O monitoramento do meio ambiente e suas mudanças requer a análise de uma grade quantidade de imagens muitas vezes coletadas por satélites. No entanto, variações nos sinais devido a mudanças nas condições atmosféricas frequentemente resultam num deslocamento da distribuição dos dados para diferentes locais e datas. Isso torna difícil a distinção dentre as várias classes de uma base de dados construída a partir de várias imagens. Neste trabalho introduzimos uma nova abordagem de classificação supervisionada, chamada Classifica-Normaliza-Classifica (CNC), para amenizar o problema de deslocamento dos dados. A proposta é implementada usando dois classificadores. O primeiro é treinado em imagens não normalizadas de refletância de topo de atmosfera para distinguir dentre pixels de uma classe de interesse (CDI) e pixels de outras categorias (e.g. floresta versus não-floresta). Dada uma nova imagem de teste, o primeiro classificador gera uma segmentação das regiões da CDI e então um vetor mediano é calculado para os valores espectrais dessas áreas. Então, esse vetor é subtraído de cada pixel da imagem e portanto fixa a distribuição de dados de diferentes imagens num mesmo referencial. Finalmente, o segundo classificador, que é treinado para minimizar o erro de classificação em imagens já centralizadas pela mediana, é aplicado na imagem de teste normalizada no segundo passo para produzir a segmentação binária final. A metodologia proposta foi testada para detectar desflorestamento em pares de imagens co-registradas da Landsat 8 OLI sobre a floresta Amazônica. Experimentos usando imagens multiespectrais de refletância de topo de atmosfera mostraram que a CNC obteve maior acurácia na detecção de desflorestamento do que classificadores aplicados em imagens de refletância de superfície fornecidas pelo United States Geological Survey. As acurácias do método proposto também se mostraram superiores às obtidas pelas máscaras de desflorestamento do programa PRODES. / Monitoring natural environments and their changes over time requires the analysis of a large amount of image data, often collected by orbital remote sensing platforms. However, variations in the observed signals due to changing atmospheric conditions often result in a data distribution shift for different dates and locations making it difficult to discriminate between various classes in a dataset built from several images. This work introduces a novel supervised classification framework, called Classify-Normalize-Classify (CNC), to alleviate this data shift issue. The proposed scheme uses a two classifier approach. The first classifier is trained on non-normalized top-of-the-atmosphere reflectance samples to discriminate between pixels belonging to a class of interest (COI) and pixels from other categories (e.g. forest vs. non-forest). At test time, the estimated COI’s multivariate median signal, derived from the first classifier segmentation, is subtracted from the image and thus anchoring the data distribution from different images to the same reference. Then, a second classifier, pre-trained to minimize the classification error on COI median centered samples, is applied to the median-normalized test image to produce the final binary segmentation. The proposed methodology was tested to detect deforestation using bitemporal Landsat 8 OLI images over the Amazon rainforest. Experiments using top-of-the-atmosphere multispectral reflectance images showed that the deforestation was mapped by the CNC framework more accurately as compared to running a single classifier on surface reflectance images provided by the United States Geological Survey (USGS). Accuracies from the proposed framework also compared favorably with the benchmark masks of the PRODES program.

A Amazônia é a maior floresta tropical do mundo e desempenha papel fundamental na regulação climática do continente sul-americano. A expansão de atividades antrópicas ocorridas na Amazônia nos últimos 70 anos provocou mudanças nos padrões de cobertura do solo na região que levaram ao surgimento de diversas políticas de conservação em nível nacional e internacional. Uma das principais técnicas para o monitoramento e acompanhamento do desenvolvimento dessas políticas são as técnicas fornecidas pelo sensoriamento remoto. Esse trabalho tem por objetivo avaliar o desempenho de três classificadores de imagens digitais (Mínima Distância Euclidiana, Máxima Verrosimilhança e Extration and Classification of Homogeneous Objects) na região central da Amazônia brasileira. Foram utilizadas duas abordagens para realizar as classificações, na primeira os classificadores foram aplicados sobre uma imagem do satélite Landsat - 8 que teve seus números digitais convertidos para valores de refletância e na segunda abordagem os classificadores foram aplicados sobre imagens fração resultantes da aplicação do modelo linear de mistura espectral na imagem do Landsat - 8. Para avaliar os desempenho dos classificadores e das abordagens propostas aplicou-se uma matriz de confusão e foi calculado o índice Kappa para cada um dos resultados obtidos. Os resultados mostraram que o Máxima verossimilhança apresentou o melhor desempenho nas duas abordagem seguido pelo ECHO com resultados próximos. O Mínima Distância teve o pior desempenho nas duas abordagem. Os resultados também indicaram que a redução da dimensionalidade dos dados provocadas pelo modelo linear de mistura espectral foi capaz de melhorar o desempenho apenas do ECHO. / The Amazon is the largest tropical forest in the world and plays a key role in the climate regulation in South America.In the last 70 years, the expansion of anthropogenic activities in this biome has led to changes in land´s cover patterns in that region which have led to the emergence of several conservation policies in national and international levels. One of the main techniques of monitoring the development of these policies is the technique provided by remote sensing. This theses aims to evaluate the performance of three digital image classifiers (Minimum Distance, Maximum Verification and Extraction and Classification of Homogeneous Objects) in the Brazilian’s Amazon central region. Two approaches were used to perform the classifications. To the first one the classifiers were applied on the satellite Landsat – 8’s image that had its digital numbers converted to values of reflectance. To the second approach the classifiers were applied on fraction images resulting from the application of the linear model of spectral mixing in the Landsat-8 image. To evaluate the performance of the proposed classifiers and approaches a confusion matrix the Kappa index was adopted to calculate each of the obtained results. The results showed that the maximum probability has presented the best performance in the two approaches followed by ECHO with close results. The Minimum Distance had the worst performance in both approaches. The results also indicated that the reduction of data dimensionality caused by the linear spectral mixing model was able to improve the performance of only ECHO.

Neste estudo foram analisadas possíveis tendências de aumento da precipitação em nove estações pluviométricas na sub-bacia 87, incluindo Porto Alegre, no Estado do Rio Grande do Sul, para 50 anos de dados. Eventos extremos são responsáveis por muitos problemas, principalmente em áreas urbanas, e a frequência e a magnitude destes eventos podem aumentar com as alterações climáticas. No intuito de avaliar o impacto de alterações climáticas, em Porto Alegre, utilizou-se o modelo Long Ashton Research Station - Weather Generator (LARS-WG). O LARS-WG é um gerador estocástico capaz de simular cenários climáticos em escala local. Para cada série histórica das estações analisadas, na sub-bacia 87, foi aplicado o teste estatístico de Mann Kendall para identificar possíveis tendências nos dados anuais e trimestrais. Na estação de Porto Alegre também foi realizada pesquisa para identificar o aumento na frequência de ocorrência de alturas de precipitação em diferentes faixas e análise de tendência noshttp://www.bibliotecadigital.ufrgs.br/da.php?nrb=001053508&loc=2017&l=5219eb420c00bf62 dados sub-diários. A geração de séries sintéticas de precipitação para diferentes cenários teve como