombra de nuvem. Testaram-se na pesquisa diferentes técnicas de processamento de imagens, tais como NDVI (Índice de Vegetação por Diferença Normatizada), classificador não supervisionado (ISODATA) e supervisionados (Máxima Verossimilhança, K-Nearest Neighbours - KNN, Mínima Distância e Random Forest). Para processamento de imagens hiperespectrais utilizou-se, adicionalmente, o classificador SVM (Support Vector Machine), por permitir o processamento de todas as 155 bandas radiometricamente calibradas do sensor Hyperion, atribuindo-lhes pesos no processo de classificação. Testaram-se, então, composições RGB das 10 melhores bandas de acordo com o ranking resultante do classificador SVM, para identificação daquela com melhor desempenho na diferenciação das classes no entorno dos três reservatórios estudados (bandas R – 51, G – 161, B – 19). A análise de imagens multiespectrais do NDVI apresentou limitações na diferenciação de classes, sobretudo em alvos com resposta espectral similar como tipos de vegetação. Já a classificação não-supervisionada mostrou-se deficiente por não conseguir separar corpos hídricos de sombra de nuvem, mesmo após a aplicação de técnicas de realces implementados dentro do ambiente Matlab. A análise espectral e temporal da reflectância de classes permitiu identificar o comportamento espectral das nove classes analisadas neste estudo, indicando as faixas espectrais com maior potencial de diferenciação, embora se perceba que, mesmo nestas faixas, alguns alvos apresentam comportamento espectral similar, não sendo facilmente separados. A classificação supervisionada, por sua vez, destacou-se por conseguir separar tanto alvos distintos (água, solo e vegetação) como alvos semelhantes (macrófitas, vazante, vegetação nativa, agricultura e vegetação rala) quando aplicadas as imagens dos sensores Landsat 8 e Hyperion. Cabe destacar, entretanto, que o desempenho dos classificadores aplicados à imagem do sensor Hyperion foi, em geral, superior aos obtidos em imagem Landsat 8, o que pode ser explicado pela alta resolução espectral do primeiro, que facilita a diferenciação de alvos com reposta espectral similar. Na etapa de teste de desempenho dos classificadores supervisionados, observou-se que o método KNN foi superior aos demais no processamento de imagem Landsat 8, com coeficiente Kappa de 0,68. Já no caso do Hyperion, o método de Máxima Verossimilhança teve melhor desempenho com Kappa de 0,78. Adicionalmente, realizou-se uma análise de sensibilidade da classificação supervisionada aplicada a imagens Landsat 8 e Hyperion quanto ao número de amostras por classe usadas no treinamento, indicando que, em geral, o caráter aleatório de escolha das amostras potencializa o desempenho dos classificadores. Para validação do método de classificação supervisionada de Máxima Verossimilhança, utilizaram-se imagens Landsat 8 (24/08/2015) e Hyperion (28/08/2015). Os dados de treinamento do classificador foram coletados na campanha de novembro de 2015, no entorno do reservatório São Nicolau, também localizado no Assentamento 25 de Maio, enquanto que os dados de verificação do desempenho do método foram extraídos da imagem gerada no sobrevoo realizado, no mesmo período, no reservatório Paus Branco, usando um VANT (veículo aéreo não tripulado). Os resultados mostraram um excelente desempenho do classificador quando aplicado à imagem do sensor Hyperion, com Kappa de 0,83. Já a aplicação para a imagem do sensor Landsat 8 resultou em um Kappa de 0,49, o que pode ser explicado por sua baixa resolução espectral. Realizaram-se, ainda, duas aplicações do classificador supervisionado de Máxima Verossimilhança em imagens Landsat 8 e Hyperion para testar a eficiência do método. Na primeira, verificou-se a habilidade do classificador na detecção de contornos de reservatórios, em alguns dificultada pela presença de macrófitas na bacia hidráulica. Para isso, utilizou-se a área de interseção entre as cenas dos sensores Landsat 8 e Hyperion, que cobrem a área do Assentamento 25 de Maio, identificando 48 reservatórios. Os resultados mostraram que, em geral, o classificador subestima as áreas dos reservatórios, atingindo 73% e 51% do valor referência nas imagens Landsat 8 e Hyperion, respectivamente. Por fim, realizou-se uma aplicação do classificador supervisionado de Máxima Verossimilhança em imagens Hyperion para detecção de classes no entorno de reservatórios de outras regiões do Estado do Ceará. Na análise dos dados disponíveis, identificou-se um reservatório no município de Lavras da Mangabeira-CE, presente na imagem Hyperion (26/09/2010), com baixa cobertura de nuvens, em período próximo à imagem do google Earth (08/07/2009), usada para validação dos resultados. Os resultados da aplicação indicaram um bom desempenho do classificador associado à composição RGB da imagem Hyperion escolhida (bandas R – 51, G – 161, B – 19) na detecção das classes no entorno deste reservatório, produzindo um coeficiente Kappa de 0,90. Por outro lado, a disponibilidade de dados do sensor Hyperion em aplicações para o Estado do Ceará é bem restrita, o que dificulta o desenvolvimento de pesquisas continuadas usando imagens hiperespectrais.

