Análise do modelo de regressão GWR em águas túrbidas para...
Transcript of Análise do modelo de regressão GWR em águas túrbidas para...
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.