Monitoramento ambiental por sensoriamento remoto: avaliação, automação e aplicação ao bioma Caatinga utilizando séries históricas Landsat.

Autor: CUNHA, John Elton de Brito Leite.
Jazyk: portugalština
Rok vydání: 2018
Předmět:
Zdroj: Biblioteca de Teses e Dissertações da UFCGUniversidade Federal de Campina GrandeUFCG.
Druh dokumentu: Doctoral Thesis
Popis: Submitted by Johnny Rodrigues (johnnyrodrigues@ufcg.edu.br) on 2018-08-27T15:55:07Z No. of bitstreams: 1 JOHN ELTON DE BRITO LEITE CUNHA - TESE PPGRN 2018.pdf: 4725678 bytes, checksum: 60bf2159f5477dc3356a1c23f7c2247e (MD5)
Made available in DSpace on 2018-08-27T15:55:07Z (GMT). No. of bitstreams: 1 JOHN ELTON DE BRITO LEITE CUNHA - TESE PPGRN 2018.pdf: 4725678 bytes, checksum: 60bf2159f5477dc3356a1c23f7c2247e (MD5) Previous issue date: 2018
Capes
O baixo monitoramento e altas pressões climáticas e antrópicas fazem do bioma Caatinga, semiárido brasileiro, um dos mais vulneráveis do mundo. Séries temporais de sensoriamento remoto são valiosas para analisar as LCC em áreas com alta sazonalidade, mas demandam muitos recursos computacionais. Estudos anteriores utilizam séries temporais superiores a 30 anos de índices de vegetação com baixa resolução espacial (1 a 8 km). No entanto, esta resolução espacial geralmente não permite identificar ações humanas (impactos) no meio ambiente. Nos últimos anos, houve melhorias na qualidade da imagem do Landsat (radiométrica e geométrica) e agora estão prontas para suportar o monitoramento e análise dos processos na superfície terrestre. O objetivo deste estudo é analisar, a partir de sensores de média resolução espadai, as alterações na cobertura do solo de origem antrópica numa área do bioma Caatinga. Para este fim, utilizou-se algoritmos para gerar índices de vegetação, albedo de superfície e evapotranspiração a partir de dados dos sensores a bordo dos satélites da família Landsat. Para aumentar a eficiência na geração dessas informações, os algoritmos foram conduzidos para operar com baixa demanda por dados de estações meteorológicas e sem intervenção humana durante o processamento. Além disso, um serviço de alto desempenho para processamento de dados orbitais é proposto. Os dados gerados por estes algoritmos foram testados com a informações de campo, demonstrando a possibilidade de utilizar os algoritmos em processos automáticos. As técnicas de computação em nuvem e paralelização utilizadas neste estudo foram eficientes na produção de séries temporais superiores a 30 anos de variáveis em média resolução espacial. A principal aplicação desenvolvida neste trabalho utilizou séries temporais do Landsat por um período de 31 anos em resolução temporal mensal, a fim de investigar os padrões espaciais e temporais da mudança de cobertura do solo em uma área de Caatinga, semiárido do estado da Paraíba, no Brasil. Um novo índice espectral - índice Surface Albedo (SAI) - é proposto para melhorar a observação da condição biofísica da vegetação. Os índices NDVI, EVI e SAI foram utilizados para avaliar o monitoramento das LCC impulsionadas por ações humanas em contraste a alteração induzida pelo clima. Séries temporais dos índices foram aplicados ao método TSS RESTREND para monitoramento das LCC. O método é empregado para remover as influências a curto prazo da precipitação na fisionomia da cobertura do solo, permitindo assim avaliar a capacidade dos índices utilizados para discriminar alterações nas regiões semiáridas. Google Earth, imagens RapidEye e observações in situ (a partir de outubro de 2017) foram usadas para observar condições de preservação/degradação ao longo do tempo. Os resultados mostram que o índice SAI é capaz de distinguir entre cobertura do solo "alterada" e "inalterada" com uma alta acurácia, 87%, para detectar corretamente o ano da LCC. Quando utilizado o índice SAI, o TSS RESTREND demonstrou-se adequado para detectar LCC na Caatinga, e seu melhor desempenho foi alcançado quando o evento de mudança ocorre na região central da série temporal (1990-2010), com algumas imprecisões em anos secos. O menor desempenho dos índices EVI e NDVI na detecção das LCC no bioma da Caatinga é explicado pela sua alta sensibilidade às variações da cobertura de folhas, como resultado de condições sazonais ou extremas de seca. O LCC afeta todo o sistema soloplanta-atmosfera, como remoção de biomassa e mudanças nas propriedades do solo, bem como no microclima, devido à exposição direta à radiação, precipitação e vento. A este respeito, a SAI é suposto ser mais sensível às alterações artificiais na superfície terrestre, devido à sua capacidade de capturar uma maior quantidade de feedback ambiental.