base os dados pluviométricos da série de Porto Alegre, que consistiu na utilização do período de 1974 a 2014 na geração da linha de base para calibração do LARS-WG. Após a geração de séries sintéticas de precipitação para um clima atual, foi selecionado o máximo diário anual e este foi desagregado em dados subdiários. Na sequência avaliou-se o impacto das alterações em três cenários do IPCC, A1B, A2 e B1. Em cada um dos arquivos de precipitação diária, geradas por projeção no LARS-WG, foi realizada a desagregação em precipitações sub-diárias Os resultados da aplicação do teste de Mann Kendall indicam tendência no aumento do total anual e no número de dias chuvosos (NDC). O trimestre que mais contribuiu para este aumento corresponde à primavera. Entretanto nas estações de Porto Alegre e Sapucaia do Sul, na região metropolitana de Porto Alegre, São Lourenço no Litoral Sul e Renânia e Serra do Pinto numa região de relevo acidentado próximo ao Litoral Norte também se identificou tendência de aumento no verão e no outono. Em Porto Alegre não foi verificada tendência na precipitação diária máxima anual, permitindo a utilização do LARS-WG que assume que as séries de dados diários observados são estacionárias e gera séries sintéticas com características estatísticas semelhantes à série de dados observados. Uma análise comparativa dos resultados entre as IDFs projetadas com o LARS-WG e a IDF definida por Weschenfelder et al. (2015) indica aumento das precipitações intensas. No primeiro período de projeção no cenário A1B, os desvios ficaram na faixa de 8 a 16% para quatro dos modelos, no cenário A2 os desvios ficaram na faixa de 9 a 19% e no cenário B1 de 7 a 19% em cinco modelos. Para o segundo período de projeção apresentou uma grande variabilidade com desvios entre -3 e 40%. O caminho para reduzir as incertezas é o monitoramento continuado das variáveis meteorológicas, pois a modelagem do clima só pode ser aprimorada com a incorporação de dados reais aos modelos. / This study analyzes possible trends of precipitation increase in nine rainfall stations in subbasin 87, including Porto Alegre, in the State of Rio Grande do Sul, for 50 years of data. Extreme events are responsible for many problems, especially in urban areas, and the frequency and magnitude of these events may increase with climate change. In order to evaluate the impact of climate change in Porto Alegre, the Long Ashton Research Station - Weather Generator (LARS-WG) model was used. The LARS-WG is a stochastic generator capable of simulating local scale climate scenarios. The Mann Kendall's statistical test was applied for each historical series of the analyzed stations in sub-basin 87 in order to identify possible trends in annual and trimestral data. At the Porto Alegre station, research was also conducted to identify the increase in the frequency of occurrence of precipitation heights in different bands and trend analysis in the sub-diary data. The generation of synthetic precipitation series for different scenarios was based on the pluviometric data of the Porto Alegre series, which consisted of the use of the period from 1974 to 2014 in the generation of the baseline for LARS-WG calibration After the generation of synthetic series of precipitation for a current climate, the maximum annual daily was selected and this was disaggregated in sub-diary data. The impact of the changes was then evaluated in three scenarios of the IPCC, A1B, A2 and B1. In each of the daily precipitation files generated by LARS-WG projection, disaggregation in sub-daily precipitation was conducted. The results of the Mann Kendall test indicate a trend in the annual total increase and in the number of rainy days (NDC). The trimester that contributed most to this increase is spring. However, in the Porto Alegre and Sapucaia do Sul stations, in the metropolitan area of Porto Alegre, São Lourenço in the South Coast and Renânia and Serra do Pinto, in an area of rugged relief near the North Coast, there was also a tendency to increase in summer and fall. In Porto Alegre, no trend was observed in the annual maximum daily precipitation, allowing the use of LARSWG, which assumes that the observed daily data series are stationary and generates synthetic series with similar statistical characteristics to the data series observed. A comparative analysis of the results between the IDFs projected with the LARS-WG and the IDF defined by Weschenfelder et al. (2015) indicates an increase in intense precipitation.