ARAÚJO, E. M. Detecção de diferentes alvos no entorno de reservatórios no semiárido através do uso de sensoriamento remoto. 2017. 161 f. Tese (Doutorado em Engenharia Agrícola)- Universidade Federal do Ceará, Fortaleza, 2016. / Submitted by Weslayne Nunes de Sales (weslaynesales@ufc.br) on 2017-06-21T11:25:55Z No. of bitstreams: 1 2017_tese_emaraujo.pdf: 9310147 bytes, checksum: d2e4fbc1a2d900355b4d2243ab7adb84 (MD5) / Approved for entry into archive by Weslayne Nunes de Sales (weslaynesales@ufc.br) on 2017-06-21T11:27:46Z (GMT) No. of bitstreams: 1 2017_tese_emaraujo.pdf: 9310147 bytes, checksum: d2e4fbc1a2d900355b4d2243ab7adb84 (MD5) / Made available in DSpace on 2017-06-21T11:27:46Z (GMT). No. of bitstreams: 1 2017_tese_emaraujo.pdf: 9310147 bytes, checksum: d2e4fbc1a2d900355b4d2243ab7adb84 (MD5) Previous issue date: 2017 / The main goal of this work is to evaluate the potential of discrimination for soil use and occupation in the surroundings of reservoirs located in the semi-arid region, using spectral information obtained by remote sensor considering multispectral and hyperspectral satellites images. The satellite images selected for the survey are Landsat 8 and Hyperion images. The research evaluated and compared the performance of different techniques for image classification applied to multispectral (Landsat 8) and hyperspectral (Hyperion) sensors aiming the detection and delineation of the land uses around the reservoirs Paus Brancos, Nova Vida and Marengo, located in the 25 de Maio settlement, Madalena – CE, belongin the hydrographic basin of the Banabuiú reservoir. The classes identified based on surveys conducted in 2014 and 2015 campaigns around the reservoirs were: water (water bodies), macrophytes, exposed soil, native vegetation, agriculture, sparse vegetation and fload plaind crop, in addition to cloud and shadow targets. Different techniques for image processing are tested and compared, such as NDVI (Vegetation Index by Normative Difference), non-supervised classifier (ISODATA) and supervised classifiers (Maximum Likelihood, K-Nearest Neighbours - KNN, Minimal Distance and Random Forest). For processing hyperspectral images, we use SVM (Support Vector Machine) classifier, which provides to analyze all the 155 radiometrically calibrated bands of the Hyperion sensor, assigning them weights in the classification process. According to the results provided by SVM classifier, RGB compositions of the 10 best ranked bands are evaluated aiming the identification of the best successful combination for delineating classes in the surroundings of the three studied reservoirs (bands R – 51, G – 161, B – 19). The analysis of NDVI multispectral images behaved inaccurate for delineating classes, mainly considering targets with similar spectral response, such as some kinds of vegetation. Meanwhile, the unsupervised classification proved to be deficient, not being able to discriminate water bodies from cloud shadow, even after applying contrast enhancing techniques within the Matlab computing program environment. The spectral and temporal analysis of soil use reflectance allowed to identify the spectral behavior of the nine classes considered in this study and also the spectral bands with the highest potential for discriminating the referred classes. Indeed, even within these optimal bands, some targets present similar spectral behaviors, difficulting their discrimination. On the other hand, the supervised classification applied to Landsat 8 and Hyperion images achieved to be succeed in the delineation of either distinct (water, soil and vegetation) and similar (macrophytes, fload plaind crop, native vegetation, agriculture and sparse vegetation) targets. It should be emphasized that the performance results of the classifiers applied to the Hyperion images are generally superior to those obtained respectively by the same classifiers over the Landsat 8 images. This can be explained by the higher spectral resolution of the first sensor, which increases the potential for delineating targets with similar spectral response. Concerning the supervised classifiers, in the stage of performance test, it was observed that KNN method is more accurate than the others for Landsat 8 images, with a maximum Kappa coefficient equal to 0.68. Meanwhile, for Hyperion images, the Maximum Likelihood method achieves the highest performance result, with a maximum Kappa coefficient equal to 0,78. Additionally, a sensitivity analysis of the supervised classification applied to Landsat 8 and Hyperion images is performed regarding the number of samples per class randomly collected for training. It is clearly observed that the randomness concerning training stage allows finding subsets of samples which increase the performance results. For the evaluation of the supervised maximum likelihood classification method, Landsat 8 (24/08/2015) and Hyperion (285/08/2015) images are considered for the computing tests. The training data were collected through a research technical visit in November, 2015, around São Nicolau reservoir, also located in the 25 de Maio settlement, while the data for performance evaluation (validation) were extracted from the image generated through the overflight performed by an Unmanned Aerial Vehicle (UAV), in the same period in the Paus Brancos reservoir. The obtained results demonstrate the robustness for that classifier when applied to Hyperion image, with a Kappa of 0.83. Concerning Landsat 8 image, the computed Kappa is 0.49, which can be explained by the corresponding lower spectral resolution. Two other applications of the Maximum Likelihood classifier for Landsat 8 and Hyperion images were performed. In the first one, the accuracy of each classifier for detecting reservoirs contours was tested. In some of these reservoirs, that task is made difficult by the presence of macrophytes in the hydraulic basin. For this analysis, the intersection area between the scenes of the Landsat 8 and Hyperion sensors, which cover the area of 25 de Maio Settlement, was used, totalizing 48 reservoirs. The results showed that the classifier generally underestimates the reservoir areas, reaching 73% and 51% of the reference value in the Landsat 8 and Hyperion images, respectively. Finally, an application of the supervised Maximum Likelihood classifier was performed using Hyperion images for the detection of land uses in the surroundings of reservoirs of other regions of the State of Ceará. In the analysis of the available data, it is possible to identify a reservoir located in the municipality of Lavras da Mangabeira, displayed in the Hyperion image (26/09/2010), with low cloud cover, near the image of Google Earth (08/07/2009), also used for validation purposes. The results of the application indicate accurate performance for the classifier associated with the RGB composition selected for the Hyperion image (bands R - 51, G - 161, B - 19) concerning the detection of the uses around this reservoir, the resultant Kappa coefficient is 0.90. On the other hand, the availability of Hyperion sensor data in applications for the State of Ceará is very restricted, which makes difficult to develop continuous researches using hyperspectral images. / O objetivo deste trabalho é avaliar o potencial de discriminação dos uso e ocupação do solo no entorno de reservatórios localizados na região semiárida, mediante informações espectrais obtidas por sensor remoto com imagens de satélites multiespectrais e hiperespectrais. As imagens de satélites selecionadas para a realização da pesquisa foram imagens Landsat 8 e Hyperion. A pesquisa analisou o desempenho de diferentes técnicas de classificação de imagens aplicadas a sensores multiespectrais (Landsat 8) e hiperespectrais (Hyperion) para detecção e diferenciação das classes do solo no entorno dos reservatórios Paus Brancos, Nova Vida e Marengo, situados no Assentamento 25 de Maio, localizados no município de Madalena – CE, pertencentes a bacia hidrográfica do reservatório Banabuiú. As classes identificadas com base em levantamentos em campanhas realizadas em 2014 e 2015 no entorno dos reservatórios são: água (corpos hídricos), macrófitas, solo exposto, vegetação nativa, agricultura, vegetação rala e vazante, além dos alvos nuvem e sombra de nuvem. Testaram-se na pesquisa diferentes técnicas de processamento de imagens, tais como NDVI (Índice de Vegetação por Diferença Normatizada), classificador não supervisionado (ISODATA) e supervisionados (Máxima Verossimilhança, K-Nearest Neighbours - KNN, Mínima Distância e Random Forest). Para processamento de imagens hiperespectrais utilizou-se, adicionalmente, o classificador SVM (Support Vector Machine), por permitir o processamento de todas as 155 bandas radiometricamente calibradas do sensor Hyperion, atribuindo-lhes pesos no processo de classificação. Testaram-se, então, composições RGB das 10 melhores bandas de acordo com o ranking resultante do classificador SVM, para