<p>Rivers are constantly undergoing change due to erosion and sedimentation along their banks. Although these processes generally occur gradually, flood events can significantly accelerate river migration, creating a risk for human life and infrastructure. As a result, it is important to identify river reaches that are prone to channel migration and determine the extent of migration. However, detailed information about river migration across entire river networks is not readily available. This study seeks to develop a Python-based tool that can generate river migration rasters across large watersheds using Landsat imagery. The methodology involves extracting the centerlines of river features in Landsat imagery using the Modified Normalized Difference Water Index (MNDWI) and the Skeletonize function available in the scikit-image library, followed by the application of the Particle Image Velocimetry (PIV) algorithm to compute the river channel migration. The PIV algorithm generates a set of migration rasters that are analyzed to extract the long-term migration of each of the reaches. The tool also creates intermediate outputs, such as the MNDWI raster, binary land-water raster, and skeletonized river centerlines, which can be further analyzed to gain insights into the river's behavior. The methodology is implemented in the Wabash and Lower Mississippi River Basins, and the tool's effectiveness is validated against manual measurements of the river migration available for the Wabash Basin. In addition, this study analyzes the correlation between long-term migration and various factors, such as reach sinuosity, drainage area, geology, and streamflow. The results of the analysis show that drainage area is highly correlated with river migration. The correlation results are compared with the prior literature, thereby serving to validate the developed framework. This framework has the potential to aid decision-makers and policymakers in identifying the long-term patterns of river channel migration, facilitating their efforts to plan for infrastructure resilience. By utilizing this methodology, river managers and other stakeholders can gain insights into river migration across large watersheds and identify areas that require further monitoring and management.</p>

Analysis of overhead imagery has a great potential to produce real-time data cost-effectively. This can be an important foundation for decision-making for businesses and politics. Every day a massive amount of new satellite imagery is produced. To fully take advantage of these data volumes a computationally efficient pipeline is required for the analysis. This thesis proposes a pipeline which outperforms the Segment Before you Detect network [6] and different types of fast region based convolutional neural networks [61] with a large margin in a fraction of the time. The model obtains a prediction error for counting cars of 1.67% on the Potsdam dataset and increases the vehiclewise F1 score on the VEDAI dataset from 0.305 reported by [61] to 0.542. This thesis also shows that it is possible to outperform the Segment Before you Detect network in less than 1% of the time on car counting and vehicle detection while also using less than half of the resolution. This makes the proposed model a viable solution for large-scale satellite imagery analysis. / Analys av flyg- och satellitbilder har stor potential att kostnadseffektivt producera data i realtid för beslutsfattande för företag och politik. Varje dag produceras massiva mängder nya satellitbilder. För att fullt kunna utnyttja dessa datamängder krävs ett beräkningseffektivt nätverk för analysen. Denna avhandling föreslår ett nätverk som överträffar Segment Before you Detect-nätverket [6] och olika typer av snabbt regionsbaserade faltningsnätverk [61]  med en stor marginal på en bråkdel av tiden. Den föreslagna modellen erhåller ett prediktionsfel för att räkna bilar på 1,67% på Potsdam-datasetet och ökar F1- poängen for fordons detektion på VEDAI-datasetet från 0.305 rapporterat av [61]  till 0.542. Denna avhandling visar också att det är möjligt att överträffa Segment Before you Detect-nätverket på mindre än 1% av tiden på bilräkning och fordonsdetektering samtidigt som den föreslagna modellen använder mindre än hälften av upplösningen. Detta gör den föreslagna modellen till en attraktiv lösning för storskalig satellitbildanalys.

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.

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.