Atualmente existe grande demanda na elaboração de mais estudos que venham aprimorar os conhecimentos relacionados a secas, visto que os prejuízos causados por este tipo de desastre natural podem alcançar cifras bilionárias, além de gerar um grande impacto social. Metodologias de monitoramento de secas geram informações estratégicas para o planejamento de medidas mitigadoras, redução dos impactos gerados e ajudam a aprimorar a forma como se gere os recursos hídricos. Algumas regiões no mundo são atingidas frequentemente por este tipo de desastre e mesmo assim não dispõe de um sistema de monitoramento completo para as secas a exemplo do continente sul-americano. Apresenta-se neste trabalho avaliação de metodologias para análise de alguns dos principais índices de seca citados na literatura científica. O objetivo é avaliar o desempenho destes visando encontrar relações que possam vir a aprimorar o entendimento sobre esse tipo de evento e para geração de mapas de seca para região citada. Foram utilizados neste estudo apenas produtos de sensoriamento remoto, de reanálises de precipitação e modelos de superfície, abrangendo diversas variáveis do ciclo hidrológico terrestre, tais como: Precipitação (TRMM e MSWEP); Umidade do solo gerada pelo GLDAS; Condições da vegetação (NDVI GMMIS e MOD13C2); Variação do armazenamento de água (TWS GRACE). Calculou-se o Índice de Precipitação Padronizado (SPI), Anomalia da Umidade do Solo (SMA), Índice de Vegetação Padronizado (SVI) e Anomalia do Armazenamento Terrestre de Água (ATWS). Os resultados mostraram que estes índices conseguiram identificar a maioria dos eventos de seca registrados e que apresentam uma forte relação entre si e que esta é governada por variações no déficit de precipitação representado na forma do SPI. Concluiu-se que no geral as secas evoluem primeiramente apresentando uma redução da precipitação e que após 1 ou 2 meses passa a atingir a umidade do solo e a vegetação e por fim atinge o armazenamento de água 2 ou 3 meses após o início da seca. A metodologia aplicada para geração dos mapas de seca se mostrou bastante eficiente para o monitoramento deste tipo de evento, de forma que foi possível representar a maioria dos principais eventos de seca que ocorreram na América do Sul nos últimos anos. / There is a need tor increase the scientific studies related to drought since this type of natural disaster causes billionaires damages, besides generating social impacts. Drought monitoring methodologies generate strategic information for the planning of mitigation measures, reduction of the impacts generated, and can be used to improve water resource management. Some regions in the world like South America are often hit by this type of disaster and yet do not has a complete monitoring system for droughts. This study presents a methodological proposal for the analysis of some of the main drought indexes cited in the scientific literature. The goal is to evaluate the performance of these indexes in order to find relationships between them that may have improve the understanding about this type o disaster and generate drought maps for the cited region. It was used only remote sensing products and products of precipitation reanalysis and land surface model, such as: Precipitation (TRMM and MSWEP); Soil moisture generated by GLDAS; Vegetation conditions index (NDVI GMMIS and MOD13C2); Variations of water storage (TWS GRACE). Standardized Precipitation Index (SPI), Soil Moisture Anomaly (SMA), Standardized Vegetation Index (SVI) and Terrestrial Water Storage Anomaly (ATWS) were calculated for this study. The results showed that theses indices were able to identify most of the droughts events recorded and there is a strong relationship between them. In general this relationship is ruled by variations in the precipitation deficit represented by the SPI. It was concluded that for the most regions in South America the droughts first evolve presenting a reduction of the precipitation and after 1 or 2 moths it is noticed a change in soil moisture and vegetation condition and in the end after 2 or 3 moths it is noticed a reduction in the water storage. The methodology used to generate the drought maps proved to be very efficient for the monitoring of this type of disaster that it was possible to represent most of the main drought events that occurred in South America in recent years.

