Estimativa do perfila da concentração de clorofila em águas naturais com o uso de redes neurais artificiais

• Ano de defesa: 2013
• Autor(a) principal: Fábio Dall Cortivo
• Orientador(a): Ezzat Selim Chalhoub
• Banca de defesa: Lamartine Nogueira Frutuoso Guimarães, Stephan Stephany, Milton Kampel, Carlos Alberto Eiras Garcia, José Alfredo Ferreira Costa
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Instituto Nacional de Pesquisas Espaciais (INPE)
• Programa de Pós-Graduação: Programa de Pós-Graduação do INPE em Computação Aplicada
• País: BR
• Resumo em Inglês: The estimation of the chlorophyll concentration, in natural waters, from upwelled radiation at the surface of the ocean, measured by orbital sensors are used for the quantification of the phytoplanktonic biomass. Phytoplankton that is responsible for the primary production, \textit{i. e}., the carbon fixation by the photosynthesis process, is the basis of the chain food of the oceans, that controls the marine biologic productivity, and is one of the most important source of oxygen for the planet. The algorithms that convert the radiation from the oceans into chlorophyll concentrations produces an estimation of this concentrations only at the surface of the water. Although the estimated values by those algorithms are very dose to the real ones, mainly for Case 1 waters (open ocean), they cannot infer about the chlorophyll concentration below the surface or even its profile along the depth of the water. To circumvent these difficulties, this thesis proposes a methodology that is capable of making the estimation of the profile of the chlorophyll concentration. Our methodology is based on Artificial Neural Networks of Multilayer Perceptron type, trained with the quasi-Newton algorithm, and implemented in FORTRAN 90. The patterns for the training, testing and validation are obtained from the resolution of the Radiative Transfer Equation (synthetic data), where the absorption and scattering coefficients are represented by bio-optical models, with the profile of the chlorophyll concentrations following a gaussian model. The numerical solution of the Radiative Transfer Equation is performed by PEESNA code, which implements the Analytical Discrete-Ordinates (AS$_{N}$) method. In the performed analysis, we used 14720 profiles of chlorophyll concentration, that were generated by attributing two values to the biomass quantity in the system, and by considering two sets of different radiation wavelength values and three sets containing the directions, with which the radiation is emitted at the surface of the water. When using synthetic data, it becomes necessary to apply noise for the corruption of the patterns for the training, testing and validation. So, we used three noise levels for the training and the testing, and one more noise level (not present in the training and the testing) to perform the validation of the network. The stopping criteria to end the training process, using the test set, was given by the cross-validation method. The results obtained show that the methodology proposed is quite promising, presenting results between 60\% and 70\% (hits rate) for the input patterns corrupted with 3\% of gaussian noise level. Besides that, the computational time spent to train the network is relatively small.
• Link de acesso: http://urlib.net/sid.inpe.br/mtc-m19/2013/04.17.13.55

A estimativa da concentração de clorofila, em águas naturais, a partir da radiação emergente do oceano, medida pelos sensores a bordo dos satélites de sensoriamento remoto da cor da água, possibilita a quantificação da biomassa fitoplanctônica. O fitoplâncton é responsável pela produção primária, \textit{i. e}., a fixação do carbono pelo processo da fotossíntese, e é a base da cadeia alimentar dos oceanos, regulando a produtividade biológica marinha, e é uma das principais fontes geradoras de oxigênio para o planeta. Os algoritmos que convertem a radiação emergente dos oceanos em medidas de concentração de clorofila fornecem uma estimativa para essa concentração para a camada superficial. Apesar de os valores estimados por estes algoritmos estarem muito próximos dos valores reais, principalmente em águas do Caso 1 (oceano aberto), sabe-se que estes algoritmos são incapazes de inferir sobre a concentração da clorofila abaixo da superfície da água, ou então, sobre o perfil dessa concentração ao longo da profundidade. Em virtude das deficiências apresentadas por esses algoritmos, esta tese propõe uma metodologia capaz de fazer a estimativa desse perfil da concentração de clorofila. A nossa metodologia é baseada em Redes Neurais Artificiais do tipo Perceptron de Múltiplas Camadas, treinadas com o algoritmo quasi-Newton e implementadas em linguagem FORTRAN 90. Os padrões para o treinamento, teste e validação da rede são obtidos a partir da resolução da Equação de Transferência Radiativa (dados sintéticos), em que, para a modelagem dos coeficientes de absorção e de espalhamento, foram utilizados os modelos bio-ópticos, com os perfis de concentração de clorofila seguindo um comportamento gaussiano. A solução numérica da Equação de Transferência Radiativa é obtida através do código PEENSA, o qual implementa o método de Ordenadas Discretas Analítico (AS$_{N}$). Na análise efetuada, foram considerados 14720 perfis de concentração de clorofila, que foram gerados a partir de dois valores atribuídos à quantidade de biomassa no sistema, e a partir de dois conjuntos com diferentes comprimentos de onda da radiação e de três conjuntos contendo as direções nas quais a radiação emerge da superfície da água. A utilização de dados sintéticos faz com que seja necessária a adição de ruído aos padrões de treinamento, teste e validação. Desse modo, foram utilizados três níveis de ruído no treinamento e teste, e um nível de ruído (não presente no treinamento e no teste) no processo de validação da rede. O critério de parada do treinamento se deu pelo processo de validação cruzada utilizando o conjunto de teste. Os resultados obtidos mostraram que a metodologia sugerida é promissora, apresentando resultados entre 60\% e 70\% (taxa de acerto da rede) para padrões de entrada corrompidos com 3\% de ruído gaussiano aditivo. Além disso, a demanda de tempo computacional necessário para o treinamento das redes é relativamente pequeno.