análise do modelo de regressão gwr em águas túrbidas para...
TRANSCRIPT
Análise do modelo de regressão GWR em águas
túrbidas para dados Landsat5 - TM
Rogerio Flores júnior
Analise espacial – SER 301 - 2017
Óptica Hidrológica
• Águas Naturais
– Mistura de materiais dissolvidos e em suspensão.
– Componentes opticamente ativos (COA).
– Responsáveis pelo absorção e espalhamento da radiação.
– Conferem Cor a água.
Introdução Metodologia Resultados Conclusão
Óptica Hidrológica
• Sensoriamento remoto
– Espacialização dos parâmetros.
– Desenvolvimento de Séries Temporais.
– Redução dos custos e tempo de amostragem.
– Monitoramento dos recursos Hídricos.
Introdução Metodologia Resultados Conclusão
Objetivo
Comparar as estimativas de parâmetros dequalidade da água através da utilização daregressão geograficamente ponderada (GWR) emcontraste com a regressão linear simples emdados Landsat 5 TM.
Introdução Metodologia Resultados Conclusão
Área de estudo
• Lago Grande Curuai - Santarém - PA
– Várzea de inundação de 1340 a 2000 km2
– Recebe águas do rio Amazonas
– Grande presença de Materiais Suspensos.
– ~359 Km2
Introdução Metodologia Resultados Conclusão
Dados
Introdução Metodologia Resultados Conclusão
Imagens Orbitais Landsat 5-Sensor TM
Level 124/11/2003
In situ (Chl, TSS TSI)
Coleta: 22/11 a 02/122003
Barbosa,2005
Dados Orbitais
Introdução Metodologia Resultados Conclusão
• Correção atmosférica - Modelo ACOLITE
– “Image based”
– Entrada: ND
– Saída: Refletância de Superfície
• Recorte para área de estudo
– Retângulo envolvente.
– Utilização de mascara de água.
Dados In Situ
Introdução Metodologia Resultados Conclusão
• Remoção de dados Não utilizáveis:
– A partir da Imagem:
• Presença de Nuvem no ponto.
• Pontos não concomitantes com a massa d’água.
• Pontos Iniciais : 73
• Pontos Utilizados: 62
Analise exploratória
• BoxPlot
– Remoção de “outliers”
• Histograma
– Teste de Normalidade: Shapiro-wilk
• Correlação entre as variáveis.
– Chl, TSI, logTSI X Bandas (TM)
Introdução Metodologia Resultados Conclusão
Modelo de regressão simples
– Coeficiente Único para toda cena.– Resíduos do modelo aplicado as bandas.
Analise espacial
• Teste de Moran Unidimensional – Aplicado aos resíduos da RLS.– Métrica dos K-vizinhos : 3 pontos.
Introdução Metodologia Resultados Conclusão
Espacialização• Interpolador: “Inverse Distance Weighted” (IDW)
– Aplicação dos coeficientes das regressões.– Utilizado a partir de (Chu et al.,2018)– Peso 2
• Validação – 40 iterações para RLS e GWR
• Remoção de 15 pontos para Validação.• Aplicação GRW e RLS nos 42 pontos remanescentes.• RMSE , MAPE.
• Mapas de Regressão
Introdução Metodologia Resultados Conclusão
Histograma
Introdução Metodologia Resultados Conclusão
Shapiro-Wilk
p-value = 7.662e-07 p-value = 0.8138 p-value = 0.2302p-value = 0.803
RLS x GWR
Introdução Metodologia Resultados Conclusão
TSI (B3) TSI (B4) CHL (B3) CHL (B4)
R2 RLS 0,07 0,26 0,02 0,07
R2 GWR 0,10 0,32 0,23 0,28
Rmse RLS (mg/l) 190,32 171,64 8,92 8,48
Rmse GWR (mg/l) 178,24 154,37 7,75 7,58
MAPE RLS (%) 47,64 28,71 29,17 29,17
MAPE GWR (%) 45,98 28,91 23,49 24,24
GWR - TSIIntrodução Metodologia Resultados Conclusão
Coeficientes RLS:Intercepto Coeficiente
1.135 11.207
- Método GWR Obteve resultados melhores R2 e RMSE.
- Cooeficientes locais fortes devido ao baixo nível da água.
- Baixa correlação da chl devido a águas altamente túrbidas.
- Autocorrelação da chl pode explicar melhor desempenho do GWR para este parâmetro.
- Baixo RMSE geral devido a relação simples de bandas.
Introdução Metodologia Resultados Conclusão
Considerações
- Utilização de algoritmos para estimativas dos constituintes.
- Avaliar Ponderações “Bandwith” mais restritas para épocas secas (restrição natural no lago)
- Aliar a técnica espacial GWR com séries temporais “GTWR”
Agradecimentos
Claudio Barbosa e Daniel Maciel
Introdução Metodologia Resultados Conclusão
Referências
• BARBOSA, C. C. F. . Sensoriamento remoto da dinâmica da circulação da água dosistema planície de Curuai/Rio Amazonas. Tese de Doutorado do Curso de Pós-Graduação em Sensoriamento Remoto do INPE, aprovada em 09 de dezembro de2005.
• Charlton, Martin, Stewart Fotheringham, and Chris Brunsdon. "Geographicallyweighted regression." White paper. National Centre for Geocomputation. NationalUniversity of Ireland Maynooth (2009).
• Chu, Hone-Jay, Shish-Jeng Kong, and Chih-Hua Chang. "Spatio-temporal water quality mapping from satellite images using geographically and temporally weighted regression." International Journal of Applied Earth Observation and Geoinformation 65 (2018): 1-11.