O processo da desertificação é um problema de importância mundial, pois reduz a produtividade das terras como também a função ecológica dos ecossistemas onde acontece este processo. A desertificação é o resultado dos processos de degradação ambiental nas zonas áridas, semiáridas e sub-úmidas secas produto de fatores biofísicos como a variação climática e também das atividades humanas. A região do Vale de Villa de Leyva, Boyacá, Colômbia, tem paisagens em processo de transformação por desertificação porque esta localizada num local seco, pouca precipitação e com solos frágeis. Após da conquista espanhola, esta área teve a maior transformação ambiental iniciando com a sobre exploração dos recursos naturais como as florestas, os solos e os corpos de água, acelerando ainda mais este processo de degradação. Tendo em conta esse contexto, o método de análise das dinâmicas da zona para identificar padrões e processos de desertificação a partir de séries temporais de índices de vegetação, como o NDVI e EVI, foram empregadas técnicas de análise espacial, a traves de Sistemas de Informação Geográfica SIG e ferramentas de Sensoriamento Remoto. Foi feita aquisição das imagens de Índices de vegetação NDVI e EVI do produto MOD13Q1 do sensor MODIS, entre os anos 2001 e 2016. As imagens foram filtradas como o algoritmo Savitzky-Golay para diminuir os erros da informação original, como também os vazios. As series temporais foram analisadas com o intuito de identificar as áreas e os períodos em que ocorreram as mudanças ambientais mais significativas na região com relação à camada vetorial de erosão, elaborada a uma escala 1:100.000 Posteriormente, foi feito uma análise de tendência pelo algoritmo Mann-Kendall para identificar tendências negativas dos índices de vegetação, e fazer uma sobreposição com os índices do último ano, obtendo assim as áreas com maior risco de sofrer processos de degradação ambiental e que podem gerar desertificação. Para validar esses procedimentos, foi feita uma comparação visual com o NDVI do programa Landsat 8 no mesmo período, identificando padrões de distribuição da vegetação muito semelhantes, embora a resolução espacial dos dois tipos de imagens seja muito diferente. Entre os principais resultados, foi possível identificar que as áreas em risco de sofrer processos de desertificação não estão associadas nem obedecem a um processo constante desde sua origem como foi pensado inicialmente, mas as atividades atuais de agricultura não sustentável são as que causam esses processos de degradação. Na atualidade, este processo acontece de forma mais pontual e esta associado a fatores antrópicos, principalmente pelas práticas agrícolas não sustentáveis na região, principalmente pelo incremento dos cultivos de tomate sob estufa. Também existem áreas com tendência a recuperação da vegetação por fatores naturais, por processos de crescimento de gramíneas, como também por processos artificiais, semeadura de arvores e gramado, com o fim de adequar a paisagem nas áreas de expansão urbana que limitam com o “deserto”, gerando novas dinâmicas de ocupação da região que posteriormente precisam ser estudadas. / Desertification process represents a problem of global importance, due to the reduction not only of the productivity of farmlands, but also of the ecological function of ecosystems where this process takes place. Desertification is the result of processes of environmental degradation in the arid, semi-arid and dry sub-humid areas, resulting from biophysical factors such as climatic variation and from human activities, as well. The valley of Villa de Leyva, Boyacá, Colombia, has landscapes in transformation process by desertification because it is located in a dry place, with little precipitation and with fragile soils. After the Spanish conquest, this area had the greatest environmental transformation, starting with overexploitation of natural resources such as forests, soils and bodies of water; all these factors accelerated the process of degradation. Taking into account this context, it is necessary to establish a method of analysis of the dynamics of the zone, in order to identify patterns and processes of desertification through temporal series of vegetation indexes, such as NDVI and EVI, using spatial analysis techniques, through of GIS Geographic Information Systems and Remote Sensing tools. The first step was the acquisition of the vegetation indices NDVI and EVI of the product the images of NDVI and EVI vegetation indices of the MODIS product MOD13Q1 between 2001 and 2016 were acquired. The images were filtered as the Savitzky-Golay algorithm to reduce the errors of the original information as well as the voids. The time series were analyzed in order to identify the areas and periods in which the most significant environmental changes occurred in the region in relation to the vector layer of erosion, elaborated at a scale 1:100.000 Afterwards, a trend analysis was performed by the Mann-Kendall algorithm to identify negative trends of vegetation indexes, and to overlap with the indices of the last year, thus obtaining the areas with the highest risk of environmental degradation processes that can generate desertification. To validate these procedures, a visual comparison was made with the NDVI of the Landsat 8 program in the same period, identifying vegetation distribution patterns very similar, although the spatial resolution of the two types of images is very different. Among the main results, it was possible to identify that the areas at risk of suffering desertification processes are neither associated nor obeyed a constant process since its origin as initially thought, but the current activities of non sustainable agriculture are those that cause these processes of degradation. Nowadays, this process happens in a more punctual way and is associated to anthropic factors, mainly by the unsustainable agricultural practices in the region, mainly by the increase of tomato crops under greenhouse. There are also areas where the vegetation recovers by natural factors, by processes of grass growth, as well as artificial processes, planting trees and pastures, with the purpose of adjusting the landscape in areas of urban expansion that limit with the “desert”, generating new dynamics of occupation in the region that need to be studied further.

