Use este identificador para citar ou linkar para este item: repositorio.ufla.br/jspui/handle/1/4652
Título: Análise de séries temporais compostas por imagens sintetizadas a partir da fusão de dados MODIS-TM
Título(s) alternativo(s): Analysis of time series with sinthetic images derived from modis - tm data fusion
Autor : Arantes, Tássia Borges
Primeiro orientador: Carvalho, Luis Marcelo Tavares de
Primeiro membro da banca: Volpato, Margarete Marin Lordelo
Oliveira, Luciano Teixeira de
Área de concentração: Manejo Florestal
Palavras-chave: Monitoramento
Dado de sensoriamento remoto
STARFM
Greenbrown
Bfast
Remote sensing data
Monitoring
Data da publicação: 2014
Agência(s) de fomento: Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq)
Referência: ARANTES, T. B. Análise de séries temporais compostas por imagens sintetizadas a partir da fusão de dados MODIS-TM. 2014. 90 p. Dissertação (Mestrado em Engenharia Florestal) – Universidade Federal de Lavras, Lavras, 2014.
Resumo: O monitoramento e a caracterização dos remanescentes de floresta nativa e das áreas antropizadas tornaram-se imprescindíveis para a correta gestão do uso da terra. Uma das ferramentas que podem auxiliar e viabilizar estes estudos, sobre a superfície terrestre, é o sensoriamento remoto. A análise multitemporal de imagens de sensoriamento remoto, integrada aos componentes espectral e espacial, quando devidamente explorados, fornece informações importantes para o monitoramento ambiental, permitindo a análise de padrões complexos e a caracterização da dinâmica de cobertura da superfície terrestre. Em função de algumas limitações nos sensores disponíveis atualmente, no que diz respeito às resoluções, algumas metodologias de fusão entre imagens foram desenvolvidas, entre elas, o STARFM, desenvolvido para estudos que necessitem tanto de uma alta frequência temporal (MODIS) quanto alta resolução espacial (Landsat-TM/ETM+). Assim, objetivou-se neste trabalho avaliar uma série temporal TM, composta por imagens sintéticas, geradas pelo algoritmo de predição STARFM. A área de estudo está localizada ao sul do Estado de Minas Gerais, correspondente à cena Landsat-TM 218/075. Foram adquiridas todas as cenas Landsat-TM e MODIS (cena h13v11) entre 2000 e 2011, cujas bandas NIR e RED foram utilizadas para predição de dados TM. As análises consistiram na comparação de valores de reflectância entre dados TM originais e sintéticos por meio de regressão linear; e na análise das séries temporais MODIS e TM NDVI, para comparação entre as estatísticas das séries, geradas pelo greenbrown, e dos componentes temporais de tendência e sazonalidade extraídos dos perfis temporais de algumas classes de uso da terra, gerados pelo bfast. Pelos resultados observou-se que, apesar de algumas limitações, o algoritmo STARFM se mostrou bastante promissor na predição das imagens TM; a análise da série temporal NDVI TM sintética fornece maiores detalhes espaciais e temporais do que a série MODIS; a série temporal NDVI composta por imagens TM sintéticas se mostrou bastante semelhante à série MODIS, apresentando a maioria dos breakpoints no componente de tendência coincidentes entre as duas séries; os erros na predição das imagens TM podem ocasionar falsas detecções de mudanças.Na análise da série temporal TM forneceram-se maiores detalhes espaciais e temporais do que a série MODIS, sendo uma alternativa para o monitoramento da superfície terrestre em nossa área de estudo.
Abstract: Monitoring and characterization of remnants of the native forest and anthropogenic areas are essential for the effective land use management. Remote sensing is one of the most important tools which can assist and aid these studies on the Earth surface. The multi-temporal analysis of remote sensing images, integrated to spectral and spatial components, when properly explored, provides important information for environmental monitoring. It also allows the analysis of complex patterns and characterization of Earth surface covering dynamics. Due to some limitations on the sensors currently available, concerning resolutions, some methodologies of images fusion has been developed, such as the STARFM which is used for studies that require either high time frequency (MODIS) or high spatial resolution (Landsat-TM/ETM+). In this study, we aimed to assess a TM time series comprised by synthetic images, generated using the STARFM prediction algorithm. The study area is located in the southern of Minas Gerais State, Brazil, corresponding to the Landsat-TM 218/075 scene. We acquired all Landsat-TM and MODIS (h13v11 scene) scenes between 2000 and 2011. We used the near infrared (NIR) and red band for prediction of TM data. Analysis consisted in comparing reflectance values among original and synthetic TM data by means of linear regression. We also analysed MODIS and TM NDVI time series to compare statistics of the series generated using greenbrown, and of time components of tendencies and seasonality, obtained from time profiles of some classes of land use, generated using bfast. According to results, although some limitations, the STARFM prediction algorithm was found to be quite promising in predicting TM images. The analysis of TM NDVI time series provided better spatial and time details than the MODIS time series. The NDVI time series, comprised by synthetic TM images was found to be quite similar to MODIS time series, showing the majority of breakpoints in the component of trend coincident between both time series. Errors in predicting TM images can cause false detections of changes. The analysis of TM time series provided better spatial and time details than MODIS time series, so that it can be an alternative for Earth surface monitoring on the area of study.
metadata.teses.dc.description: Dissertação apresentada à Universidade Federal de Lavras, como parte das exigências do Programa de Pós-Graduação em Engenharia Florestal, para obtenção do título de Mestre.
URI: http://repositorio.ufla.br/jspui/handle/1/4652
Publicador: UNIVERSIDADE FEDERAL DE LAVRAS
Idioma: pt_BR
Aparece nas coleções:DCF - Engenharia Florestal - Mestrado (Dissertações)



Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.