identificação daquela com melhor desempenho na diferenciação das classes no entorno dos três reservatórios estudados (bandas R – 51, G – 161, B – 19). A análise de imagens multiespectrais do NDVI apresentou limitações na diferenciação de classes, sobretudo em alvos com resposta espectral similar como tipos de vegetação. Já a classificação não-supervisionada mostrou-se deficiente por não conseguir separar corpos hídricos de sombra de nuvem, mesmo após a aplicação de técnicas de realces implementados dentro do ambiente Matlab. A análise espectral e temporal da reflectância de classes permitiu identificar o comportamento espectral das nove classes analisadas neste estudo, indicando as faixas espectrais com maior potencial de diferenciação, embora se perceba que, mesmo nestas faixas, alguns alvos apresentam comportamento espectral similar, não sendo facilmente separados. A classificação supervisionada, por sua vez, destacou-se por conseguir separar tanto alvos distintos (água, solo e vegetação) como alvos semelhantes (macrófitas, vazante, vegetação nativa, agricultura e vegetação rala) quando aplicadas as imagens dos sensores Landsat 8 e Hyperion. Cabe destacar, entretanto, que o desempenho dos classificadores aplicados à imagem do sensor Hyperion foi, em geral, superior aos obtidos em imagem Landsat 8, o que pode ser explicado pela alta resolução espectral do primeiro, que facilita a diferenciação de alvos com reposta espectral similar. Na etapa de teste de desempenho dos classificadores supervisionados, observou-se que o método KNN foi superior aos demais no processamento de imagem Landsat 8, com coeficiente Kappa de 0,68. Já no caso do Hyperion, o método de Máxima Verossimilhança teve melhor desempenho com Kappa de 0,78. Adicionalmente, realizou-se uma análise de sensibilidade da classificação supervisionada aplicada a imagens Landsat 8 e Hyperion quanto ao número de amostras por classe usadas no treinamento, indicando que, em geral, o caráter aleatório de escolha das amostras potencializa o desempenho dos classificadores. Para validação do método de classificação supervisionada de Máxima Verossimilhança, utilizaram-se imagens Landsat 8 (24/08/2015) e Hyperion (28/08/2015). Os dados de treinamento do classificador foram coletados na campanha de novembro de 2015, no entorno do reservatório São Nicolau, também localizado no Assentamento 25 de Maio, enquanto que os dados de verificação do desempenho do método foram extraídos da imagem gerada no sobrevoo realizado, no mesmo período, no reservatório Paus Branco, usando um VANT (veículo aéreo não tripulado). Os resultados mostraram um excelente desempenho do classificador quando aplicado à imagem do sensor Hyperion, com Kappa de 0,83. Já a aplicação para a imagem do sensor Landsat 8 resultou em um Kappa de 0,49, o que pode ser explicado por sua baixa resolução espectral. Realizaram-se, ainda, duas aplicações do classificador supervisionado de Máxima Verossimilhança em imagens Landsat 8 e Hyperion para testar a eficiência do método. Na primeira, verificou-se a habilidade do classificador na detecção de contornos de reservatórios, em alguns dificultada pela presença de macrófitas na bacia hidráulica. Para isso, utilizou-se a área de interseção entre as cenas dos sensores Landsat 8 e Hyperion, que cobrem a área do Assentamento 25 de Maio, identificando 48 reservatórios. Os resultados mostraram que, em geral, o classificador subestima as áreas dos reservatórios, atingindo 73% e 51% do valor referência nas imagens Landsat 8 e Hyperion, respectivamente. Por fim, realizou-se uma aplicação do classificador supervisionado de Máxima Verossimilhança em imagens Hyperion para detecção de classes no entorno de reservatórios de outras regiões do Estado do Ceará. Na análise dos dados disponíveis, identificou-se um reservatório no município de Lavras da Mangabeira-CE, presente na imagem Hyperion (26/09/2010), com baixa cobertura de nuvens, em período próximo à imagem do google Earth (08/07/2009), usada para validação dos resultados. Os resultados da aplicação indicaram um bom desempenho do classificador associado à composição RGB da imagem Hyperion escolhida (bandas R – 51, G – 161, B – 19) na detecção das classes no entorno deste reservatório, produzindo um coeficiente Kappa de 0,90. Por outro lado, a disponibilidade de dados do sensor Hyperion em aplicações para o Estado do Ceará é bem restrita, o que dificulta o desenvolvimento de pesquisas continuadas usando imagens hiperespectrais.