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

O objetivo deste trabalho foi o de avaliar a aplicação de dois índices de vegetação, NDVI e NDWI, para fins de mapeamento de áreas de arroz irrigado a partir de chaves de classificação temporal. A área do estudo localiza-se na planície costeira interna do Rio Grande do Sul, compondo-se de lavouras de arroz cultivadas no perímetro de irrigação do projeto de assentamento Viamão, região agrícola pertencente à bacia hidrográfica do rio Gravataí. Obtiveram-se imagens digitais de três sistemas sensores, TM (satélite Landsat-5), LISS-III (satélite IRS-P6) e OLI (satélite Landsat-8) para o período compreendido entre primeiro de julho de 2008 e 30 de junho de 2014, correspondendo a seis safras agrícolas. Os dois índices foram calculados para cada cena após o registro geométrico das imagens com a base cartográfica oficial, permitindo avaliar a concordância do mapeamento a partir de imagens de referência de campo. Os padrões de variação temporal dos dois índices de vegetação para as seis safras agrícolas foram analisados para fornecer os parâmetros utilizados na escolha dos limiares dos algoritmos de classificação temporal. As duas chaves de classificação geraram mapas temáticos de uso da terra com duas classes cada: arroz e não arroz. Posteriormente, o resultado do mapeamento para três safras agrícolas sucessivas (2009/10, 2010/11 e 2011/12) foram comparados com a referência e procedida análise da matriz de confusão. Os valores resultantes da análise de concordância ficaram em 77%, 63% e 77% de exatidão global, respectivamente para cada safra considerando o algoritmo do NDVI, e de 88%; 59% e 76%, respectivamente para o algoritmo do NDWI. A análise de discordância evidenciou que a maior parte do erro dos dois algoritmos se deveu à quantidade da discordância, com pouca ou nenhuma discordância na alocação, e que a metodologia empregada pode ser utilizada para auxiliar no mapeamento do plantio de arroz irrigado na área de estudo. / The objective of this work was to evaluate two vegetation indexes, NDVI and NDWI, for mapping paddy rice from temporal classification algorithms. The study area is located in the inner coastal plain of Rio Grande do Sul, consisting of crops of paddy rice in the irrigation perimeter of settlement Viamão, agricultural region in the basin of rio Gravataí. Digital images were obtained from three sensors, TM (satellite Landsat- 5), LISS-III (satellite IRS-P6) and OLI (satellite Landsat-8) for the period from 1 July 2008 and June 30, 2014, corresponding to six agricultural harvests. The two indices were calculated for each scene after the geometric registration of images with the official cartographic base, allowing the correlation mapping from field reference images. The patterns of temporal variation of the two indices of vegetation for six agricultural crops were analyzed to provide the parameters used in the choice of thresholds for temporal classification algorithms. The algorithms generated thematic maps of land use with two classes each: rice and no rice. Subsequently, the result of the mapping for three successive agricultural harvests (2009/10, 2010/11 and 2011/12) were compared with the reference and carried discordance. The resulting of accuracy assessment were in 77%, 63% and 77% of overall accuracy, respectively for each crop considering the NDVI algorithm, and 88%; 59% and 76%, respectively for the NDWI algorithm. The analysis of discordance showed that most of the error of the two algorithms was due to the quantity of disagreement, with little or no disagreement on allocation of disagreement, and that the methodology employed can be used to assist in mapping paddy rice in study area.

