Uso de imagens SAR e ópticas do Satélite Sentinel no monitoramento de reservatórios em regiões semiárida e de mata atlântica

• Ano de defesa: 2024
• Autor(a) principal: SOUZA, Jonas Felipe Santos de
• Orientador(a): RIBEIRO NETO, Alfredo
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Pernambuco
• Programa de Pós-Graduação: Programa de Pos Graduacao em Engenharia Civil
• País: Brasil
• Palavras-chave em Português: Engenharia Civil; Sentinel 1; Sentinel 2; Detecção de água; Rede Neural Artificial
• Link de acesso: https://repositorio.ufpe.br/handle/123456789/55606

Este trabalho analisou a aplicabilidade do sensoriamento remoto com o uso de imagens de radar e ópticas provenientes dos satélites Sentinel 1 e Sentinel 2, respectivamente, para mapeamento e monitoramento da extensão da água superficial em reservatórios nas regiões semiárida e de mata atlântica do estado de Pernambuco. Além disso, também foi proposta e aplicada uma metodologia para correção de viés dos dados de área de água obtidos por satélite utilizando Redes Neurais Artificiais. Na primeira abordagem, com a utilização de produtos Sentinel 1, foram selecionados os reservatórios de Bita, Bonitinho, Pirapama, Serro Azul, Sicupema e Utinga na Mata Norte e Região Metropolitana do Recife para a aplicação e avaliação de um algoritmo de detecção de água baseado em Random Forest utilizando 365 cenas e de três métodos de limiarização utilizando 122 cenas, sendo estes o método de limiar predefinido, método de Otsu e método de Kittler- Illingworth. Na segunda abordagem, com a utilização de produtos Sentinel 2, foram selecionados os reservatórios de Chapéu com 37 cenas, Serrinha II com 78 cenas e Poço da Cruz com 36 cenas na região Sertão para aplicação e avaliação de um algoritmo automático não-supervisionado e não-paramétrico de detecção de água. Após a geração das máscaras de água e o respectivo cálculo das áreas de água superficial nas duas abordagens, os resultados foram comparados com dois conjuntos de dados de área de referência: monitoramento in situ e MapBiomas. Para a metodologia adotada na primeira abordagem, o algoritmo baseado em Random Forest apresentou os melhores resultados, com os valores de área obtidos refletindo de modo satisfatório as tendências da série histórica do monitoramento in situ, mas com limitações na detecção de água, com a subestimação dos valores máximos de área e problemas em ambientes complexos. Para a metodologia adotada na segunda abordagem, o algoritmo aplicado não alcançou resultados satisfatórios na detecção de água, com os valores de área calculados subestimando os valores obtidos de observações in situ. Além disso, diversas máscaras de água geradas pelo algoritmo apresentaram falhas na classificação dos pixels, comprometendo o resultado final. A utilização do MapBiomas como base de dados de referência apresentou limitações quanto à escala temporal, à classificação dos corpos hídricos e à subestimação dos valores mínimos de área de água superficial. Por fim, o método de correção de viés aplicado mostrou-se eficiente para situações com tamanho de amostra de teste suficiente para o treinamento e calibração do modelo de Rede Neural Artificial.