The increasing interest of modeling global carbon cycling during the past two decades has driven this research to map leaf area index (LAI) at multiple spatial resolutions by combining LAI field observations with various sensor images at local, regional, and global scale. This is due to its important role in process based models that are used to predict carbon sequestration of terrestrial ecosystems. Although a substantial research has been conducted, there are still many challenges in this area. One of the challenges is that various images with spatial resolutions varying from few meters to several hundred meters and even to 1 km have been used. However, a method that can be used to collect LAI field measurements and further conduct multiple spatial resolution mapping and accuracy assessment of LAI is not available. In this study, a pilot study in a complex landscape located in the Southern Illinois was carried out to map LAI by combining field observations and remotely sensed images. Multi-scale mapping and accuracy assessment of LAI using aerial photo, Landsat TM and MODIS images were explored by developing a multi-scale sampling design. The results showed that the sampling design could be used to collect LAI observations to create LAI products at various spatial resolutions and further conduct accuracy assessment. It was also found that the TM derived LAI maps at the original and aggregated spatial resolutions successfully characterized the heterogeneous landscape and captured the spatial variability of LAI and were more accurate than those from the aerial photo and MODIS. The aerial photo derived models led to not only over- and under-estimation, but also pixilated maps of LAI. The MODIS derived LAI maps had an acceptable accuracy at various spatial resolutions and are applicable to mapping LAI at regional and global scale. Thus, this study overcame some of the significant gaps in this field.

Magíster en Ingeniería de Negocios con Tecnologías de Información. Ingeniera Civil Industrial / El desarrollo de la agricultura en Chile requiere de un esfuerzo científico y tecnológico para mantener al país a la vanguardia en los mercados mundiales. El Instituto de Investigaciones Agropecuarias (INIA) es el organismo estatal encargado de esta misión, generando y transfiriendo conocimiento, experiencias y tecnologías desde las investigaciones a los agricultores y a las demás instituciones estatales y privadas que los respaldan. El Ministerio de Agricultura (MINAGRI) a través del Subdepartamento de Información, Monitoreo y Prevención del Departamento de Gestión Integral de Riesgo, evalúa y decreta las Emergencias Agrícolas con una base técnica de información desarrollada por el INIA en su Boletín Nacional de Análisis de Riesgos Agroclimáticos para las principales especies frutales y cultivos, y la ganadería. Dicho Boletín compara el comportamiento de zonas anómalas utilizando sus datos históricos, sin lograr clasificar las cubiertas estudiadas, lo que no permite dimensionar a cabalidad el daño producido por las emergencias. El proyecto de tesis presentado aborda esa problemática al diseñar e implementar un proceso automatizado de detección de cubiertas en imágenes satelitales, utilizando algoritmos de minería de datos, para la monitorización de una localidad específica . La herramienta tecnológica diseñada apoya la clasificación de imágenes satelitales Landsat de las comunas en estudio: Lonquimay y Los Sauces. Las imágenes procesadas se clasifican entre 8 categorías, entregando un archivo con las cubiertas clasificadas y un reporte de la clasificación realizada. De acuerdo a las evaluaciones realizadas por los expertos de los organismos involucrados que han acompañado el desarrollo de este proyecto, es posible concluir que la información obtenida para ambas comunas en estudio es útil para la temporada de verano en Lonquimay y para primavera y verano en Los Sauces. Con esto se aporta información extra para la toma de decisiones en las Emergencias Agrícolas de esas temporadas, aunque la base de puntos conocidos debe ser mejorada para obtener resultados más confiables. El proceso de clasificación de imágenes satelitales presentado se creó con el propósito de ser parte de las actividades de Transferencia que realiza INIA; no solo para la redacción del Boletín Agrometeorológico, sino también como una base para la mejora continua de clasificaciones en imágenes satelitales. Éstas pueden formar parte de futuros proyectos de INIA con otras Instituciones públicas o privadas. El proyecto entrega un VAN de CLP $60MM, el cual permitiría mejorar la inversión en recursos de procesamiento (humanos y tecnológicos) o mejorar la base de puntos conocidos en terreno, manteniendo el tipo de imágenes utilizadas (Landsat). El uso de imágenes de mejor calidad y que no sean gratuitas implicaría un costo que no compensaría los beneficios supuestos, además de la necesaria actualización de los algoritmos. Como siguiente paso se requiere de una base sólida de puntos conocidos en terreno. Es importante destacar que la solución presentada es directamente escalable para otras comunas de interés, por lo que INIA podría incorporarla en nuevos (o antiguos) servicios.