Câmaras não métricas acopladas a Veículos Aéreos Não Tripulados (VANT) possibilitam coleta de imagens com alta resolução espacial e temporal. Além disso, o custo de operação e manutenção desses equipamentos são reduzidos. A classificação da cobertura da terra por meio dessas imagens são dificultadas devido à alta variabilidade espectral dos alvos e ao grande volume de dados gerados. Esses contratempos são contornados utilizando Análise de Imagens Baseada em Objetos (Object-Based Image Analysis – OBIA) e algoritmos de mineração de dados. Um algoritmo empregado na OBIA são as Árvores de Decisão (AD). Essa técnica possibilita tanto a seleção de atributos mais informativos quanto a classificação das regiões. Novas técnicas de AD foram desenvolvidas e, nessas inovações, foram inseridas funções para selecionar atributos e para melhorar a classificação. Um exemplo é o algoritmo C5.0, que possui uma função de redução de dados e uma de reforço. Nesse contexto, este trabalho tem como objetivo (i) avaliar o método de segmentação por crescimento de regiões em imagens com altíssima resolução espacial, (ii) determinar os atributos preditivos mais importantes na discriminação das classes e (iii) avaliar as classificações das regiões em relação aos parâmetros de seleção dos atributos (winnow) e de reforço (trial), que estão contidos no algoritmo C5.0. A segmentação da imagem foi efetuada no programa Spring, já as regiões geradas na segmentação foram classificadas pelo modelo de AD C5.0, que está disponível no programa R. Como resultado foi identificado que a segmentação crescimento de regiões possibilitou uma alta correspondência com regiões geradas pelo especialista, resultando em valores de Reference Bounded Segments Booster (RBSB) próximos a 0. Os atributos mais importantes na construção dos modelos por AD foram a razão entre a banda do verde com a azul (r_v_a) e o Modelo Digital de Elevação (MDE). Para o parâmetro de reforço (trial), não foi identificada melhora na acurácia da classificação ao aumentar seu valor. Já o parâmetro winnow possibilitou uma redução no número de atributos preditivos, sem perdas estatisticamente significativas na acurácia da classificação. A função de reforço (trial) não melhorou a classificação da cobertura da terra. Também não foram constatadas diferenças estatisticamente significativas quando winnow selecionado como verdadeiro, mas se encontrou o benefício desse último parâmetro reduzindo a dimensionalidade dos dados. Nesse sentido, este trabalho contribuiu para a classificação da cobertura da terra em imagens coletadas por VANT, uma vez que se desenvolveu algoritmos para automatizar os processos da OBIA e para avaliar a classificação das regiões em relação às funções de reforço (winnow) e de seleção do atributo (winnow) do classificador por árvore de decisão C5.0. / Non-metric cameras attached to Unmanned Aerial Vehicles (UAV) enable collection of images with high spatial and temporal resolution. In addition, the cost of operation and maintenance of equipment are reduced. The land cover classification through these images are hampered due to high spectral variability of the targets and the large volume of data generated. These setbacks are contoured using Image Analysis Based on Objects (OBIA) and data mining algorithms. An algorithm used in OBIA are Decision Trees (AD). This technique allows the selection of the most informative attributes as the classification of regions. New AD techniques have been developed and these innovations, were functions inserted to select attributes and to improve classification. One example is a C5.0 algorithm, which has a data reduction function and of boosting. In this context, this paper aims to (i) evaluate the segmentation method for growing regions in images with high spatial resolution, (ii) determine the most important predictive attributes in the discrimination of classes and (iii) evaluate the classifications of regions regarding the attributes selection parameters (winnow) and boosting (trial), which are contained in the C5.0 algorithm. The image segmentation was performed in Spring program, since the regions generated in segmentation were classified by model C5.0 , which is available in the program R. As a result it was identified that the segmentation by region growing provided a high correlation with regions generated by the expert, resulting in Reference Bounded Segments Booster values (RBSB) near 0. The most important features in the construction of models of decision tree are the ratio between the band of green with the blue (r_v_a) and the Digital Elevation Model (DEM). Was not identified improvement in classification accuracy when was increased value of trial parameter. Already winnow parameter enabled a reduction in the number of predictive attributes, with no statistically significant losses in the accuracy of the classification. The boosting function (trial) did not improve the classification of land cover. Also were not found statistically significant differences when winnow selected as true, but was found the benefit of the latter parameter to reducing the dimensionality of the data. Thus, this work contributed to the land cover classification in images collected by UAV, once that were developed algorithms to automate the processes of integration OBIA and decision tree (C5.0).