Low monitoring plus high human and climate pressures make the Caatinga biome one of the most vulnerabte biomes in the world. Time series of remote sensing are vafuable for analyzing LCC in áreas with high seasonalrty, but they require a lot of computationai resources. Earlier studíes mostly use > 30- years time series of vegetatíon indexes at low spatial resolution (1 to 8 km). However, this spatial resolution usually does not allow to identify human actions (impacts) on the environment. Landsat imagery quality (radiometricalfy as weli as geometrically) and availability has improved in recent years and is now ready to support high temporal resolution monitoring and analysis of land surface processes. The objective of this study is to analyze, from sensors of médium spatial resolution, the changes in land cover of anthropic origin in an area of the Caatinga biome. For this purpose, algorithms were used to generate vegetation índices, surface albedo and evapotranspiration from sensor data on the satellites of the Landsat family. To increase the efficiency in generating this information, the algorithms were conducted to operate with low demand for meteorological station data and without human intervention during processing. In addition, a high performance service for orbitai data processing is proposed. The data generated by these algorithms were tested to field observations, demonstrating the possibility of using these algorithms in automatic processes. The techniques of cloud computing and parallelization used in this study were efficient in producing long time series (over 30 years) of these variables in average spatial resolution. The main application developed in this work, used Landsat time series for a period of 31 years at monthly resolution in order to investigate spatial and temporal pattems of hotspots of land cover change in a Caatinga area of the semi-arid region of the Paraiba state, Brazil. A new spectral index - Surface Albedo Index (SAI) - is proposed to improve the observation of vegetation biophysica!condition and change. SAI, NDV1 and EVI are compared in order to evaluate the suitability of monitoring LCC driven by human actions in contrast to climate induced (drought) alteration. The TSS RESTREND method was successfully applied to Landsat time series for LCC monitoring. It is employed in order to remove the short-term influences of precípitation on land cover physiognomy, thus allowing to assess the ability of the index time series to discriminate LCC in drylands. Google Earth, Rapid Eye images and in situ observations (from October 2017) were used to observe preservation / degradation conditions along the time. Results showthat SAI is able to distinguish between "changed" and "unchanged" land cover with a high accuracy (87%) to detect the year of change. When using the SAI index, TSS RESTREND is suitable to detect LCC in the Caatinga, and its best performance was achieved when the change event occurred in the middle of the time series (1990-2010), with some inaccuracies in dry years. The lower ability of EVI and NDVI in the detection of LCC in the Caatinga biome is explained by their high sensitivity to leaf cover variations (as a result of seasonal or extreme drought conditions). LCC impacts the whole soilplant-atmosphere system, such as biomass remova!and changes in soil properties as weil as mícroclimate, due to the direct exposure to radiation, precípitation, and wind. In this regard, SAI is supposed to be more sensitive to man-made alterations of the land surface, due to its ability to capture a higher number of environmental feedbacks.
Databáze: Networked Digital Library of Theses & Dissertations
Externí odkaz: