Orientador: Maria de Lourdes Bueno Trindade Galo / Banca: Nilton Nobuhiro Imai / Banca: Paulo de Oliveira Camargo / Banca: Arnaldo de Queiroz da Silva / Banca: Igor da Silva Narvaes / Resumo: A Zona Costeira Amazônica (ZCA) é marcada por uma alta descarga de sedimentos e água doce sob a influência do rio Amazonas, possui ampla plataforma continental, extensas planícies de inundação e planaltos rebaixados. É uma região de clima tropical, caracterizando-se por chuvas e nebulosidade severas, além da influência de macromarés. Este estudo propõe-se a avaliar a precisão de Modelos Digitais de Superfícies (MDSs), elaborados a partir de dados de radar de abertura sintética (SAR) Cosmo-SkyMed (CSK) e TerraSAR-X (TSX), utilizando abordagens de reconstrução tridimensional por interferometria e radargrametria, para caracterizar esse relevo plano e dinâmico da costa amazônica. O estudo foi desenvolvido em quatro experimentos contemplando: i) as variações de linha de costa por meio de detecção de mudanças a partir de imagens ópticas; ii) mapeamento de ambientes costeiros; iii) elaboração e análise de MDSs interferométricos e iv) radargramétricos, por meio das suas respectivas cadeias de processamento SAR. A ZCA teve forte dinâmica nos últimos 15 anos, com acresção total de 5.582,18 km2 e sob a taxa de 372,15 km2.ano-1, erosão total de 5.475,90 km² e sob taxa de 365,06 km2.ano-1, resultando no balanço sedimentar de 106,27 km², com taxa de 7,08 km2.ano-1. O setor Insular Estuarino apresentou a maior dinâmica de linha de costa, com mudanças costeiras de 213,17±56,46 km2 e balanço sedimentar de 20,65±73,59 km2. Os ambientes costeiros amazônicos foram descritos pelo retroespalhament... (Resumo completo, clicar acesso eletrônico abaixo) / Abstrac: The Amazon Coastal Zone (ACZ) is marked by a high discharge of sediments and fresh water under the influence of the Amazon River, which has a wide continental shelf, extensive flood plain and lowered plateaus. It is a region of tropical climate, rainfall, severe cloudiness and macrotidal influence. This study proposes to assess the performance of Digital Surface Models (DSM) based on Cosmo-SkyMed (CSK) and TerraSAR-X (TSX) dataset, using threedimensional reconstruction by interferometry and radargrammetry approaches on the flat and dynamic relief of Amazonian coast. The method focused on four experiments: i) shoreline variations through change detection of optical images, ii) mapping of coastal environments; iii) elaboration and analyses of interferometric DSMs and iv) radargrammetric through their respective Synthetic Aperture Radar (SAR) processing chains. The ACZ had high dynamic in the last 15 years with total sediment deposition of 5,582.18 km2 and under a rate of 372.15 km2 .yr -1, and with total erosion of 5,475.90 km² and under a rate of 365.06 km2 .yr-1 . Besides, it was obtained a sedimentary balance of 106.27 km² and under a rate of 7.08 km2 .yr-1 . The Estuarine Insular sector presented the greater dynamics of shoreline, registering coastal changes of 213.17 ± 56.46 km2 and sedimentary balance of 20.65 ± 73.59 km2 . The Amazonian coastal environments were described by backscattering and coherence which shared ambiguity and high dispersion, with the lowest separability and coherence noted for Coastal Flat. The mapping of the coastal environments obtained Kappa coefficients between 0.46 and 0.51, indicating the shallow incidence angles during the dry season as more appropriated for the study ... (Complete abstract click electronic access below) / Doutor

[pt] A captura de cenas de cobertura da Terra com sensores óticos de satélite é frequentemente limitada pela presença de nuvens que corrompem as imagens coletadas. Entre os métodos para recuperar imagens óticas de satélite corrompidas por nuvens, várias abordagens de tradução de imagemimagem usando Redes Adversárias Generativas (GANs) têm surgido com bons resultados, conseguindo criar imagens óticas realistas a partir de imagens de Radar de Abertura Sintética (SAR). Os métodos baseados em GANs condicionais (cGAN) propostos até agora para a síntese de imagens SAR-óticas tendem a produzir imagens ruidosas e com pouca nitidez. Neste trabalho, propomos a atrous-cGAN, uma nova arquitetura que melhora a transformação de imagem SAR em ótica. As redes propostas para o gerador e discriminador contam com convolusões dilatadas (atrous) e incorporam o módulo Pirâmide Espacial Atrous Pooling (ASPP) para realçar detalhes finos na imagem ótica gerada, explorando o contexto espacial em várias escalas. Este trabalho apresenta experimentos realizados para avaliar o desempenho da atrous-cGAN na síntese de imagens Landsat a partir de dados Sentinel-1A, usando quatro bases de dados públicas. A análise experimental indicou que a atrous-cGAN supera o modelo clássico pix2pix como uma ferramenta de aprendizado de atributos para segmentação semântica. A proposta também gera imagens com maior qualidade visual, e em geral com maior semelhança com a verdadeira imagem ótica. / [en] The capture of land cover scenes with optical satellite sensors is often constrained by the presence of clouds that corrupt the collected images. Among the methods for recovering satellite optical images corrupted by clouds, several image to image translation approaches using Generative Adversarial Networks (GANs) have emerged with profitable results, managing to create realistic optical images from Synthetic Aperture Radar (SAR) data. Conditional GAN (cGAN) based methods proposed so far for SAR-to-optical image synthesis tend to produce noisy and unsharp optical outcomes. In this work, we propose the atrous-cGAN, a novel cGAN architecture that improves the SAR-to-optical image translation. The proposed generator and discriminator networks rely on atrous convolutions and incorporate the Atrous Spatial Pyramid Pooling (ASPP) module to enhance fine details in the generated optical image by exploiting spatial context at multiple scales. This work reports experiments carried out to assess the performance of atrouscGAN for the synthesis of Landsat images from Sentinel-1A data based on four public datasets. The experimental analysis indicated that the atrouscGAN overcomes the classical pix2pix model as a feature learning tool for semantic segmentation. The proposal also generates higher visual quality images, in general with higher similarity with the true optical image.