Você está aqui: Página Inicial > Notícias OBT INPE > Nova publicação do LabISA com parâmetros de qualidade de águas interiores e costeiras

Notícias

Nova publicação do LabISA com parâmetros de qualidade de águas interiores e costeiras

O Laboratório de Instrumentação em Sistemas Aquáticos do INPE (LabISA) (DIOTG/INPE) participou de uma colaboração internacional, liderada pelo Dr. Nima Pahlevan, da NASA Goddard Space Flight Center, na elaboração do artigo Simultaneous retrieval of selected optical water quality indicators from Landsat-8, Sentinel-2 and Sentinel-3 (Traduçao: "Recuperação simultânea de indicadores ópticos de qualidade da água selecionados de Landsat-8, Sentinel-2 and Sentinel-3" )...
publicado: 27/01/2022 14h46 última modificação: 27/01/2022 14h46

O Laboratório de Instrumentação em Sistemas Aquáticos do INPE (LabISA) (DIOTG/INPE) participou de uma colaboração internacional, liderada pelo Dr. Nima Pahlevan, da NASA Goddard Space Flight Center, na elaboração do artigo Simultaneous retrieval of selected optical water quality indicators from Landsat-8, Sentinel-2 and Sentinel-3 (Tradução: "Recuperação simultânea de indicadores ópticos de qualidade da água selecionados de Landsat-8, Sentinel-2 and Sentinel-3") (https://doi.org/10.1016/j.rse.2021.112860). Esta é a terceira publicação, resultado desta cooperação objetivando estimativas globais de parâmetros de qualidades de água interiores e costeiras por sensoriamento remoto.

 Claudio Barbosa, coordenador do LabISA (DIOTG/INPE) apresentou o resumo abaixo:

Resumo:

Gerar produtos de qualidade de água (WQ) derivados de múltiplos satélite em águas costeiras interiores e costeiras de missões passadas, presentes e futuras é um desafio de longa data. Apesar das diferenças inerentes na capacidade espectral, espacial e radiométricos dos sensores, os esforços de pesquisa focados na formulação, implementação e validação de algoritmos WQ universais continuam a evoluir. Esta pesquisa é uma extensão de um modelo de aprendizado de máquina (Machine-Learning ML) desenvolvido recentemente, ou seja, Mixture Density Networks (MDNs) (Pahlevan et al., 2020; Smith et al., 2021), para o problema inverso de recuperar simultaneamente indicadores WQ, incluindo clorofila -a (Chla), Sólidos Suspensos Totais (TSS) e a absorção por Matéria Orgânica Dissolvida Colorida em 440 nm (acdom(440)), em uma ampla gama de ecossistemas aquáticos. Utilizou-se um banco de dados de medidas in situ para treinar e otimizar os modelos MDN desenvolvidos para as bandas espectrais relevantes (400-800 nm) do Operational Land Imager (OLI), MultiSpectral Instrument (MSI) e Ocean and Land Color Instrument (OLCI) a bordo do Landsat-8, Sentinel-2, e missões Sentinel-3, respectivamente. As duas abordagens de avaliação de desempenho, hold-out e leave-one-out, sugerem melhorias significativas, embora em graus variados, em relação aos segundos melhores algoritmos, dependendo do sensor e do indicador WQ (por exemplo, melhorias de 68%, 75%, 117% com base no método hold-out para Chla, TSS e acdom(440), respectivamente de espectros do sensor MSI). Usando esses dois métodos de avaliação, fornecemos limites teóricos superiores e inferiores no desempenho do modelo ao avaliar conjuntos de dados semelhantes e/ou fora da amostra. Para avaliar a consistência do produto multimissão em amplas escalas espaciais, os produtos de mapa são apesentados para três aquisições OLI, MSI e OLCI quase simultâneas. No geral, o TSS e o acdom (440) estimados a partir dessas três missões são consistentes dentro da faixa de incerteza do modelo, mas os mapas Chla do MSI e OLCI alcançam maior precisão do que os do OLI. Ao aplicar dois processadores de correção atmosférica diferentes para as imagens OLI e MSI, também realizamos análises comparativa para quantificar a sensibilidade do modelo MDN e algoritmos de práticas recomendadas para incertezas em produtos de refletância. O MDN é menos ou igualmente sensível a essas incertezas em comparação com outros algoritmos. Reconhecendo estas incertezas, os modelos MDN podem ser aplicados como algoritmo global para permitir recuperações harmonizadas de Chla, TSS e acdom(440) em vários ecossistemas aquáticos a partir de imagens de satélite de várias fontes. Modelos de ML locais e/ou regionais ajustados com uma distribuição de dados adequada (por exemplo, um subconjunto de nosso conjunto de dados) devem, no entanto, superar nosso modelo global.

 Gráficos de dispersão mostrando o desempenho do MDN e modelos de última geração

Figura 1: Gráficos de dispersão mostrando o desempenho do MDN e modelos de última geração com melhor desempenho para espectros de Rrs reamostrados para bandas do MSI. Avaliação pela abordagem hold-out com uma divisão de dados de 50 a 50%. Os números reais da amostra são mostrados nos eixos y.

 

 Mapas de qualidade de água da San Francisco Bay derivados de imagens dos sensores OLI, MSI e OLCI

 

Figura 2: Mapas de qualidade de água da San Francisco Bay derivados de imagens dos sensores OLI, MSI e OLCI. As imagens OLI e OLCI foram adquiridas com ~3 min de diferença, e a imagens MSI adquirida ~30 min mais tarde.