Dissertação de Mestrado

Numerous surface processes can occur in riparian zones and monitoring the spatial-temporal dynamics of land cover is essential to understand their impacts. Deforestation and inadequate use of these areas are notorious problems and can have an important impact on water resources, wildlife, and human communities, among others. Based on its importance, regulations were created aiming to protect these areas. Quickly and accurately mapping forest vegetation near rivers is necessary to guarantee that these regulations are being respected and degraded areas are being recovered. However, mapping riparian zones represents an unique challenge for different reasons, mainly when taking as reference a continental country such as Brazil. Several works were proposed based on unmanned aerial vehicle (UAV) or satellite data and each of these platforms has important advantages and disadvantages. Between these two sources of remote sensing data, the advantages of the former appear to compensate for the disadvantages of the latter. Based on such context, in this work, we proposed to use UAV data to calibrate a multi-source satellite data based model to predict sub-pixel composition in riparian zones. We also perform an analysis aiming to assess the influence of each data type and temporal data as an additional dimension to our research problem. These analyses are performed on a newly compiled dataset composed of data acquired in Europe and South America, which relates UAV data with Sentinel-1 and Sentinel-2 data. Our study shows that, compared to reproduced works, our approach using optimal combinations produced significantly different and superior results for the dominant class. Moreover, it showed promising potential in predicting class membership for pixels containing multiple classes. Besides that, we have demonstrated that the addition of spatial context, Sentinel-1, and spectral indices has helped to improve the results, and that the inclusion of temporal data in the proposed model had a significant impact on the performance, especially in 3D CNNs.

Inúmeros processos de superfície podem ocorrer nas zonas ribeirinhas e monitorar a dinâmica espaço-temporal é essencial para entender seus impactos. O desmatamento e o uso inadequado dessas áreas são problemas notórios e podem ter consequências importantes nos recursos hídricos, na fauna, comunidades ribeirinhas, entre outros. Com base na sua importância, regulamentos foram criados com o objetivo de proteger essas áreas. Mapear com rapidez e precisão a vegetação florestal nas proximidades dos rios é necessário para garantir que essas normas sejam respeitadas e que as áreas degradadas sejam recuperadas. No entanto, o mapeamento de zonas ribeirinhas representa um desafio único por diferentes razões, principalmente quando se toma como referência um país continental como o Brasil. Vários trabalhos foram propostos com base em dados coletados por veículo aéreo não tripulado (VANT) ou satélite, porém, cada uma dessas plataformas possui vantagens e desvantagens importantes. Entre essas duas fontes de dados de sensoriamento remoto, as vantagens da primeira parecem compensar as desvantagens da segunda. Com base nesse contexto, neste trabalho, propusemos utilizar dados de VANT para calibrar um modelo baseado em dados de satélite multi-fonte, a fim de prever a composição de sub-pixel em zonas ribeirinhas. Também realizamos uma análise com o objetivo de avaliar a influência de cada tipo de dado e dos dados temporais como uma dimensão adicional no nosso problema de pesquisa. Essas análises são realizadas em um conjunto de dados recém-compilados, composto por dados adquiridos na Europa e na América do Sul, que relaciona dados de UAV com dados Sentinel-1 e Sentinel-2. Nosso estudo mostra que, comparado a trabalhos reproduzidos, nossa abordagem usando as melhores combinações produziu resultados significativamente diferentes e superiores para a classe dominante. Além disso, mostrou um potencial promissor para predizer a composição de classes em pixels que contêm múltiplas classes. Demonstramos ainda que a adição de contexto espacial, Sentinel-1 e índices espectrais ajudou a melhorar os resultados, e que a inclusão de dados temporais no modelo proposto teve um impacto significativo no desempenho, especialmente em redes neurais convolucionais 3D.