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

Em função das mudanças climáticas, estudos relacionados à vegetação campestre são importantes para avaliar o potencial da vegetação em reter carbono. Os modelos de estimativas de biomassa e carbono baseados na produtividade da vegetação e dados de sensoriamento remotos podem ser utilizados para estimar os estoques de carbono, caracterizando os padrões de variabilidade interanual. O objetivo deste estudo foi quantificar o estoque atual de carbono da APA do Ibirapuitã em áreas de vegetação campestre e avaliar a sua dependência com a variabilidade sazonal. Foram coletadas em campo amostras de parte aérea, serrapilheira, raízes e solo, em dois períodos do ano: verão e inverno, e realizada em laboratório a análise do teor de carbono orgânico pelo método de combustão úmida Walkley Black. As variações sazonais de carbono para cada variável foram verificadas através do teste de comparação de médias. A estimativa de biomassa e carbono da vegetação a partir de dados espectrais foi feita por meio de um modelo estatístico, com base na relação entre os valores de biomassa e carbono da parte aérea medidos em campo e a resposta espectral das bandas do sensor MODIS. As maiores concentrações no teor e estoques de carbono no interior da APA do Ibirapuitã foram verificadas para o solo e menores quantidades para a parte aérea, serrapilheira e raízes, no período do inverno. A vegetação campestre do bioma Pampa possui comportamento sazonal bem definido, com período de crescimento das espécies nos meses quentes do ano. A sazonalidade interferiu nos teores de carbono da parte aérea da vegetação, carbono da serrapilheira e carbono das raízes. O solo não apresentou diferenças nos estoques de C entre o verão e inverno. Para os estoques de carbono da parte aérea da vegetação, não se obteve diferenças entre as duas estações do ano. Com relação a estimativa de biomassa a partir de dados espectrais, o EVI apresentou melhores resultados para a estimativa de biomassa. Para a estimativa de estoque de carbono, o NDVI obteve melhores resultados para a predição de C. Conclui-se que a utilização conjunta de dados de campo e orbital, possibilita análises de diferentes dados e contribui com novas informações, alternativas e sugestões para o estudo de carbono na região. / Due to the climate change, grassland vegetation studies are important to assess the potential of vegetation in retain carbon. The models of biomass and carbon estimates based on vegetation productivity and remote sensing data can be used to estimate carbon stocks, characterizing the interannual variability patterns. The objective of this study was quantify the current stock of carbon from the EPA of Ibirapuitã in grassland vegetation and assesses their dependency with the seasonal variability. Were collected in field samples of the aboveground, leaf litter, roots and soil, in two periods of the year: summer and winter, and held in the laboratory analysis of the levels of organic carbon by Walkley Black method. Seasonal variations of carbon for each variable were verified through comparison test of averages. The estimation of biomass and carbon from vegetation spectral data was made by using a statistical model, based on the relationship between the values of aboveground biomass and carbon measured in field and the spectral response of the sensor MODIS bands. The largest concentrations in content carbon stocks within the EPA of Ibirapuitã was checked for the soil and smaller amounts to the aboveground, leaf litter and roots, in the winter period. The grassland of the Pampa biome has seasonal behavior well defined, with growing period of the species in the warm months of the year. The seasonality interfered in carbon content of aboveground vegetation, leaf litter carbon and carbon roots. For soil the were not differences in C stocks between summer and winter. For the carbon stocks of the above ground, not was obtained differences between the two seasons. About the biomass estimation from spectral data, the EVI presented better results for the estimation of biomass. For the estimation of carbon stocks, the NDVI has obtained better results for the prediction of C. It is concluded that the joint use of field and orbital data, enables analysis of different data and contributes new information, alternatives and suggestions for carbon study in the region.